[논문 리뷰] Trimmed Ensemble Kalman Filter for Nonlinear and Non-Gaussian Data Assimilation Problems

Weixuan Li, W. Steven Rosenthal외 1명|arXiv (Cornell University)|2018. 08. 15.

Meteorological Phenomena and Simulations참고 문헌 9인용 수 5

한 줄 요약

이 논문은 예측-관측 상관관계 내 비정규성 외곽치를 제거하기 위해 트리밍 함수를 적용함으로써 비선형성 및 비정규성 환경에서 EnKF의 강건성을 향상시키는 새로운 데이터 융합 방법인 트리밍드 엔semble 칼만 필터(TEnKF)를 소개한다. TEnKF는 EnKF와 입자 필터의 극한 분포 사이를 보간함으로써 정확성과 효율성 간의 적응적 트레이드오프를 가능하게 하며, 표준 EnKF에 비해 로렌츠-63 및 로렌츠-96 모델에서 더 뛰어난 수렴성과 강건성을 보여준다.

ABSTRACT

We study the ensemble Kalman filter (EnKF) algorithm for sequential data assimilation in a general situation, that is, for nonlinear forecast and measurement models with non-additive and non-Gaussian noises. Such applications traditionally force us to choose between inaccurate Gaussian assumptions that permit efficient algorithms (e.g., EnKF), or more accurate direct sampling methods which scale poorly with dimension (e.g., particle filters, or PF). We introduce a trimmed ensemble Kalman filter (TEnKF) which can interpolate between the limiting distributions of the EnKF and PF to facilitate adaptive control over both accuracy and efficiency. This is achieved by introducing a trimming function that removes non-Gaussian outliers that introduce errors in the correlation between the model and observed forecast, which otherwise prevent the EnKF from proposing accurate forecast updates. We show for specific trimming functions that the TEnKF exactly reproduces the limiting distributions of the EnKF and PF. We also develop an adaptive implementation which provides control of the effective sample size and allows the filter to overcome periods of increased model nonlinearity. This algorithm allow us to demonstrate substantial improvements over the traditional EnKF in convergence and robustness for the nonlinear Lorenz-63 and Lorenz-96 models.

연구 동기 및 목표

• 비정규성 가정이 편향된 추정을 초래하는 비선형성 및 비정규성 데이터 융합 문제에서 엔셈블 칼만 필터(EnKF)의 한계를 해결하기 위해.
• 고차원 시스템에서 입자 필터(PF)의 계산 비용이 지나치게 높아져 실행이 불가능한 문제를 해결하면서도 비정규 영역에서 정확성을 유지하기 위해.
• 트리밍 메커니즘을 통해 EnKF와 PF 사이의 극한 분포를 보간할 수 있는 프레임워크를 개발하기 위해.
• 모델 비선형성이 증가하는 동안 효과적 샘플 크기와 필터링 성능에 대한 적응적 제어를 가능하게 하기 위해.
• 로렌츠-63 및 로렌츠-96과 같은 벤치마크 비선형 동역학계에서 제안된 방법의 향상된 수렴성과 강건성을 입증하기 위해.

제안 방법

• 예측-관측 상관관계 내 비정규성 외곽치를 식별하고 제거하기 위해 트리밍 함수를 도입하여 EnKF 업데이트 단계의 편향을 감소시킴.
• 수정된 공동 밀도 함수를 통해 극한값을 가중치를 낮춘 이동 조건부 밀도함수(pdf)의 가중 평균으로 TEnKF를 수식화함.
• EnKF의 극한 분포(가우시안 근사)와 입자 필터의 극한 분포(정확한 베이지안 사후분포) 사이를 부드럽게 보간할 수 있는 일파라미터 트리밍 함수 가중치를 사용함.
• 효율적 엔셈블 크기에 기반하여 트리밍 임계값을 동적으로 조정하는 적응형 트리밍 전략을 구현하여 일시적인 비선형성 동안 강건성을 유지함.
• 부드러운 모델 간격 동안 효율성을 향상시키고 중요한 상태의 샘플링을 강화하기 위해 TEnKF에 적응형 엔셈블 증강을 통합함.
• 특정 트리밍 함수에 대해 이론적으로 TEnKF가 비정규 조건 하에서 EnKF와 PF의 극한 분포를 정확히 재현함을 입증함.

실험 결과

연구 질문

• RQ1 입자 필터의 계산 비용을 감수하지 않고도 EnKF를 체계적으로 개선하여 강한 비선형성과 비정규성 노이즈를 다룰 수 있는가?
• RQ2 EnKF 내 트리밍 메커니즘이 예측-관측 상관관계 내 비정규성 외곽치로 인한 편향을 어느 정도 감소시킬 수 있는가?
• RQ3 TEnKF가 EnKF와 입자 필터의 극한 분포 사이를 보간함으로써 계산 효율성과 추정 정확성 간의 조절 가능한 균형을 달성할 수 있는가?
• RQ4 적응형 트리밍과 효과적 샘플 크기 제어는 로렌츠-96과 같은 고차원 비선형 시스템에서 강건성을 어떻게 향상시키는가?
• RQ5 TEnKF 프레임워크 내 적응형 엔셈블 증강은 비선형성이 낮은 기간 동안 효율성과 수렴성을 어떻게 향상시킬 수 있는가?

주요 결과

• 표준 EnKF가 실패하는 비선형성 및 비정규성 문제에서 TEnKF는 스트로스틱 로렌츠-63 모델을 통해 진짜 사후분포로의 수렴을 성공적으로 복원함.
• 특정 트리밍 함수에 대해 TEnKF는 부트스트랩 리샘플링을 사용한 입자 필터의 극한 분포를 정확히 재현함으로써 이론적 기반을 검증함.
• 비정규성 노이즈와 강한 비선형성 하에서 36차원 로렌츠-96 모델에서 표준 EnKF에 비해 TEnKF가 강건성과 수렴성에서 뚜렷한 향상을 보임.
• 트리밍 함수와 효과적 엔셈블 크기의 적응적 제어는 모델 비선형성 변화에 동적으로 대응할 수 있게 하여 일시적인 비선형 영역에서도 성능을 유지함.
• 적응형 엔셈블 증강의 통합은 정확도를 희생시키지 않고 부드러운 간격 동안 계산 효율성을 향상시킴.
• 이 방법은 중요 표본 추출 또는 조정 기법과 같은 다른 기법들과의 통합이 가능하여 효과적 엔셈블 크기를 더욱 증가시키고 비정규성 외곽치 영향을 줄일 수 있는 유연한 프레임워크를 제공함.