[논문 리뷰] Stability of Filters for the Navier-Stokes Equation

Charles Brett, Kei Fong Lam외 4명|arXiv (Cornell University)|2011. 10. 11.

Meteorological Phenomena and Simulations참고 문헌 27인용 수 7

한 줄 요약

이 논문은 2차원 비압축성 나비에-스토크스 방정식에서 PDE 기반 프레임워크를 사용하여 필터 안정성에 대한 이론적 조건을 수립한다. 관측 노이즈가 작고 관측 공간이 불안정 모드를 포함할 경우, 수단적 가우시안 필터가 진짜 신호를 정확히 추적할 수 있음을 보여준다. 핵심 결과는 관측 공간이 낮은 차원의 불안정 모드를 충분히 포함할 경우, 소음이 작아지는 극한에서 필터 안정성이 달성된다는 것이다. 이는 다양한 노이즈 수준과 관측 주기 범위에서 수치적 검증을 통해 입증되었다.

ABSTRACT

Data assimilation methodologies are designed to incorporate noisy observations of a physical system into an underlying model in order to infer the properties of the state of the system. Filters refer to a class of data assimilation algorithms designed to update the estimation of the state in a on-line fashion, as data is acquired sequentially. For linear problems subject to Gaussian noise filtering can be performed exactly using the Kalman filter. For nonlinear systems it can be approximated in a systematic way by particle filters. However in high dimensions these particle filtering methods can break down. Hence, for the large nonlinear systems arising in applications such as weather forecasting, various ad hoc filters are used, mostly based on making Gaussian approximations. The purpose of this work is to study the properties of these ad hoc filters, working in the context of the 2D incompressible Navier-Stokes equation. By working in this infinite dimensional setting we provide an analysis which is useful for understanding high dimensional filtering, and is robust to mesh-refinement. We describe theoretical results showing that, in the small observational noise limit, the filters can be tuned to accurately track the signal itself (filter stability), provided the system is observed in a sufficiently large low dimensional space; roughly speaking this space should be large enough to contain the unstable modes of the linearized dynamics. Numerical results are given which illustrate the theory. In a simplified scenario we also derive, and study numerically, a stochastic PDE which determines filter stability in the limit of frequent observations, subject to large observational noise. The positive results herein concerning filter stability complement recent numerical studies which demonstrate that the ad hoc filters perform poorly in reproducing statistical variation about the true signal.

연구 동기 및 목표

• 고차원 데이터 융합에서 사용되는 수단적 필터의 안정성을 분석하는 것, 특히 기후학적 유체역학에서의 적용을 대상으로 한다.
• 무한차원 설정에서 3DVAR와 같은 필터에 대한 엄밀한 이론적 이해의 부족을 해결하는 것.
• 나비에-스토크스 시스템의 진짜 상태를 필터가 정확히 추적할 수 있는 조건을 설정하는 것.
• 유한차원 필터링 이론과 무한차원 PDE 모델 간의 다리를 놓고 메쉬 정밀도 향상에 대한 견고성을 확보하는 것.
• 이전 연구에서 통계적 변동성 재현에 실패함을 보여주었지만, 특정 조건 하에서 필터의 평균 추적 정확도를 입증함으로써 이를 보완하는 것.

제안 방법

• 2차원 비압축성 나비에-스토크스 방정식에 대해 함수 공간에서 잘 정의된 역문제로 필터링 문제를 수립한다.
• 변분 원리와 힐버트 공간 내 베이지안 근사 방법을 통해 근사 가우시안 필터(예: 3DVAR)를 유도한다.
• 무한차원 동역학계의 안정성 분석 및 결정 모드 이론의 기법을 적용한다.
• 에너지 추정과 $L^2$ 노름에서 신호와 추정기 간 오차의 경계를 통해 필터 안정성을 확립한다.
• 빈도가 높고 노이즈가 있는 관측 조건에서 필터 거동을 기술하는 스토하스틱 PDE(SPDE)와 극한 PDE를 유도한다.
• 다양한 노이즈 수준, 관측 빈도, 파rameter 범위에서 이론적 결과를 수치 시뮬레이션을 통해 검증한다.

실험 결과

연구 질문

• RQ1 관측 노이즈가 존재하는 2차원 나비에-스토크스 방정식에서 가우시안 필터가 진짜 상태를 정확히 추적할 수 있는 조건은 무엇인가?
• RQ2 관측 공간의 차원성과 구조는 필터 안정성에 어떤 영향을 미치는가?
• RQ3 선형화된 동역학의 불안정 모드는 필터 수렴 가능성을 어떻게 뒷받침하는가?
• RQ4 관측 노이즈의 빈도와 크기가 빈번한 관측 조건에서 필터 성능에 어떤 영향을 미치는가?
• RQ5 고주파, 고노이즈 관측 조건에서 필터 안정성을 특성화할 수 있는 PDE 또는 SPDE를 유도할 수 있는가?

주요 결과

• 관측 노이즈가 작을 경우, 선형화된 나비에-스토크스 동역학의 불안정 모드를 포함하는 관측 공간이 존재하면 필터 안정성이 입증된다.
• 소음이 작을 경우($\sigma_0 = 0.005$), 필터는 $O(1)$ 오차 감소를 달성하고 신호를 정확히 추적한다. 특히 $\beta=1$일 경우 고모드 변동성의 빠른 감쇠가 나타나는 것으로 보인다.
• $\omega=100$ 이고 $\sigma_0=0.05$일 경우, $\beta=0$이면 고모드에 대해 동기화가 실패하지만, $\beta=1$일 경우 성공함을 보여, 노이즈 스케일링의 중요성을 입증한다.
• 빈도가 높은 관측($r<1$)의 극한에서, $\omega = O(100)$일 경우 기계 정밀도 수준의 지수 수렴이 달성되며, $\omega = O(1)$일 경우 불안정한 행동을 보인다.
• 중간 수준의 $\omega$(예: $\omega=10$ 또는 $30$)에서는 추정기가 유한하게 유지되지만 동기화되지 않거나, 동기화에 접근하는 경우가 있어 전이 영역임을 나타낸다.
• 수치 결과는 이론적 예측을 확인하며, 필터 성능이 노이즈 크기, 관측 빈도, 스케일링 파rameter $\beta$에 매우 민감하게 영향을 받는다는 점을 보여준다.