[論文レビュー] Trimmed Ensemble Kalman Filter for Nonlinear and Non-Gaussian Data Assimilation Problems

Weixuan Li, W. Steven Rosenthal+1 more|arXiv (Cornell University)|Aug 15, 2018

Meteorological Phenomena and Simulations参考文献 9被引用数 5

ひとこと要約

本稿では、予測-観測相関における非ガウス的外れ値を除去するためのトリミング関数を適用することで、非線形的かつ非ガウス的状況下でのEnKFのロバスト性を向上させる、新しいデータ同調手法であるトリムドアンサンブルカルマンフィルタ（TEnKF）を紹介する。TEnKFはEnKFとパーティクルフィルタの極限状態の間を補間可能であり、精度と効率の間で適応的トレードオフを実現する。Lorenz-63およびLorenz-96モデルにおいて、標準EnKFと比較して優れた収束性とロバスト性を示す。

ABSTRACT

We study the ensemble Kalman filter (EnKF) algorithm for sequential data assimilation in a general situation, that is, for nonlinear forecast and measurement models with non-additive and non-Gaussian noises. Such applications traditionally force us to choose between inaccurate Gaussian assumptions that permit efficient algorithms (e.g., EnKF), or more accurate direct sampling methods which scale poorly with dimension (e.g., particle filters, or PF). We introduce a trimmed ensemble Kalman filter (TEnKF) which can interpolate between the limiting distributions of the EnKF and PF to facilitate adaptive control over both accuracy and efficiency. This is achieved by introducing a trimming function that removes non-Gaussian outliers that introduce errors in the correlation between the model and observed forecast, which otherwise prevent the EnKF from proposing accurate forecast updates. We show for specific trimming functions that the TEnKF exactly reproduces the limiting distributions of the EnKF and PF. We also develop an adaptive implementation which provides control of the effective sample size and allows the filter to overcome periods of increased model nonlinearity. This algorithm allow us to demonstrate substantial improvements over the traditional EnKF in convergence and robustness for the nonlinear Lorenz-63 and Lorenz-96 models.

研究の動機と目的

• ガウス分布仮定がバイアス推定を引き起こす非線形的・非ガウス的データ同調問題において、アンサンブルカルマンフィルタ（EnKF）の限界を是正すること。
• 高次元系では計算的に非現実的となるパーティクルフィルタ（PF）の課題を克服しつつ、非ガウス的状態でも精度を維持すること。
• トリミング機構を通じてEnKFとPFの極限分布の間を補間可能なフレームワークを構築すること。
• モデルの非線形性が増加する時期における有効アンサンブルサイズとフィルタリング性能の適応的制御を可能にすること。
• Lorenz-63およびLorenz-96などのベンチマーク非線形力学系において、提案手法の収束性とロバスト性の向上を実証すること。

提案手法

• 予測-観測共分散における非ガウス的外れ値を特定・除去するためのトリミング関数を導入し、EnKF更新ステップにおけるバイアスを低減する。
• 修正された結合確率密度関数（PDF）が極端な予測値を低重み化するように、シフトされた条件付き確率密度関数（PDF）の重み付き平均としてTEnKFを定式化する。
• 1パラメータのトリミング関数族を用いて、EnKF（ガウス近似）とパーティクルフィルタ（正確なベイズ後期分布）の極限分布の間を滑らかに補間する。
• 有効アンサンブルサイズに基づいて動的にトリミング閾値を調整する適応的トリミング戦略を実装し、一時的な非線形性に伴うロバスト性を維持する。
• 滑らかなモデル間隔における効率性の向上と、重要な状態のサンプリング強化を目的に、TEnKFに適応的アンサンブル拡張を組み込む。
• 特定のトリミング関数に対して、TEnKFが非ガウス的条件下でもEnKFおよびパーティクルフィルタの極限分布を正確に再現することを理論的に裏付けた。

実験結果

リサーチクエスチョン

• RQ1 パーティクルフィルタの計算コストを負担せずに、EnKFを強非線形性および非ガウス的ノイズに対応可能に系統的に改善できるか？
• RQ2 EnKFにおけるトリミング機構が、予測-観測相関の非ガウス的外れ値に起因するバイアスをどの程度低減できるか？
• RQ3 TEnKFがEnKFとパーティクルフィルタの極限分布の間を補間可能であり、計算効率と推定精度の間で調整可能なバランスを実現できるか？
• RQ4 適応的トリミングおよび有効アンサンブルサイズ制御は、Lorenz-96のような高次元非線形系におけるロバスト性をどのように向上させるか？
• RQ5 TEnKFフレームワーク内での適応的アンサンブル拡張は、非線形性が低い時期における効率性と収束性を向上させられるか？

主な発見

• 標準EnKFが失敗する非線形的・非ガウス的問題において、TEnKFは確立された真の後期分布への収束を回復させることに成功した。その有効性は確率的Lorenz-63モデルで実証された。
• 特定のトリミング関数に対して、TEnKFはブートストラップリサンプリングを用いたパーティクルフィルタの極限分布を正確に再現する。理論的基盤の妥当性が裏付けられた。
• 非ガウス的ノイズと強い非線形性下において、36次元のLorenz-96モデルにおいて、標準EnKFと比較してTEnKFは顕著なロバスト性と収束性の向上を達成した。
• トリミング関数および有効アンサンブルサイズの適応的制御により、TEnKFはモデル非線形性の変化に動的に応答でき、一時的な非線形領域でも性能を維持した。
• 適応的アンサンブル拡張の統合により、滑らかな期間における計算効率が向上したが、精度は損なわれなかった。
• 本手法は、重要度サンプリングやステアリング手法などの他の技術と組み合わせることで、さらに有効アンサンブルサイズを拡大し、非ガウス的外れ値の影響を低減可能である、柔軟なフレームワークを提供する。