Variational Data Assimilation with a Learned Inverse Observation Operator
Variational Data Assimilation with a Learned Inverse Observation Operator
复制标题
使用学习逆观测算子进行变分数据同化
DOI：
--
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Stephan Hoyer
中科院分区：
文献类型：
--
作者：
Thomas Frerix;Dmitrii Kochkov;Jamie A. Smith;D. Cremers;M. Brenner;Stephan Hoyer
变分数据同化优化动力系统的初始状态，使其演变符合观测数据。物理模型随后可以演化到未来进行预测。这一原则是大规模预报应用的基石，如数值天气预报。因此，它已在全球各地天气预报机构的当前操作系统中实施。地球仪。然而，找到一个好的初始状态提出了一个困难的优化问题，部分原因是物理状态和它们相应的观测之间的不可逆关系。我们学习从观测数据到物理状态的映射，并展示如何使用它来提高可优化性。我们采用这种映射在两个方面：更好地初始化非凸优化问题，并重新制定的目标函数在更好的表现物理空间，而不是观察空间。对Lorenz96模型和二维湍流的实验结果表明，该方法可以显著提高混沌系统的预测质量。
Variational data assimilation optimizes for an initial state of a dynamical system such that its evolution fits observational data. The physical model can subsequently be evolved into the future to make predictions. This principle is a cornerstone of large scale forecasting applications such as numerical weather prediction. As such, it is implemented in current operational systems of weather forecasting agencies across the globe. However, finding a good initial state poses a difficult optimization problem in part due to the non-invertible relationship between physical states and their corresponding observations. We learn a mapping from observational data to physical states and show how it can be used to improve optimizability. We employ this mapping in two ways: to better initialize the non-convex optimization problem, and to reformulate the objective function in better behaved physics space instead of observation space. Our experimental results for the Lorenz96 model and a two-dimensional turbulent fluid flow demonstrate that this procedure significantly improves forecast quality for chaotic systems.
登录
查看更多内容
影响因子：
7.5
作者：
Kudyshev, Zhaxylyk A.;Kildishev, Alexander, V;Boltasseva, Alexandra
通讯作者：
Boltasseva, Alexandra
影响因子：
2.7
作者：
J. Zhuang;Dmitrii Kochkov;Yohai Bar-Sinai;M. Brenner;Stephan Hoyer
通讯作者：
J. Zhuang;Dmitrii Kochkov;Yohai Bar-Sinai;M. Brenner;Stephan Hoyer
DOI：
10.1080/16000870.2019.1696646
发表时间：
2020
期刊：
Dynamic Meteorology and Oceanography
影响因子：
--
作者：
Tabeart J
通讯作者：
Tabeart J
DOI：
10.1073/pnas.1814058116
发表时间：
2019-07-30
影响因子：
11.1
作者：
Bar-Sinai, Yohai;Hoyer, Stephan;Brenner, Michael P.
通讯作者：
Brenner, Michael P.
影响因子：
3.7
作者：
Chandler, Gary J.;Kerswell, Rich R.
通讯作者：
Kerswell, Rich R.