Efficient parallel implementation of DDDAS inference using an ensemble Kalman filter with shrinkage covariance matrix estimation
Efficient parallel implementation of DDDAS inference using an ensemble Kalman filter with shrinkage covariance matrix estimation
复制标题
使用具有收缩协方差矩阵估计的集成卡尔曼滤波器高效并行实施 DDDAS 推理
DOI：
10.1007/s10586-017-1407-1
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Sandu, Adrian
中科院分区：
文献类型：
--
作者：
Nino-Ruiz, Elias D.;Sandu, Adrian
利用基于收缩协方差矩阵估计的集成卡尔曼滤波，提出了一种高效、并行的动态数据驱动应用系统推理的实现方法。所提出的实现方法是这样的：每个模式分量被一个半径方框包围，然后在不同的局部方框上并行地执行局部同化步骤。一旦获得局部分析，它们就被映射回从中获得全局分析状态的全局域。使用Rao-Blackwell、Ledoit和Wolf估计器来估计局部背景误差相关性，以便在局部模型分量的数量大于集合大小时减轻伪相关性的影响。利用数值大气环流模式(SPEEDY)对弗吉尼亚理工大学Blueridge星系团进行了T-63分辨率的数值试验。处理器的数量从96个到2048个不等。对于所有模型变量，所提出的实现在精度方面优于著名的局部集成变换卡尔曼滤波(LETKF)。对于最大数目的处理器，该实现的计算时间与并行LETKF方法(不执行协方差估计)的计算时间相似。
This paper develops an efficient and parallel implementation of dynamically data-driven application systems inference using an ensemble Kalman filter based on shrinkage covariance matrix estimation. The proposed implementation works as follows: each model component is surrounded by a local box of radius sizerand then, local assimilation steps are carried out in parallel at the different local boxes. Once local analyses are obtained, they are mapped back onto the global domain from which the global analysis state is obtained. Local background error correlations are estimated using the Rao–Blackwell Ledoit and Wolf estimator in order to mitigate the impact of spurious correlations whenever the number of local model components is larger than the ensemble size. The numerical atmospheric general circulation model (SPEEDY) is utilized for the numerical experiments with the T-63 resolution on the BlueRidge cluster at Virginia Tech. The number of processors ranges from 96 to 2048. The proposed implementation outperforms in terms of accuracy the well-known local ensemble transform Kalman filter (LETKF) for all the model variables. The computational time of the proposed implementation is similar to that of the parallel LETKF method (where no covariance estimation is performed) for the largest number of processors.
登录
查看更多内容
基于迭代谢尔曼-莫里森公式的集成卡尔曼滤波器的实现效率
影响因子：
2.2
作者：
E. Niño;Adrian Sandu;Jeffrey L. Anderson
通讯作者：
Jeffrey L. Anderson
DOI：
10.1111/j.1600-0870.2007.00274.x
发表时间：
2008-01
期刊：
Tellus A: Dynamic Meteorology and Oceanography
影响因子：
--
作者：
I. Szunyogh;E. Kostelich;G. Gyarmati;E. Kalnay;B. Hunt;E. Ott;Elizabeth A. Satterfield;J. Yorke
通讯作者：
I. Szunyogh;E. Kostelich;G. Gyarmati;E. Kalnay;B. Hunt;E. Ott;Elizabeth A. Satterfield;J. Yorke
DOI：
--
发表时间：
2015
期刊：
SIAM/ASA J. Uncertain. Quantification
影响因子：
--
作者：
Vishwas Rao;Adrian Sandu
通讯作者：
Adrian Sandu
基于收缩协方差矩阵估计的集成卡尔曼滤波器实现
DOI：
--
发表时间：
2015
期刊：
Deutsche Hydrographische Zeitschrift
影响因子：
--
作者：
Elías D. Nino;Adrian Sandu
通讯作者：
Adrian Sandu
基于收缩协方差矩阵估计的集成卡尔曼滤波器的高效并行实现
影响因子：
2.2
作者：
Elías D. Nino;Adrian Sandu
通讯作者：
Adrian Sandu