基于 Wasserstein 度量的正则化变分数据同化偏差处理
统计方法学
2020-08-04 v1 动力系统
摘要
本文提出一种新的变分数据同化（VDA）方法，用于正式处理模型输出与观测中的偏差。该方法依赖于源自最优质量传输理论的 Wasserstein 度量，用以惩罚分析态概率直方图与先验参考数据集之间的距离，该参考数据集可能更不确定但比模型和观测偏差更小。与以往偏差感知的 VDA 方法不同，新的 Wasserstein 度量 VDA（WM-VDA）通过在概率域同化参考数据，动态处理模型与观测中未知大小和符号的系统性偏差，并能完全恢复分析态的概率直方图。在一级线性动力学和混沌 Lorenz 吸引子上，将 WM-VDA 与经典三维 VDA（3D-Var）方案进行比较。在模型与观测均存在正系统性偏差下，我们一致展示了预测偏差和无偏均方根误差的显著降低。
引用
@article{arxiv.2003.02421,
title = {Regularized Variational Data Assimilation for Bias Treatment using the Wasserstein Metric},
author = {Sagar K. Tamang and Ardeshir Ebtehaj and Dongmian Zou and Gilad Lerman},
journal= {arXiv preprint arXiv:2003.02421},
year = {2020}
}
备注
7 figures