用于大气化学数据重建与预测的优化动态模态分解
机器学习
2024-04-22 v1 动力系统
大气与海洋物理
应用统计
机器学习
摘要
我们引入了优化动态模态分解算法，用于构建自适应且计算高效的降阶模型以及全球大气化学动力学的预测工具。通过利用低维的全局时空模态集，可以计算出对底层空间和时间尺度的可解释表征。预测同样通过使用主导时空特征线性叠加的线性模型来实现。该 DMD 方法在三个月的全球化学动力学数据上进行了演示，展示了其在计算速度和可解释性方面的显著性能。我们表明，所提出的分解方法成功提取了大气化学已知的主要特征，如夏季地表污染和生物质燃烧活动。此外，DMD 算法允许快速重建底层线性模型，从而能够轻松适应非平稳数据和动力学变化。
引用
@article{arxiv.2404.12396,
title = {Optimized Dynamic Mode Decomposition for Reconstruction and Forecasting of Atmospheric Chemistry Data},
author = {Meghana Velegar and Christoph Keller and J. Nathan Kutz},
journal= {arXiv preprint arXiv:2404.12396},
year = {2024}
}
备注
13 pages, 16 figures