基于循环神经网络在动力系统数据同化中的观测误差协方差设定
机器学习
2021-11-15 v1 人工智能
数值分析
数值分析
摘要
数据同化技术被广泛用于基于时间序列观测数据预测具有不确定性的复杂动力系统。误差协方差矩阵建模是数据同化算法中的重要环节，会显著影响预报精度。这些协方差的估计通常依赖经验假设与物理约束，往往不精确且计算昂贵，尤其对高维系统。本工作中，我们提出一种基于长短期记忆(LSTM)循环神经网络(RNN)的数据驱动方法，以提升动力系统数据同化中观测协方差设定的精度与效率。与经典后验调谐方法不同，所提方法从观测/模拟时间序列数据学习协方差矩阵，无需关于先验误差分布的任何知识或假设。我们在Lorenz动力系统中，随后在2D浅水孪生实验框架中使用集合同化与不同协方差参数化，将该新方法与国际前沿的两种协方差调谐算法DI01与D05进行比较。该新方法在观测协方差设定、同化精度与计算效率上均显示出显著优势。
引用
@article{arxiv.2111.06447,
title = {Observation Error Covariance Specification in Dynamical Systems for Data assimilation using Recurrent Neural Networks},
author = {Sibo Cheng and Mingming Qiu},
journal= {arXiv preprint arXiv:2111.06447},
year = {2021}
}
备注
The manuscript is accepted for publication in Neural computing and applications