[논문 리뷰] A Brief Tutorial on the Ensemble Kalman Filter

Jan Mandel|ArXiv.org|2009. 01. 23.

Meteorological Phenomena and Simulations참고 문헌 30인용 수 53

한 줄 요약

이 튜토리얼은 칼만 필터의 몬테카를로 근사로서 앙상블 칼만 필터(EnKF)를 제시하며, 명시적인 공분산 행렬 대신 앙상블 상태의 표본 공분산을 사용한다. 이는 기후 및 지구물리학 모델과 같은 고차원 시스템에서 효율적인 데이터 융합을 가능하게 하며, 관측 오차와 칼만 이득을 포함한 선형 조합을 통해 앙상블을 업데이트한다. 비선형 관측 및 계산 효율성 향상의 확장도 포함되어 있다.

ABSTRACT

The ensemble Kalman filter (EnKF) is a recursive filter suitable for problems with a large number of variables, such as discretizations of partial differential equations in geophysical models. The EnKF originated as a version of the Kalman filter for large problems (essentially, the covariance matrix is replaced by the sample covariance), and it is now an important data assimilation component of ensemble forecasting. EnKF is related to the particle filter (in this context, a particle is the same thing as an ensemble member) but the EnKF makes the assumption that all probability distributions involved are Gaussian. This article briefly describes the derivation and practical implementation of the basic version of EnKF, and reviews several extensions.

연구 동기 및 목표

• 컴퓨터 과학 및 데이터 융합 분야의 연구자들이 이해하기 쉽게 앙상블 칼만 필터(EnKF)를 유도하는 데 목적이 있다.
• 기후학적 모델링과 같은 고차원 시스템에서 전체 공분산 행렬을 유지하고 조작하는 데 계산적으로 비현실적인 문제를 해결하는 데 목적이 있다.
• 행렬 비용 최소화 및 대규모 데이터 포인트 최적화와 같은 실용적인 구현 기법을 제시하여 확장성과 효율성을 향상시키는 데 목적이 있다.
• 표준 EnKF의 한계를 보완하기 위해 국소화, 형태 변형 EnKF, 비정규 분포 변형과 같은 핵심 확장을 검토하는 데 목적이 있다.
• EnKF의 가정, 구현 세부 사항, 계산적 트레이드오프를 명확히 하여 연구자들이 실세계 문제에 EnKF를 적용하는 데 지원하는 데 목적이 있다.

제안 방법

• EnKF는 상태의 확률 분포를 N개의 실현값(상태 벡터)으로 구성된 앙상블로 표현함으로써 칼만 필터를 근사한다. 이는 전체 공분산 행렬을 앙상블에서 계산된 표본 공분산으로 대체한다.
• 후행 앙상블은 공식 $\hat{X} = X + K(D - HX)$로 업데이트되며, 여기서 $K$는 칼만 이득 행렬, $X$는 사전 앙상블, $D$는 노이즈가 추가된 데이터의 복제, $H$는 관측 행렬이다.
• 효율적인 계산을 위해, 혁신 공분산 행렬의 역행렬을 포함하는 선형 시스템을 해결하기 위해 콜레스키 분해를 사용하여 수치적 안정성과 계산 비용을 개선한다.
• 관측 함수 $h(\mathbf{x}) = H\mathbf{x}$를 명시적으로 $H$를 구성하지 않고 사용함으로써, $H$에 대한 지식 없이도 구현이 가능해지며, 이는 관측의 앙상블 평균에서의 편차를 계산함으로써 $HA$를 계산함으로써 가능하다.
• 대규모 수의 관측 데이터가 있는 경우, 샤이먼-모리슨-우드베리 공식을 적용하여 큰 행렬의 역행렬을 피함으로써 계산 블로킹을 줄이고, 더 작은 시스템을 푸는 방식으로 성능을 향상시킨다.
• 확장 기법으로는 대규모 시스템에서 허구적 상관관계를 줄이기 위한 국소화, 공간 변형을 통한 일관된 특징을 처리하기 위한 형태 변형 EnKF, 그리고 정규 분포 가정을 완화하기 위해 혼합 모형 또는 밀도 추정 기법을 사용하는 비정규 분포 변형이 포함되어 있다.

실험 결과

연구 질문

• RQ1 전체 공분산 행렬의 저장 및 조작이 계산적으로 비현실적인 고차원 시스템에서 칼만 필터는 어떻게 적응시킬 수 있는가?
• RQ2 관측 행렬 $H$가 명시적으로 제공되지 않거나 너무 크기에 메모리에 저장할 수 없는 경우 EnKF를 어떻게 효율적으로 구현할 수 있는가?
• RQ3 수천 또는 수백만 개의 관측 데이터를 포함한 대규모 데이터 융합 문제에서 EnKF는 어떻게 최적화할 수 있는가?
• RQ4 선형 조합으로 포착되지 않는 비선형적 공간적 특징이나 비정규 분포를 처리하기 위해 EnKF는 어떻게 확장할 수 있는가?
• RQ5 EnKF 구현에서 콜레스키 분해와 샤이먼-모리슨-우드베리 공식을 사용할 경우 발생하는 계산적 트레이드오프와 수치적 이점은 무엇인가?

주요 결과

• EnKF는 전체 공분산 행렬을 앙상블에서 유도된 표본 공분산으로 대체함으로써 대기 및 해양 모델링과 같은 고차원 시스템에서 확장 가능한 데이터 융합을 가능하게 한다.
• 앙상블 업데이트 공식 $\hat{X} = X + K(D - HX)$는 정규 분포 가정 하에 타당한 후행 표본을 생성하며, 칼만 이득 $K$는 앙상블 통계에서 유도된다.
• 행렬 역행렬 계산에 콜레스키 분해를 사용하면 직접 역행렬 계산보다 수치적 정확도가 향상되고 계산 비용이 감소한다. 특히 대규모 시스템에서 유의미한 성능 향상이 있다.
• 행렬 비용 최소화 형식은 관측 행렬 $H$의 명시적 지식 없이도 EnKF를 구현할 수 있게 하며, 오직 관측 함수 $h(\mathbf{x}) = H\mathbf{x}$에 의존한다. 이는 많은 애플리케이션에서 더 자연스럽다.
• 대규모 데이터 세트에서는 샤이먼-모리슨-우드베리 공식을 통해 큰 행렬의 역행렬을 작은 시스템의 해법으로 대체함으로써 효율적인 계산이 가능해지며, $m \gg n$ 조건에서 성능 향상이著명하다.
• 국소화 및 형태 변형 EnKF와 같은 확장 기법은 허구적 상관관계를 줄이고 공간 변형을 가능하게 하여 실제 시나리오에서 성능을 향상시키며, 정규 분포 가정 하에서도 유용하다.