Regularized variational data assimilation for bias treatment using the Wasserstein metric
Regularized variational data assimilation for bias treatment using the Wasserstein metric
复制标题
使用 Wasserstein 度量进行偏差处理的正则化变分数据同化
DOI：
10.1002/qj.3794
复制
发表时间：
2020
影响因子：
8.9
通讯作者：
Lerman, Gilad
中科院分区：
文献类型：
--
作者：
Tamang, Sagar K.;Ebtehaj, Ardeshir;Zou, Dongmian;Lerman, Gilad
本文提出了一种新的变分数据同化(VDA)方法，用于正式处理模式输出和观测中的偏差。这种方法依赖于源自最优质量传输理论的沃瑟斯坦度量，以惩罚分析状态的概率直方图与先验参考数据集之间的距离，这可能比模型和观测数据更不确定，但偏差更小。与以往的偏差感知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，动态地处理模型和观测中未知大小和符号的系统偏差，并能完全恢复分析状态的概率直方图。比较了WM-VDA与经典的一阶线性动力学三维VDA(3D-Var)格式和混沌Lorenz吸引子的性能。在模型和观测的正系统偏差下，我们始终显示预测偏差和无偏均方根误差显著降低。
This article presents a new variational data assimilation (VDA) approach for the formal treatment of bias in both model outputs and observations. This approach relies on the Wasserstein metric, stemming from the theory of optimal mass transport, to penalize the distance between the probability histograms of the analysis state and an a priori reference dataset, which is likely to be more uncertain but less biased than both model and observations. Unlike previous bias‐aware VDA approaches, the new Wasserstein metric VDA (WM‐VDA) treats systematic biases of unknown magnitude and sign dynamically in both model and observations, through assimilation of the reference data in the probability domain, and can recover the probability histogram of the analysis state fully. The performance of WM‐VDA is compared with the classic three‐dimensional VDA (3D‐Var) scheme for first‐order linear dynamics and the chaotic Lorenz attractor. Under positive systematic biases in both model and observations, we consistently demonstrate a significant reduction in the forecast bias and unbiased root‐mean‐squared error.
登录
查看更多内容
土壤湿度数据同化
DOI：
10.1007/978-3-642-40457-3_32-1
发表时间：
2019
期刊：
Handbook of Hydrometeorological Ensemble Forecasting
影响因子：
--
作者：
G. Lannoy;P. Rosnay;R. Reichle
通讯作者：
R. Reichle
影响因子：
3.9
作者：
Yongxin Chen;T. Georgiou;A. Tannenbaum
通讯作者：
Yongxin Chen;T. Georgiou;A. Tannenbaum
量子态的 Wasserstein 几何和矩阵值测量的最优传输
DOI：
10.1007/978-3-319-67068-3_10
发表时间：
2018
期刊：
ArXiv
影响因子：
--
作者：
Yongxin Chen;T. Georgiou;A. Tannenbaum
通讯作者：
A. Tannenbaum
WASSERSTEIN 度量驱动的贝叶斯反演及其在信号处理中的应用
DOI：
10.1615/int.j.uncertaintyquantification.2019027745
发表时间：
2018
影响因子：
1.7
作者：
M. Motamed;D. Appelo
通讯作者：
D. Appelo
通过稀疏正则化进行变分数据同化
DOI：
10.3402/tellusa.v66.21789
发表时间：
2013
期刊：
Tellus A: Dynamic Meteorology and Oceanography
影响因子：
--
作者：
A. Ebtehaj;M. Zupanski;Gilad Lerman;E. Foufoula‐Georgiou
通讯作者：
E. Foufoula‐Georgiou