基于数据同化和机器学习对弱湍流系统的可预测性分析——基于稀疏观测
计算与语言
2024-07-22 v2 人工智能
摘要
我们应用两种数据同化（DA）方法——平滑器和滤波器，以及一种模型无关的机器学习（ML）浅层网络，对两个弱湍流系统进行预测。我们分析了空间稀疏观测对这些数据驱动方法预测准确性的影响。基于结果，我们将空间稀疏性分为三个区域。第一个是良好预测区域，在此区域中 DA 和 ML 方法都有效。我们发现，在良好预测区域中，观测的稠密程度足以准确捕捉系统动力学的分形流形，这通过关联维数进行测量。该区域内 DA 方法的准确性几乎与完全分辨率观测相当。第二个是合理预测区域，在此区域中 DA 方法仍可工作，但预测准确性有所降低。第三个是差劲预测区域，即使 DA 方法也无法工作。我们发现，DA 方法能够工作的最高稀疏水平几乎与这些系统实现混沌同步的最高稀疏水平相同。这些结果的主要含义是：(i) 明确建立了数据驱动方法可被使用的空间分辨率上限；(ii) 提供了确定是否需要添加更多传感器以提高预测准确性的措施；(iii) 量化了在数据驱动方法中使用控制方程所带来的优势（以所需的测量分辨率为度量）。我们还讨论了这些结果对完全发展湍流的适用性。
引用
@article{arxiv.2407.10086,
title = {Rapid Biomedical Research Classification: The Pandemic PACT Advanced Categorisation Engine},
author = {Omid Rohanian and Mohammadmahdi Nouriborji and Olena Seminog and Rodrigo Furst and Thomas Mendy and Shanthi Levanita and Zaharat Kadri-Alabi and Nusrat Jabin and Daniela Toale and Georgina Humphreys and Emilia Antonio and Adrian Bucher and Alice Norton and David A. Clifton},
journal= {arXiv preprint arXiv:2407.10086},
year = {2024}
}