[논문 리뷰] What limits the number of observations that can be effectively assimilated by EnKF?

Daisuke Hotta, Yoichiro Ota|arXiv (Cornell University)|2020. 05. 31.

Meteorological Phenomena and Simulations참고 문헌 53인용 수 24

한 줄 요약

이 논문은 관측 수가 앙상블 크기를 초과할 경우 앙상블 칼만 필터(EnKF)가 신호의 자유도(DFS)로 정량화된 바탕으로 관측에서 정보를 추출하는 데 본질적으로 제한됨을 보여준다. 기초적인 선형 대수학을 통해 저자들은 DFS가 앙상블 크기 이하로 제한됨을 증명하며, 너무 많은 관측치를 융합할 경우 분석 분산이 부족해지는(과신) 현상이 발생함을 밝혀내고, 이는 공분산 확장이 필수적임을 시사한다. 본 연구는 또한 B-국소화가 R-국소화보다 이 문제를 더 효과적으로 완화함을 보이며, LETKF 시스템에서 놀라운 행동 양식을 정량적으로 설명한다.

ABSTRACT

The ability of ensemble Kalman filter (EnKF) algorithms to extract information from observations is analyzed with the aid of the concept of the degrees of freedom for signal (DFS). A simple mathematical argument shows that DFS for EnKF is bounded from above by the ensemble size, which entails that assimilating much more observations than the ensemble size automatically leads to DFS underestimation. Since DFS is a trace of the posterior error covariance mapped onto the normalized observation space, underestimated DFS implies overconfidence (underdispersion) in the analysis spread, which, in a cycled context, requires covariance inflation to be applied. The theory is then extended to cases where covariance localization schemes (either B-localization or R-localization) are applied to show how they alleviate the DFS underestimation issue. These findings from mathematical argument are demonstrated with a simple one-dimensional covariance model. Finally, the DFS concept is used to form speculative arguments about how to interpret several puzzling features of LETKF previously reported in the literature such as why using less observations can lead to better performance, when optimal localization scales tend to occur, and why covariance inflation methods based on relaxation to prior information approach are particularly successful when observations are inhomogeneously distributed. A presumably first application of DFS diagnostics to a quasi-operational global EnKF system is presented in Appendix.

연구 동기 및 목표

• 대량의 관측치를 융합할 때 EnKF의 정보 추출 능력에 대한 본질적 한계를 이해하는 것.
• EnKF에서 자유도(DFS)에 영향을 미치는 앙상블 크기의 역할을 정량화하는 것.
• 고밀도 관측 환경에서 공분산 확장과 국소화가 필요한 이유를 설명하는 것.
• LETKF에서 관찰되는 의심스러운 행동 양식(예: 관측 수가 적을수록 성능이 높은 현상)에 대한 이론적 근거를 제공하는 것.

제안 방법

• 기초적인 선형 대수학을 사용하여 EnKF에서 DFS의 상한을 유도하며, DFS ≤ 앙상블 크기임을 보여준다.
• DFS를 정규화된 관측 공간에서의 영향 행렬의 트레이스로 표현한다.
• ETKF와 LETKF에 DFS 프레임워크를 적용하여 B-국소화와 R-국소화의 영향을 분석한다.
• 일차원 공분산 모델을 사용하여 관측 수와 국소화 스케일이 다양할 경우 DFS의 행동 양식을 시연한다.
• 이론을 확장하여 이전 LETKF 연구에서 관찰된 직관에 어긋나는 결과를 DFS 기반 진단으로 설명한다.
• 이론적 발견을 검증하기 위해 준운영적 글로벌 EnKF 시스템에 DFS 진단을 적용한다.

실험 결과

연구 질문

• RQ1 EnKF가 효과적으로 융합할 수 있는 관측 수에 어떤 제한이 있는가?
• RQ2 관측 수가 앙상블 크기를 초과할 경우 DFS가 왜 과소평가되는가?
• RQ3 B-국소화와 R-국소화는 DFS 과소평가와 분석 과신 현상에 어떻게 영향을 미치는가?
• RQ4 왜 더 적은 수의 관측치를 사용할 때 종종 EnKF 성능이 향상되는가?
• RQ5 왜 우선 상태로의 회귀 확장 방법은 비균일한 관측 분포에서 특히 효과적인가?

주요 결과

• EnKF에서 DFS는 앙상블 크기로 엄격하게 상한선을 가진다. 즉, 앙상블 구성원 수를 초과하는 관측치를 융합할 경우 반드시 DFS 과소평가가 발생한다.
• DFS 과소평가는 분석 과신(분산 부족)을 의미하며, 이는 순환 시스템에서 공분산 확장을 필수적으로 요구한다.
• 특히 고밀도 관측 지역에서 B-국소화는 R-국소화보다 DFS 과소평가를 더 효과적으로 완화한다.
• EnKF에서 최적의 국소화 스케일은 분석 오차를 최소화하는 데서가 아니라 DFS 과소평가를 최소화하는 데 연결된다.
• 우선 상태로의 회귀 확장 방법은 고밀도 지역에서 DFS 과소평가를 상쇄하기 때문에, 비균일한 관측 분포에서 효과적이다.
• 준운영적 글로벌 EnKF 시스템은 밀도 높은 인공위성 복사 강도에 대해 DFS 값이 4DVar에 비해 한 단계 낮다는 것을 확인하며 이론적 한계를 확인한다.