利用相干结构着色进行模型参数估计
流体动力学
2019-01-30 v1 机器学习
大气与海洋物理
数据分析、统计与概率
机器学习
摘要
拉格朗日数据同化是海洋与大气建模中的复杂问题。在大规模地球物理流中追踪漂流浮标可能涉及浮标位置的不确定性、复杂的惯性效应以及其他因素,使得将它们与数值模型的模拟拉格朗日轨迹进行比较极为困难。时空离散化——建模大规模流所必需的因素——也导致了真实与模拟漂流浮标轨迹间的分离。这些湍流中固有的混沌平流往往会分离即使紧密相邻的示踪粒子,使得仅基于浮标位移的误差度量不适用于模型参数估计。我们提议改用相干结构着色(CSC)场中的误差来评估模型技巧。CSC 场提供了流中底层相干模式的空间表示,我们表明它是一种更稳健的模型精度评估度量。通过使用两个测试用例——一个考虑粒子初始化中的空间不确定性,另一个考察沿轨迹的随机误差与时间离散化的影响——我们表明相干结构着色场中的误差可用于准确确定单个或多个同时未知的模型参数,而基于浮标位移误差的常规误差度量则失败。由于 CSC 场增强了正确与错误模型参数间误差的差别,模型参数扫描中的误差极小值变得更加分明。该方法在分析流中单与多参数估计的有效性和稳健性表明,真实海洋与大气模型的拉格朗日数据同化将受益于类似方法。
引用
@article{arxiv.1810.13444,
title = {Model parameter estimation using coherent structure coloring},
author = {Kristy L. Schlueter-Kuck and John O. Dabiri},
journal= {arXiv preprint arXiv:1810.13444},
year = {2019}
}
备注
Accepted in the Journal of Fluid Mechanics