[论文解读] Computer Model Emulation with High-Dimensional Functional Output in Large-Scale Observing System Uncertainty Experiments

Pulong Ma, Anirban Mondal+4 more|arXiv (Cornell University)|Nov 21, 2019

Atmospheric and Environmental Gas Dynamics参考文献 39被引用 5

一句话总结

该论文为NASA OCO-2任务中的大规模观测系统不确定性实验（OSUEs）提出了一种高维函数型模拟器，结合基函数展开与最近邻高斯过程（NNGP），并采用主动子空间降维方法。该方法通过降低计算成本，在保持物理保真度的同时实现了快速、完整的贝叶斯不确定性量化，其性能优于降阶模型（ROMs）和现有统计模拟器。

ABSTRACT

Observing system uncertainty experiments (OSUEs) have been recently proposed as a cost-effective way to perform probabilistic assessment of retrievals for NASA's Orbiting Carbon Observatory-2 (OCO-2) mission. One important component in the OCO-2 retrieval algorithm is a full-physics forward model that describes the mathematical relationship between atmospheric variables such as carbon dioxide and radiances measured by the remote sensing instrument. This forward model is complicated and computationally expensive but large-scale OSUEs require evaluation of this model numerous times, which makes it infeasible for comprehensive experiments. To tackle this issue, we develop a statistical emulator to facilitate large-scale OSUEs in the OCO-2 mission with independent emulation. Within each distinct spectral band, the emulator represents radiances output at irregular wavelengths via a linear combination of basis functions and random coefficients. These random coefficients are then modeled with nearest-neighbor Gaussian processes with built-in input dimension reduction via active subspace. The proposed emulator reduces dimensionality in both input space and output space, so that fast computation is achieved within a fully Bayesian inference framework. Validation experiments demonstrate that this emulator outperforms other competing statistical methods and a reduced order model that approximates the full-physics forward model.

研究动机与目标

• 解决由于OCO-2任务中全物理正向模型计算成本高昂，导致大规模观测系统不确定性实验（OSUEs）计算不可行的问题。
• 开发一种统计模拟器，能够高效处理跨多个光谱波段的高维、非规则分布的光谱辐射度数据。
• 在保持物理保真度并同时降低输入与输出空间维度的前提下，实现CO₂反演的完整贝叶斯推断以进行不确定性量化。
• 克服现有降阶模型（ROMs）和标准统计模拟器在大规模OSUEs中精度与可扩展性方面的局限性。

提出的方法

• 将高维光谱辐射度表示为基函数（如B样条或类似傅里叶的函数）的线性组合，并引入随机系数，以降低输出空间的维度。
• 使用具有各向异性相关函数（如Matérn、幂指数或合流超几何函数）的最近邻高斯过程（NNGP）对随机系数进行建模，以实现灵活的依赖结构。
• 整合主动子空间方法，通过识别大气状态空间中能解释正向模型输出大部分方差的低维流形，实现输入空间的降维。
• 构建联合似然框架，实现完整贝叶斯推断，利用NNGP的计算效率，对稀疏精度矩阵进行处理，适用于大规模数据集。
• 采用分层先验结构，对相关参数和观测误差方差设置超先验，实现对所有模型组件的不确定性量化。
• 实施稀疏矩阵技术，高效计算大协方差矩阵的行列式与逆矩阵，确保方法可扩展至大规模OSUEs。

实验结果

研究问题

• RQ1 统计模拟器是否能在保持全物理正向模型保真度的前提下，显著降低OCO-2任务中大规模OSUEs的计算负担？
• RQ2 主动子空间方法在高维大气状态空间中，能否在不牺牲预测精度的情况下有效降低输入维度？
• RQ3 所提出的函数型模拟器在预测光谱辐射度及CO₂反演不确定性方面，相较于降阶模型和标准统计模拟器，其性能提升程度如何？
• RQ4 函数基表示与NNGP建模的结合，是否能实现在遥感应用中对高维函数型输出的快速、完整贝叶斯推断？

主要发现

• 所提出的模拟器相比全物理正向模型显著降低了计算成本，使得此前不可行的大规模OSUEs成为可能。
• 验证实验表明，该模拟器在多个光谱波段中的预测精度均优于降阶模型（ROM）和竞争性统计模拟器。
• 主动子空间方法识别出一个低维输入子空间（通常为2–5维），可解释超过95%的输出方差，从而实现有效的输入空间降维。
• 由于采用了灵活的相关结构，基于NNGP的随机系数建模在光谱波长非规则分布的情况下仍能实现高预测精度。
• 该模拟器保持了完整的贝叶斯推断能力，可为OSUEs中的反演误差分布提供一致的不确定性估计。
• 该方法相比全物理评估实现了90–95%的运行时间减少，同时在光谱辐射度预测中保持了亚微瓦级别的误差。