[論文レビュー] Particle Filtering and Gaussian Mixtures -- On a Localized Mixture Coefficients Particle Filter (LMCPF) for global NWP

Anne Rojahn, Nora Schenk+2 more|arXiv (Cornell University)|Jun 15, 2022

Climate variability and models被引用数 4

ひとこと要約

本稿では、局所化された適応型アンサンブル粒子フィルタ（LAPF）にガウス混合モデルを統合することで、グローバルNWPにおける観測に向けた粒子の移動を改善する、新たなデータ同化手法である局所化混合係数粒子フィルタ（LMCPF）を提案する。個々の粒子の不確実性を局所化されたガウス混合でモデル化することにより、より正確で非ガウス的な事後分布更新が可能となり、10⁶変数を有する52 km解像度のグローバルICONモデル設定において、運用用LETKFと同等の分析および予報精度を達成した。

ABSTRACT

In a global numerical weather prediction (NWP) modeling framework we study the implementation of Gaussian uncertainty of individual particles into the assimilation step of a localized adaptive particle filter (LAPF). We obtain a local representation of the prior distribution as a mixture of basis functions. In the assimilation step, the filter calculates the individual weight coefficients and new particle locations. It can be viewed as a combination of the LAPF and a localized version of a Gaussian mixture filter, i.e., a Localized Mixture Coefficients Particle Filter (LMCPF). Here, we investigate the feasibility of the LMCPF within a global operational framework and evaluate the relationship between prior and posterior distributions and observations. Our simulations are carried out in a standard pre-operational experimental set-up with the full global observing system, 52 km global resolution and $10^6$ model variables. Statistics of particle movement in the assimilation step are calculated. The mixture approach is able to deal with the discrepancy between prior distributions and observation location in a real-world framework and to pull the particles towards the observations in a much better way than the pure LAPF. This shows that using Gaussian uncertainty can be an important tool to improve the analysis and forecast quality in a particle filter framework.

研究の動機と目的

• 事前分布が観測から離れている場合にLAPFが観測に向けた粒子の移動を十分に実行できないという限界を解消すること。
• 高次元グローバルNWPにおける粒子フィルタの非ガウス的分析能力を、各粒子ごとのモデルおよび予報不確実性を組み込むことで向上させること。
• 非ガウス性と高次元性を扱える安定で運用水準の粒子フィルタフレームワークを開発すること。
• LMCPFの性能を、分析誤差、予報精度、アンサンブル分散の安定性という観点から運用用LETKFと比較すること。
• 粒子の不確実性モデル化が、同定化サイクルにおける粒子移動の大きさと方向に与える影響を調査すること。

提案手法

• LMCPFはLAPFを拡張し、事前分布を局所化されたガウス基底関数の混合としてモデル化する。各粒子は自らの平均、共分散、重みを保持する。
• 観測誤差と局所化を考慮したベイズ更新を用いて、事後混合係数、平均、共分散を計算する。
• 粒子の多様性を維持し、フィルタの劣化を防ぐために、LAPFの適応的リサンプリングおよび再生技術を用いる。
• サンプリング誤差を低減し、高次元系におけるスケーラビリティを向上させるために、ガウス混合成分に観測局所化を適用する。
• LRKPKFおよびLiuら（2016）にインspiredされた、局所化されたカーネルベースの近似を用いて、粒子固有の不確実性を組み込む。
• 分析ステップでは、観測と射影アンサンブル平均とのマハラノビス距離に基づいて粒子重みを計算し、個々の粒子の共分散で補正する。

実験結果

リサーチクエスチョン

• RQ1 LAPFフレームワークにガウス混合モデリングを統合することで、グローバルNWPにおける観測に向けた粒子移動が改善されるか？
• RQ2 粒子固有の不確実性の組み込みが、高次元系における分析の安定性と精度に与える影響は何か？
• RQ3 LMCPFは、グローバル52 km解像度モデルにおいて、運用用LETKFと同等の分析および予報精度をどの程度達成できるか？
• RQ4 粒子移動の大きさと分布は、個々の粒子の不確実性パラメータにどのように依存するか？
• RQ5 局所化と混合係数の適応が、アンサンブル分散および誤差統計に与える影響は何か？

主な発見

• LMCPFは、10⁶モデル変数および52 km解像度を有する準運用設定において、安定した月間スパンのグローバル同定化ランを達成した。
• 850 hPa未満の上層大気において、LETKFと比較して初予報誤差を1–3%低減し、低対流圏における性能向上を示した。
• 温度および風場の予報RMSEは、1か月間の期間においてLETKFと同等であり、差は±2–3%の範囲内に収まった。
• 平均粒子移動サイズは、重み計算に用いられるメトリックテンソルの固有値分布と解析的に関連づけられ、観測されたヒストグラムの形状を説明できた。
• LMCPFのアンサンブル分散はスピンアップ段階を経て安定し、チューニングパラメータに強く依存しており、設定に敏感であることが示された。
• 短期ケーススタディでは、LMCPFはLETKFを上回る初予報RMSEを示し、初期状態の質の向上に潜在的であることを示した。