大规模模型输出摘要统计量的观察校正

基于物理的模型捕捉了广泛的空间和时间动力学，但常常受制于偏差和数值近似，而观察则捕捉了局部变异性但稀疏不足。将这两种互补数据模态集成在一起对于提高模型输出的准确性和可靠性至关重要。同时，基于物理的模型通常生成大规模输出，处理起来颇具挑战。本文提出了Sig-PCA，一个空间-时间框架，通过神经网络（NN）将模型输出的摘要统计量与局部分散观察数据集成。通过利用基于物理的模型的降阶表示，并将其与观察数据集成，我们的方法校正模型输出，同时允许使用维度降低的数量，从而使用较小的NN。该框架突显了观察数据与模型输出统计摘要之间的协同作用，有效地通过保持必不可少的统计信息来组合多源数据。我们在两个数据集上演示了该方法（表面温度和表面风速），它们具有不同的统计特性和不同的模型到观察数据的比率。我们的方法将模型输出校正为与观察数据高度吻合，特别是能够校正概率分布和空间-时间相关结构。