[논문 리뷰] An Explicit Probabilistic Derivation of Inflation in a Scalar Ensemble Kalman Filter for Finite Step, Finite Ensemble Convergence

Andrey A. Popov, Adrian Sandu|arXiv (Cornell University)|2020. 03. 29.

Meteorological Phenomena and Simulations참고 문헌 19인용 수 10

한 줄 요약

이 논문은 스칼라 엔semble 칼만 필터(SPEnKF)에서 분산 팽창과 평균 보정의 확률적 유도를 제시하며, 이 조정 조치들이 유한한 엔셈블, 유한한 단계에서 진정한 칼만 필터로의 수렴을 위해 필요하다는 것을 보여준다. 이는 최적의 팽창 조건 하에서 SPEnKF의 기대 평균과 분산 추정치가 끝없이 유한한 시간과 유한한 엔셈블 크기에서 진정한 칼만 필터의 값과 정확히 일치함을 증명한다. 이는 히우리스틱 팽창 방법에 대한 원리에 기반한 대안을 제공한다.

ABSTRACT

This paper uses a probabilistic approach to analyze the converge of an ensemble Kalman filter solution to an exact Kalman filter solution in the simplest possible setting, the scalar case, as it allows us to build upon a rich literature of scalar probability distributions and non-elementary functions. To this end we introduce the bare-bones Scalar Pedagogical Ensemble Kalman Filter (SPEnKF). We show that in the asymptotic case of ensemble size, the expected value of both the analysis mean and variance estimate of the SPEnKF converges to that of the true Kalman filter, and that the variances of both tend towards zero, at each time moment. We also show that the ensemble converges in probability in the complementary case, when the ensemble is finite, and time is taken to infinity. Moreover, we show that in the finite-ensemble, finite-time case, variance inflation and mean correction can be leveraged to coerce the SPEnKF converge to its scalar Kalman filter counterpart. We then apply this framework to analyze perturbed observations and explain why perturbed observations ensemble Kalman filters underperform their deterministic counterparts.

연구 동기 및 목표

• 기존 연구가 점점 무한한 극한에만 집중한 바에 비해, 엔셈블 칼만 필터의 수렴을 유한한 엔셈블, 유한한 단계의 범위에서 엄밀하게 분석하는 것.
• 분산 팽창과 평균 보정을 명시적이고 최적의 보정으로 유도하여 SPEnKF 추정치가 진정한 칼만 필터와 정확히 일치하도록 보장하는 것.
• 유한한 엔셈블에서, 관측치를 흩뜨린 관측치를 사용하는 EnKF가 왜 성능이 열 劣하는지 설명하는 것.
• 모델 역학에 관계없이 시간이 지남에 따라 유한한 엔셈블 SPEnKF가 확률적으로 칼만 필터로 수렴함을 입증하는 것.
• 다변량 시스템으로의 최적의 팽창과 국소화의 일반화를 위한 기초를 마련하는 것.

제안 방법

• 스칼라 시스템을 위한 최소한의 분석 가능성이 있는 EnKF 변형인 스칼라 교육용 엔셈블 칼만 필터(SPEnKF)를 도입한다.
• 비초등 함수와 알려진 스칼라 분포를 사용하여 SPEnKF의 평균과 분산 추정치에 대한 정확한 확률 분포를 유도한다.
• 모멘트 방법과 최대 엔트로피 원리를 사용하여 엔셈블 통계량을 진정한 칼만 필터의 모멘트와 연결한다.
• 순차적이고 단계별로 분산 팽창과 평균 보정 인자를 유도하여 SPEnKF의 기대값이 칼만 필터의 평균과 분산을 정확히 일치시킨다.
• 이 프레임워크를 사용해 흩뜨린 관측치를 사용하는 EnKF를 분석하여, 관측 오차 분산의 제곱에 비례하는 추가적인 분산 항이 발생함을 보여준다.
• 모델 기저 변환과 슈어곱 국소화를 사용하여 다변량 경우로 확장하여, 과도한 샘플링이 필요한 정도를 줄임을 보여준다.

실험 결과

연구 질문

• RQ1 EnKF에서 분산 팽창을 명시적으로 유도할 수 있는가? 이는 유한한 엔셈블, 유한한 단계에서의 수렴을 위해 필수적인 보정 조치인가?
• RQ2 SPEnKF가 유한한 시간과 유한한 엔셈블 크기에서 진정한 칼만 필터로 수렴하도록 하는 정확한 순차적 팽창 인자와 평균 보정 인자는 무엇인가?
• RQ3 왜 흩뜨린 관측치를 사용하는 EnKF는 유한한 엔셈블 환경에서 결정론적 EnKF보다 성능이 열 劣하는가?
• RQ4 유한한 엔셈블 SPEnKF는 점점 무한한 엔셈블 크기 없이도 시간이 지남에 따라 확률적으로 칼만 필터로 수렴하는가?
• RQ5 이 프레임워크를 통해 슈어곱 국소화와 같은 국소화 기법이 과도한 샘플링이 필요한 정도를 원리적으로 줄일 수 있는가?

주요 결과

• 무한한 엔셈블 크기의 극한에서, SPEnKF의 기대 평균과 분산 추정치는 스칼라 칼만 필터의 값으로 정확히 수렴하며, 두 분산 모두 0으로 수렴한다.
• 유한한 엔셈블과 유한한 시간에서, 최적의 순차적 분산 팽창과 평균 보정 인자를 사용하면 SPEnKF의 기대 평균과 분산이 칼만 필터의 값과 정확히 일치한다.
• 유한한 엔셈블 SPEnKF는 모델 역학에 관계없이 시간이 지남에 따라 확률적으로 칼만 필터로 수렴하며, 이는 약한 수렴을 보여준다.
• 관측치를 흩뜨린 방식으로 사용하는 EnKF는 관측 오차 분산의 제곱에 비례하는 추가적인 분산 항을 도입하여, 이는 그들이 유한한 엔셈블에서 열 劣한 성능을 보이는 이유를 설명한다.
• 다변량 경우에서 슈어곱 국소화는 과도한 샘플링이 필요한 정도를 줄이며, 이는 팽창과 유사한 역할을 하여 추정치의 안정성을 높임을 시사한다.
• 이 프레임워크는 팽창에 대해 원리적인, 확률적인 기반을 제공하며, 팽창이 히우리스틱이 아니라 유한한 엔셈블, 유한한 단계 추정을 위해 필수적인 보정임을 보여준다.