[논문 리뷰] Multilevel Ensemble Kalman Filtering with local-level Kalman gains.

Håkon Hoel, Gaukhar Shaimerdenova외 1명|arXiv (Cornell University)|2020. 02. 02.

Meteorological Phenomena and Simulations참고 문헌 3인용 수 7

한 줄 요약

이 논문은 선형이고 노이즈가 있는 관측값을 가진 이산 시간 필터링 문제에서 계산 효율성과 정확도를 향상시키기 위해 국소 수준의 칼만 이득을 사용하는 새로운 다수준 앙상블 칼만 필터링 방법(MLEnKF)을 제안한다. 정규성 가정 하에, 대규모 앙상블 및 저해상도 근사의 극한에서 MLEnKF는 표준 EnKF보다 더 나은 渐近적 복잡도를 달성한다.

ABSTRACT

We introduce a new multilevel ensemble Kalman filtering method (MLEnKF) which consists of a hierarchy of samples of the ensemble Kalman filter method (EnKF) using local-level Kalman gains. This new MLEnKF method is fundamentally different from the preexisting method introduced by Hoel, Law and Tempone in 2016, and it is also suitable for extensions towards multi-index Monte Carlo based filtering methods. Robust theoretical analysis and supporting numerical examples show that under appropriate regularity assumptions, the MLEnKF method has better complexity asymptotically, in the large-ensemble and small-numerical-resolution limit, for weak approximations of quantities of interest than EnKF. The method is developed for discrete-time filtering problems with a finite-dimensional state space and partial, linear observations polluted by additive Gaussian noise.

연구 동기 및 목표

• 대규모 앙상블 및 저해상도 상황에서 표준 앙상블 칼만 필터링(EnKF)의 계산 비효율성을 해결한다.
• 이전의 다수준 EnKF 접근법의 한계를 극복하기 위해 국소 수준의 칼만 이득을 도입하여 정확도와 수렴성을 향상시킨다.
• 향후 확장성을 고려해 다중색인 몬테카를로 확장과 호환되는 프레임워크를 개발한다.
• 약한 근사에서 관심 있는 양의 이론적 복잡도 우월성을 확립한다.
• 부분적이고 선형적이며, 가우시안 노이즈가 첨가된 관측값을 가진 유한 차원 상태 공간 문제에서의 안정성과 적용 가능성 보장

제안 방법

• 다양한 해상도와 앙상블 크기를 갖는 앙상블 칼만 필터 샘플의 계층을 구성한다.
• 각 수준에서 국소 관측 정보를 바탕으로 상태 추정을 정밀화하기 위해 국소 수준의 칼만 이득을 도입한다.
• 전반적인 계산 비용을 줄이면서도 정확도를 유지하기 위해 다수준 분산 분해 전략을 사용한다.
• 각 수준에서 관심 있는 양의 기대값을 평가하기 위해 약한 근사 프레임워크를 적용한다.
• 계층적 샘플링과 이득 구조를 통해 다중색인 몬테카를로 방법과의 호환성을 확보한다.
• 이론적 정규성 가정을 활용하여 수렴성과 복잡도 향상을 보장한다.

실험 결과

연구 질문

• RQ1 국소 수준의 칼만 이득을 갖는 다수준 앙상블 칼만 필터는 약한 근사에서 표준 EnKF보다 더 나은 渐近적 복잡도를 달성할 수 있는가?
• RQ2 국소 수준의 이득 사용이 부분적이고 선형적이며 노이즈가 있는 관측값을 가진 필터링에서 정확도와 효율성을 어떻게 향상시키는가?
• RQ3 제안된 MLEnKF는 어느 정도까지 다중색인 몬테카를로 필터링 프레임워크로 확장될 수 있는가?
• RQ4 약한 근사 하에서 MLEnKF의 안정성과 수렴성을 보장하는 이론적 조건은 무엇인가?
• RQ5 기존 EnKF 변종과 비교해 대규모 앙상블 및 낮은 수치 해상도 근사 근처에서 이 방법은 어떻게 성능을 발휘하는가?

주요 결과

• 적절한 정규성 가정 하에, 관심 있는 양의 약한 근사에서 MLEnKF는 표준 EnKF보다 더 나은 渐近적 복잡도를 달성한다.
• 국소 수준의 칼만 이득 사용은 정확도를 향상시키고, 다수준 샘플 간의 분산 감소를 더욱 효율적으로 가능하게 한다.
• 2016년 Hoel, Law, 및 Tempone의 다수준 EnKF와는 본질적으로 다릅니다. 이는 이론적 및 실용적 확장성에서 향상된 성능을 제공한다.
• 수치 예제는 대규모 앙상블 및 저해상도 영역에서 이론적 복잡도 우월성을 확인한다.
• 이 프레임워크는 자연스럽게 다중색인 몬테카를로 필터링으로 확장 가능하며, 추가적인 계산적 이점을 제공한다.
• 이 방법은 유한 차원 상태와 선형적이며, 가우시안 노이즈가 첨가된 관측값을 가진 이산 시간 필터링 문제에서 안정적인 성능을 유지한다.