[논문 리뷰] A retrieval strategy for interactive ensemble data assimilation

Ross N. Hoffman|arXiv (Cornell University)|2010. 09. 08.

Meteorological Phenomena and Simulations참고 문헌 13인용 수 5

한 줄 요약

이 논문은 평균화 핵심함수(AK), 추정 오차 공분산, 사전 정보를 활용하여 추정된 대기 프로파일을 이용해 관측값을 편향 없고 상관관계가 없으며 사전 정보에 영향을 받지 않는 데이터로 변환하는 리트리ieval 기반 데이터 통합 전략을 제안한다. AK와 EOF를 활용함으로써 데이터 양을 줄이고, 스무딩 오차를 제거하며, 개선된 수직 보간과 오차 특성화를 가능하게 하는 상호작용적이고 모odu러한 통합을 실현한다.

ABSTRACT

As an alternative to either directly assimilating radiances or the naive use of retrieved profiles (of temperature, humidity, aerosols, and chemical species), a strategy is described that makes use of the so-called averaging kernel (AK) and other information from the retrieval process. This AK approach has the potential to improve the use of remotely sensed observations of the atmosphere. First, we show how to use the AK and the retrieval noise covariance to transform the retrieved quantities into observations that are unbiased and have uncorrelated errors, and to eliminate both the smoothing inherent in the retrieval process and the effect of the prior. Since the effect of the prior is removed, any prior, including the forecast from the data assimilation cycle can be used. Then we show how to transform this result into EOF space, when a truncated EOF series has been used in the retrieval process. This provides a degree of data compression and eliminates those transformed variables that have very small information content. In both approaches a vertical interpolation from the dynamical model coordinate to the radiative transfer coordinate is required. We define an algorithm using the EOF representation to optimize this vertical interpolation

연구 동기 및 목표

• 고주기 채널 수, 오차 상관관계, 스펙트로스코픽 및 지표면 발산도 편향에 민감한 직접 복사강도 통합의 한계를 해결하기 위해.
• 원시 복사강도 대신 추정값을 사용하는 모듈러한 데이터 통합 프레임워크를 개발하여 복잡성을 줄이고 계산 효율성을 향상시키기 위해.
• 평균화 핵심함수와 적절한 오차 공분산 변환을 통해 추정값에서 사전 정보와 스무딩 오차의 영향을 제거하기 위해.
• 앙상블 예측을 배경으로 사용해 사전 정보를 실시간으로 동적으로 업데이트할 수 있도록 하여 상호작용적 통합을 가능하게 하기 위해.
• 절단된 표현을 사용해 관측값을 EOF 공간으로 변환함으로써 수직 보간 오차와 데이터 양을 줄이기 위해.

제안 방법

• 평균화 핵심함수(A)와 추정 노이즈 공분산(S_m)을 사용해 추정 프로파일을 편향 없는 관측값으로 변환함으로써 오차의 상관관계를 제거하고 사전 영향을 제거한다.
• 관측 품질 제어를 위해 Desroziers 등(2005)의 편향 보정 방법을 적용하여 배경 복사강도(y_b)와 시뮬레이션 관측값(y_A)을 계산한다.
• EOF를 사용해 데이터를 압축하고 차원을 감소시키며, EOF 기저(E)와 기후 평균(x̄)을 통해 추정값을 축소된 공간(α)으로 변환한다.
• 모델과 추정 좌표 간의 보간 오차를 최소화하기 위해 EOF 표현에서 수직 보간 연산자(α)를 구성한다.
• A와 S_m을 계산하기 위한 세 가지 경로를 구현한다: K, S_a, S_ε에서 계산; S_a와 Ŝ에서 계산; 또는 Ŝ와 A에서 계산하며, 후자 두 경로는 데이터 전송 요구량을 줄인다.
• 변환된 관측값(ŷ_A)과 그 민감도 행렬(A_R)을 앙상블 칼만 필터(LETKF) 프레임워크에 통합하며, A_R을 국소화 및 수직 가중치에 사용한다.

실험 결과

연구 질문

• RQ1 적절한 오차 특성화와 평균화 핵심함수를 갖춘 추정값이 원시 복사강도를 대체하여 앙상블 데이터 통합에 활용될 수 있는가? 정확도를 유지하면서 계산 부담을 줄일 수 있는가?
• RQ2 데이터 통합 시스템에서 추정값의 사전 정보와 스무딩 오차의 영향을 체계적으로 제거할 수 있는 방법은 무엇인가?
• RQ3 정보량이 낮은 변수를 제거하면서도 정보 내용을 손상시키지 않고 추정값 데이터를 EOF로 압축하는 최적의 방법은 무엇인가?
• RQ4 EOF 기반 수직 보간은 모델과 추정 그리드 간의 수직 좌표 매핑 오차를 줄일 수 있는가?
• RQ5 추정 과정을 모듈러하고 상호작용적으로 만들 수 있는가? 특히 앙상블 예측에서 유도된 사전 정보를 실시간으로 업데이트할 수 있는가?

주요 결과

• 평균화 핵심함수와 추정 오차 공분산을 활용함으로써 추정 프로파일이 편향 없고 상관관계가 없는 관측값으로 성공적으로 변환되었으며, 스무딩 오차와 사전 편향이 모두 제거되었다.
• A와 S_m을 계산하는 두 번째 및 세 번째 경로를 사용함으로써 데이터 전송 요구량이 감소하였으며, 추정 상태와 그 오차 공분산만 추정 시스템에서 통합 시스템으로 전달하면 된다.
• EOF 기반 압축은 데이터 양을 줄이고 정보량이 낮은 변수를 제거함으로써 계산 효율성을 향상시키며, 물리적으로 의미 있는 성분에 집중하게 한다.
• 제안된 EOF 기반 수직 보간(α를 통한)은 물리적으로 일관된 변환을 통해 모델과 추정 좌표 체계를 일치시킴으로써 보간 오차를 크게 감소시켰다.
• 사전 정보가 앙상블 평균 예측에서 실시간으로 동적으로 업데이트되는 상호작용적 통합이 가능해져 적응성과 정확도가 향상되었다.
• Desroziers 편향 보정 기법을 통해 배경 복사강도(y_b)와 시뮬레이션 관측값(y_A)을 계산할 수 있어 관측 오차 추정이 향상되었다.