[論文レビュー] A Local Ensemble Kalman Filter for Atmospheric Data Assimilation

Edward Ott, Brian R. Hunt+7 more|ArXiv.org|Mar 19, 2002

Meteorological Phenomena and SimulationsEarth and Planetary Sciences被引用数 17

ひとこと要約

この論文は、空間的局所性を活用して誤差共分散推定を局所的領域に限定することで計算コストを低減し、効率的な並列計算を可能にする大気データ同調のためのローカルアンサンブルカルマンフィルタ（LETKF）を導入する。この手法は、グローバルなアンサンブルカルマンフィルタのコストのほんの一部で、正確な解析を達成できることを、Lorenz-96モデルの実験で示している。

ABSTRACT

In this paper, we introduce a new, local formulation of the ensemble Kalman Filter approach for atmospheric data assimilation. Our scheme is based on the hypothesis that, when the Earth's surface is divided up into local regions of moderate size, vectors of the forecast uncertainties in such regions tend to lie in a subspace of much lower dimension than that of the full atmospheric state vector of such a region. Ensemble Kalman Filters, in general, assume that the analysis resulting from the data assimilation lies in the same subspace as the expected forecast error. Under our hypothesis the dimension of this subspace is low. This implies that operations only on relatively low dimensional matrices are required. Thus, the data analysis is done locally in a manner allowing massively parallel computation to be exploited. The local analyses are then used to construct global states for advancement to the next forecast time. The method, its potential advantages, properties, and implementation requirements are illustrated by numerical experiments on the Lorenz-96 model. It is found that accurate analysis can be achieved at a cost which is very modest compared to that of a full global ensemble Kalman Filter.

研究の動機と目的

• 大気データ同調におけるグローバルなアンサンブルカルマンフィルタの高い計算コストを、空間的局所性を活用することで低減すること。
• 大規模システムにおけるフル共分散行列演算の制限を、局所的領域における低次元誤差部分空間の仮定によって克服すること。
• 局所的解析を通じて大規模並列計算を可能にし、アンサンブルベースのデータ同調を運用可能にする。
• グローバル実装と比較して計算負荷を顕著に低減しつつ、解析の正確性を維持する手法を開発すること。
• 運用グローバル予報モデルへの統合に適したスケーラブルなフレームワークを提供すること。

提案手法

• 大気を中程度のサイズの局所的領域に分割し、誤差ダイナミクスを分離し、各領域内で予測不確実性が低次元部分空間に存在すると仮定する。
• 各領域でアンサンブルベースの誤差共分散推定を局所的に行い、各領域で少数のアンサンブルメンバーのみを用いて、バックグラウンド誤差共分散行列の低ランク近似を計算する。
• 局所的誤差共分散と観測値を用いて局所的カルマンフィルタ解析を実行し、領域間で解析更新が独立して計算されることを保証する。
• 局所的解析を組み合わせることでグローバルな状態推定を構築し、計算効率を維持しながら一貫したグローバル予報を可能にする。
• 直交固有ベクトル分解と分散インflーション技術（例えば、共分散行列に小さな単位行列の倍数を加えること）を用いて、フィルタを安定化させ、小さな固有値を防止する。
• インフレーション後の共分散構造を保つために、修正されたアンサンブル変換を実装し、摂動と更新された誤差共分散の整合性を確保する。

実験結果

リサーチクエスチョン

• RQ1 大気データ同調における局所的誤差部分空間を活用することで、計算コストを低減しつつ解析の正確性を損なわずに済ますことができるか？
• RQ2 アンサンブルカルマンフィルタを局所化することで、グローバルなアプローチと比較して、解析の安定性と正確性にどのような影響を与えるか？
• RQ3 正確な局所的解析に必要な最小アンサンブルサイズは何か？ また、小さな固有値による数値的不安定性はどのように緩和できるか？
• RQ4 分散インフレーションを、アンサンブル摂動の統計的整合性を保つ形で適用可能か？
• RQ5 ローカルフィルタはどの程度並列化可能であり、グローバルモデルにおける運用実装にどのような意味を持つのか？

主な発見

• ローカルアンサンブルカルマンフィルタは、フルグローバルなアンサンブルカルマンフィルタと比較して非常に低い計算コストで、正確な大気状態解析を達成する。
• 解析操作を局所的領域に制限することで、効率的かつ大規模並列計算が可能となり、スケーラビリティが顕著に向上する。
• Lorenz-96モデルにおける数値実験では、LETKFが小さなアンサンブルサイズでも高い正確性を維持しており、局所化に対するロバストネスが示された。
• 誤差共分散行列に小さな単位行列の倍数を加えることで分散インフレーションを実施し、小さな固有値を効果的に防止し、フィルタの安定化を図った。
• 直交固有ベクトル分解を用いて導出された修正アンサンブル摂動は、インフレーション後の必要な共分散構造を保持しており、解析における整合性を保証する。
• ローカルフィルタの定式化により、領域間で一貫性があり安定した解析更新が可能となり、グローバル手法と比較して情報損失が最小限に抑えられる。