[論文レビュー] Ensemble filter techniques for intermittent data assimilation - a survey

Colin J. Cotter, Sebastian Reich|arXiv (Cornell University)|Aug 31, 2012

Meteorological Phenomena and Simulations参考文献 48被引用数 7

ひとこと要約

本調査は、間欠的データ同化におけるアンサンブルフィルタ技法の数学的基盤を提示し、ベイズ推論、マルコフ過程、およびフィルタリングに焦点を当てる。最適輸送、確率変数の結合、アンサンブル変換フィルタなどの高度な手法を導入し、非線形データ同化の統一的枠組みを提供する。地球物理学的および科学的モデリングへの応用を含む。

ABSTRACT

This survey paper is written with the intention of giving a mathematical introduction to filtering techniques for intermittent data assimilation, and to survey some recent advances in the field. The paper is divided into three parts. The first part introduces Bayesian statistics and its application to statistical inference and estimation. Basic aspects of Markov processes, as they typically arise from scientific models in the form of stochastic differential and/or difference equations, are covered in the second part. The third and final part describes the filtering approach to estimation of model states by assimilation of observational data into scientific models. While most of the material is of survey type, very recent advances in the field of nonlinear data assimilation covered in this paper include a discussion of Bayesian inference in the context of optimal transportation and coupling of random variables, as well as a discussion of recent advances in ensemble transform filters. References and sources for further reading material will be listed at the end of each section.

研究の動機と目的

• ベイズ統計の数学的入門と、データ同化への応用を提供すること。
• 確率的微分方程式または差分方程式を用いた動的システムのモデリングにおけるマルコフ過程の役割を説明すること。
• 観測データを同化することでモデル状態を推定する手法としてのフィルタリングを説明すること。
• 最適輸送やアンサンブル変換フィルタを含む、非線形データ同化分野における最近の進展を調査すること。
• 高次元でスパースなデータ設定における課題と、推定におけるバイアスと分散のトレードオフを強調すること。

提案手法

• すべての変数（モデル状態や観測値を含む）を不確実性を伴う確率変数として扱うためにベイズ確率論を用いる。
• ベイズの定理を用いて事前分布と尤度から事後分布を計算し、逐次的な状態推定を可能にする。
• 確率変数の結合の概念を用いて、データ同化を動的システムの時間発展として解釈する。
• 平均場近似と連続時間フィルタリングの定式化を用いて、アンサンブル変換カルマン＝ブーシー・フィルタを導入する。
• アンサンブルメンバーからの条件付きおよび周辺確率密度関数の近似を用いて、アンサンブル変換フィルタを導出する。
• 最適輸送理論を用いて、データ同化を確率測度間の写像として再定式化し、非線形更新を可能にする。

実験結果

リサーチクエスチョン

• RQ1 動的システムにおける間欠的データ同化に、ベイズ推論を体系的に適用する方法は何か？
• RQ2 最適輸送と確率変数の結合が非線形フィルタリングの性能向上に果たす役割は何か？
• RQ3 非ガウス分布を扱う際、アンサンブル変換フィルタは標準のアンサンブルカルマンフィルタとどのように異なるか？
• RQ4 平均場近似がアンサンブルフィルタの精度と安定性に与える影響は何か？
• RQ5 バイアスと分散のトレードオフは、ベイズ的手法と非ベイズ的手法のデータ同化技術の性能にどのように影響するか？

主な発見

• アンサンブル変換カルマン＝ブーシー・フィルタは、平均場近似と最適輸送の原則に基づく連続時間定式化として導出される。
• 最適輸送は非線形データ同化の幾何的枠組みを提供し、事前分布と事後分布の間の正確な変換を可能にする。
• 確率変数の結合により、フィルタリングステップを動的システムとして解釈でき、データ同化を確率過程と結びつけることができる。
• ガウス混合近似は、アンサンブルメンバーから導かれる重み付きガウス分布の組み合わせにより、非ガウス的な事後分布を表現できる。
• 逐次的モンテカルロ法は漸近的にバイアスがなく、高次元かつ小規模なアンサンブル設定では高い分散に苦しむ。
• ガイド付き粒子フィルタと改善された提案分布は、非線形フィルタリングにおける次元の呪いを軽減する可能性を示している。