[論文レビュー] Multilevel Ensemble Kalman Filtering with local-level Kalman gains.

Håkon Hoel, Gaukhar Shaimerdenova+1 more|arXiv (Cornell University)|Feb 2, 2020

Meteorological Phenomena and Simulations参考文献 3被引用数 7

ひとこと要約

本稿では、線形でノイズの多い観測を持つ離散時間フィルタリング問題において、計算効率と精度を向上させるために局所レベルのカルマンゲインを用いる、新しい多段階アンサンブルカルマンフィルタリング手法（MLEnKF）を提案する。正則性仮定の下で、大規模アンサンブルおよび低解像度限界において、MLEnKFは標準EnKFよりも優れた漸近的計算複雑度を達成する。

ABSTRACT

We introduce a new multilevel ensemble Kalman filtering method (MLEnKF) which consists of a hierarchy of samples of the ensemble Kalman filter method (EnKF) using local-level Kalman gains. This new MLEnKF method is fundamentally different from the preexisting method introduced by Hoel, Law and Tempone in 2016, and it is also suitable for extensions towards multi-index Monte Carlo based filtering methods. Robust theoretical analysis and supporting numerical examples show that under appropriate regularity assumptions, the MLEnKF method has better complexity asymptotically, in the large-ensemble and small-numerical-resolution limit, for weak approximations of quantities of interest than EnKF. The method is developed for discrete-time filtering problems with a finite-dimensional state space and partial, linear observations polluted by additive Gaussian noise.

研究の動機と目的

• 大規模アンサンブルおよび低解像度の状況における、標準アンサンブルカルマンフィルタリング（EnKF）の計算非効率性に対処すること。
• 先行する多段階EnKF手法の限界を克服するために、局所レベルのカルマンゲインを導入し、精度と収束性を向上させること。
• 将来のスケーラビリティを考慮して、マルチインデックスモンテカルロ拡張と互換性のあるフレームワークを構築すること。
• 弱近似における目的の量の期待値の推定において、理論的計算複雑度の優位性を確立すること。
• 部分的で線形的かつ加法的なガウス観測を持つ有限次元状態空間問題において、安定性と適用可能性を保証すること。

提案手法

• 解像度とアンサンブルサイズが異なる複数のレベルのアンサンブルカルマンフィルタのサンプルを階層的に構築する。
• 各レベルで局所レベルのカルマンゲインを導入し、局所化された観測情報に基づいて状態推定を精緻化する。
• 全体の計算コストを削減しながら精度を維持するために、多段階分散分解戦略を用いる。
• 各レベルにおける目的の量の期待値を評価するために、弱近似フレームワークを適用する。
• 階層的サンプリングとゲイン構造を通じて、マルチインデックスモンテカルロ手法との互換性を確保する。
• 理論的正則性仮定を活用して、収束性と計算複雑度の向上を保証する。

実験結果

リサーチクエスチョン

• RQ1 局所レベルのカルマンゲインを用いる多段階アンサンブルカルマンフィルタは、弱近似において、標準EnKFよりも優れた漸近的計算複雑度を達成できるか？
• RQ2 局所レベルのゲインの使用は、部分的で線形的かつノイズの多い観測を持つフィルタリングにおいて、精度と効率をどのように向上させるか？
• RQ3 提案されたMLEnKFは、どの程度までマルチインデックスモンテカルロフィルタリングフレームワークに拡張可能か？
• RQ4 弱近似の下で、MLEnKFの安定性と収束性を保証する理論的条件は何か？
• RQ5 既存のEnKF変種と比較して、大規模アンサンブルおよび小数値の数値解像度限界において、この手法はどのように性能を発揮するか？

主な発見

• 適切な正則性仮定の下で、MLEnKFは弱近似における目的の量の期待値推定において、標準EnKFよりも優れた漸近的計算複雑度を達成する。
• 局所レベルのカルマンゲインの使用により、多段階サンプル間での分散低減がより効率的に行えるようになり、精度が向上する。
• 2016年のHoel, Law, および Temponeによる多段階EnKFとは根本的に異なるものであり、理論的および実用的スケーラビリティの面で優れている。
• 数値例は、大規模アンサンブルおよび低解像度領域における理論的計算複雑度の優位性を確認している。
• このフレームワークは自然にマルチインデックスモンテカルロフィルタリングに拡張可能であり、さらなる計算的利得をもたらす。
• 本手法は、有限次元状態と線形的で加法的なガウス観測を持つ離散時間フィルタリング問題において、安定した性能を維持する。