数据同化的模型与数据降维：采用投影预报与数据的粒子滤波及其在浅水模型中的应用
动力系统
2021-06-10 v2 最优化与控制
混沌动力学
大气与海洋物理
数据分析、统计与概率
摘要
理解非线性、高维流（例如大气和海洋流）对于应对全球气候变化的影响至关重要。数据同化技术通常在贝叶斯框架下结合物理模型与观测数据，以预测模型的未来状态及该预测中的不确定性。这些系统固有的噪声（高斯与非高斯）、非线性和高维性给准确预测带来了挑战。为解决这些问题，我们研究了基于不稳定子空间同化、本征正交分解和动态模态分解等技术的模型与数据降维方法。利用投影物理与数据模型的算法可与集合卡尔曼滤波和粒子滤波变体等数据分析技术相结合。所提出的投影数据同化技术针对最优提议粒子滤波而发展，并应用于 Lorenz'96 与浅水方程，以检验我们的技术在高维非线性系统中的有效性。
引用
@article{arxiv.2101.09252,
title = {Model and Data Reduction for Data Assimilation: Particle Filters Employing Projected Forecasts and Data with Application to a Shallow Water Model},
author = {Aishah Albarakati and Marko Budišić and Rose Crocker and Juniper Glass-Klaiber and Sarah Iams and John Maclean and Noah Marshall and Colin Roberts and Erik S. Van Vleck},
journal= {arXiv preprint arXiv:2101.09252},
year = {2021}
}
备注
30 pages, 13 figures, 3 tables To appear in Computers & Mathematics with Applications, 2021,ISSN 0898-1221