[논문 리뷰] A Stochastic Covariance Shrinkage Approach in Ensemble Transform Kalman Filtering

Andrey A. Popov, Adrian Sandu외 2명|arXiv (Cornell University)|2020. 02. 29.

Meteorological Phenomena and Simulations인용 수 6

한 줄 요약

이 논문은 기상학적 공분산 행렬에서 유도된 합성 집단 구성원을 생성함으로써 집단 부분공간과 변환을 향상시키는 스토하스틱 공분산 수축 방법을 제안한다. 이 방법은 ETKF에 통합된 L-Shr-ETKF로 명명되며, 관측 오차가 높은 환경에서 최신 기술인 LETKF를 뛰어넘으며, 단지 N=4개의 동역학적 구성원으로도 분석 오차를 관측 오차 수준으로 낮추고 오차 변동성을 감소시킨다.

ABSTRACT

The Ensemble Kalman Filters (EnKF) employ a Monte-Carlo approach to represent covariance information, and are affected by sampling errors in operational settings where the number of model realizations is much smaller than the model state dimension. To alleviate the effects of these errors EnKF relies on model-specific heuristics such as covariance localization, which takes advantage of the spatial locality of correlations among the model variables. This work proposes an approach to alleviate sampling errors that utilizes a locally averaged-in-time dynamics of the model, described in terms of a climatological covariance of the dynamical system. We use this covariance as the target matrix in covariance shrinkage methods, and develop a stochastic covariance shrinkage approach where synthetic ensemble members are drawn to enrich both the ensemble subspace and the ensemble transformation. We additionally provide for a way in which this methodology can be localized similar to the state-of-the-art LETKF method, and that for a certain model setup, our methodology significantly outperforms it.

연구 동기 및 목표

• 부족한 집단으로 인한 샘플링 오차를 해결하기 위해.
• 집합 기반 자료 융합에서 공분산 추정치의 질과 랭크를 향상시키기 위해.
• 집단 부분공간과 변환을 향상시키는 스토하스틱이고 국소화된 공분산 수축의 변형을 개발하기 위해.
• 다양한 동역학 모델에서 최신 기술인 LETKF와의 성능을 평가하기 위해.
• 관측 노이즈가 높은 상황에서 최소한의 동역학적 집단 크기로 강인한 자료 융합을 가능하게 하기 위해.

제안 방법

• 장기적인 모델 동역학에서 유도된 기상학적 공분산 행렬을 수축의 대상으로 사용한다.
• 대상 공분산을 가진 다변량 정규분포에서 유도된 합성 집단 구성원을 사용하여 물리적 집단을 풍부하게 한다.
• 향상된 집단은 ETKF 프레임워크를 통해 처리되어, 수축 기반의 공분산 추정치를 효과적으로 근사한다.
• 국소화된 버전인 L-Shr-ETKF는 Gaspari-Cohn 함수와 π/5의 대서구 반경을 사용하여 LETKF와 유사한 국소화를 적용한다.
• 수축 계수 γ는 수동 최적화를 통해 조정되며, 필터의 안정성을 확보하기 위해 확산 조치가 적용된다.
• 이 방법은 Lorenz '96, 준지구학적, 그리고 구상에 있는 얕은 수면 모델 세 가지에서 평가된다.

실험 결과

연구 질문

• RQ1 기상학적 공분산 행렬에서 유도된 합성 집단 구성원은 집합 기반 공분산 추정치의 랭크와 정확도를 향상시킬 수 있는가?
• RQ2 관측 오차가 높은 환경에서 제안된 L-Shr-ETKF의 성능은 LETKF와 어떻게 비교되는가?
• RQ3 스토하스틱 수축 접근법은 오차 변동성을 감소시키고 소규모 집단에서 관측 오차 수준의 분석 정확도를 달성할 수 있는가?
• RQ4 어떤 동역학적 환경에서 L-Shr-ETKF는 LETKF를 능가하는가?
• RQ5 이 방법은 효과적으로 국소화되어 운영 자료 융합 시스템에 통합될 수 있는가?

주요 결과

• 구상에 있는 얕은 수면 모델에서 L-Shr-ETKF는 단지 N=4개의 동역학적 집단 구성원으로도 관측 오차(100)와 동일한 분석 루트 평균 제곱 오차(RMSE)를 달성하였다.
• L-Shr-ETKF는 모든 집단 크기 N≥4에서 관측 오차 이하의 분석 오차를 기록하였고, LETKF는 N=40일 때조차도 관측 오차를 초과하였다.
• 독립적인 실행 간에 L-Shr-ETKF는 LETKF에 비해 상당히 낮은 오차 변동성을 보였다. 반면 LETKF는 오차 성능에서 높은 변동성을 보였다.
• 관측 오차가 높은 환경에서 L-Shr-ETKF는 LETKF를 능가하였으며, 최소한의 동역학적 집단 크기로도 강인성과 안정성을 확보하였다.
• 이 방법은 관측 노이즈가 높고 집단 크기가 제한된 상황에서 운영 LETKF의 구현을 보완하는 데 잠재력을 보였다.
• 결과적으로 L-Shr-ETKF는 정확성을 유지하면서도 불확실성을 감소시키며 소규모 집단을 사용한 운영 자료 융합을 향상시킬 수 있음을 시사한다.