基于多项式混沌的热带太平洋通用环流模型中K-Profile参数化的贝叶斯推断
统计方法学
2016-12-21 v1 数值分析
摘要
作者提出了一种基于多项式混沌(PC)的贝叶斯推断方法，用于量化热带太平洋MIT通用环流模型(MITgcm)中K-Profile参数化(KPP)的不确定性。对不确定参数的推断基于马尔可夫链蒙特卡罗(MCMC)方案，该方案利用新构造的检验统计量，其除了考虑数据质量外，还考虑了代表日尺度和季节尺度上湍流混合结构的不同分量，并滤除参数扰动相对于风变化所产生影响的效果。为避免在每次MCMC迭代中积分MITgcm模型所带来的极高计算代价，我们使用PC方法为检验统计量构建替代模型。为滤除模型预测中的噪声并避免相关的收敛问题，我们借助基追踪去噪(BPDN)压缩感知方法来确定代表性替代模型的PC系数。该PC替代模型随后用于在MCMC步骤中评估检验统计量，以对不确定参数的后验进行采样。后验结果表明，KPP模型的两个参数（即临界整体 Richardson 数和梯度 Richardson 数）与默认值吻合良好；而其余参数的后验几乎无信息。
引用
@article{arxiv.1510.07476,
title = {Polynomial Chaos-based Bayesian Inference of K-Profile Parametrization in a General Circulation Model of the Tropical Pacific},
author = {Ihab Sraj and Sarah E. Zedler and Omar M. Knio and Charles S. Jackson and Ibrahim Hoteit},
journal= {arXiv preprint arXiv:1510.07476},
year = {2016}
}