[論文レビュー] A graph clustering approach to localization for adaptive covariance tuning in data assimilation based on state-observation mapping

Sibo Cheng, Jean‐Philippe Argaud+3 more|arXiv (Cornell University)|Jan 31, 2020

Meteorological Phenomena and Simulations参考文献 31被引用数 5

ひとこと要約

本稿では、線形化された状態-観測マッピングに基づき、自動的に状態変数および観測変数を最適なクラスタにグループ化することで、データ同化における誤差共分散行列の局所化を図るグラフクラスタリング手法を提案する。この手法により、事前の仮定を必要とせず、適応的かつクラスタ単位の共分散チューニングが可能となり、特にデータが限られた状況下でも、計算コストを低減し、グローバルチューニングに比べて精度を向上させる。観測作用素のヤコビ行列から導出される類似性グラフにおける非教師付きコミュニティ検出を活用することで実現される。

ABSTRACT

An original graph clustering approach to efficient localization of error covariances is proposed within an ensemble-variational data assimilation framework. Here the localization term is very generic and refers to the idea of breaking up a global assimilation into subproblems. This unsupervised localization technique based on a linearizedstate-observation measure is general and does not rely on any prior information such as relevant spatial scales, empirical cut-off radius or homogeneity assumptions. It automatically segregates the state and observation variables in an optimal number of clusters (otherwise named as subspaces or communities), more amenable to scalable data assimilation.The application of this method does not require underlying block-diagonal structures of prior covariance matrices. In order to deal with inter-cluster connectivity, two alternative data adaptations are proposed. Once the localization is completed, an adaptive covariance diagnosis and tuning is performed within each cluster. Numerical tests show that this approach is less costly and more flexible than a global covariance tuning, and most often results in more accurate background and observations error covariances.

研究の動機と目的

• 空間的または相関に基づく閾値に依存する従来の局所化手法の限界を解消すること。
• 事前の空間スケール、相関長、一様性に関する知識を必要としない、非教師付きでデータ駆動型の局所化技術を開発すること。
• グラフクラスタリングを用いてグローバル同化問題を部分問題に分解することで、スケーラブルで適応的な誤差共分散チューニングを可能にすること。
• 完全な分離性が稀な現実世界のシステムにおいて、相互クラスタ接続性をデータ適応戦略により処理すること。
• 高次元で産業スケールのデータ同化問題におけるバックグラウンドおよび観測誤差共分散推定の精度と効率を向上させること。

提案手法

• 観測作用素のヤコビ行列の絶対値を用いて、類似性グラフを構築し、線形化された状態-観測関係を表現する。
• 非教師付きグラフクラスタリングアルゴリズム（例：Fluid法）を適用し、この類似性グラフに基づいて状態変数および観測変数をコミュニティに分割する。
• 各クラスタ内で独立して適応的共分散チューニングを実行し、データが限られた状況ではDI01法を用いる。
• 共有観測の影響を軽減するために、2つのデータ適応戦略（データ削減およびデータ調整）を導入し、クラスタ間接続性を管理する。
• グラフ構造を用いて重複を最小限に抑えた部分問題を定義することで、スケーラビリティを向上させ、計算コストを低減する。
• 事前に定義された相関カーネルや空間的仮定に依存しない、|H|から導出される類似性指標に基づくクラスタリングを実施する。

実験結果

リサーチクエスチョン

• RQ1 状態-観測マッピングのグラフクラスタリングは、データ同化におけるヒューリスティックな局所化閾値を効果的に置き換えることができるか？
• RQ2 線形化された観測作用素に基づく非教師付きクラスタリングは、グローバル共分散チューニングと比較して、精度および計算コストの面でどのように異なるか？
• RQ3 この手法は、事前の構造的仮定なしに、非局所的観測やクラスタ間接続性をどの程度適切に処理できるか？
• RQ4 特に事前共分散推定が信頼できない状況下で、データが限られた場合に、この手法はどのように性能を発揮するか？
• RQ5 グローバルチューニングと比較して、クラスタ単位の適応的チューニングは、バックグラウンドおよび観測誤差共分散の推定をどのように改善するか？

主な発見

• グローバル共分散チューニングに比べて、問題をより小さな管理可能な部分問題に分解することで、計算コストを顕著に低減する。
• 特にデータが限られたDI01設定下では、バックグラウンドおよび観測誤差共分散推定の精度がグローバルチューニングを上回る。
• 空間パターンが隠されている場合でも、状態-観測マッピングに二重クラスタリング構造が存在する場合でも、この手法は頑健である。
• 同化問題がクラスタにうまく分離できる場合（部分問題間の重複が少ない場合）、この手法は最も効果を発揮する。
• クラスタ間接続性は、データ適応戦略により効果的に管理されるが、重複するクラスタが多数存在する場合には計算コストが増加する可能性がある。
• この手法は、線形または弱非線形系に対して最も効果的である。これは、線形化された観測作用素に依存しているためであり、強い非線形性を示す問題への拡張には繰り返しクラスタリングが必要となる可能性がある。