[论文解读] Data assimilation empowered neural network parameterizations for subgrid processes in geophysical flows

Suraj Pawar, Omer San|arXiv (Cornell University)|Jun 16, 2020

Model Reduction and Neural Networks参考文献 89被引用 8

一句话总结

该论文提出了一种混合建模框架，将基于神经网络的亚网格过程参数化与数据同化相结合，以提高混沌地球流体系统中的长期预测精度。通过使用集合卡尔曼滤波（EnKF）校正基于物理信息的神经网络的预报结果，该方法显著减少了漂移和不稳定性，在洛伦兹96系统和克雷奇南湍流系统中，其性能显著优于独立的机器学习参数化方法。

ABSTRACT

In the past couple of years, there is a proliferation in the use of machine learning approaches to represent subgrid scale processes in geophysical flows with an aim to improve the forecasting capability and to accelerate numerical simulations of these flows. Despite its success for different types of flow, the online deployment of a data-driven closure model can cause instabilities and biases in modeling the overall effect of subgrid scale processes, which in turn leads to inaccurate prediction. To tackle this issue, we exploit the data assimilation technique to correct the physics-based model coupled with the neural network as a surrogate for unresolved flow dynamics in multiscale systems. In particular, we use a set of neural network architectures to learn the correlation between resolved flow variables and the parameterizations of unresolved flow dynamics and formulate a data assimilation approach to correct the hybrid model during their online deployment. We illustrate our framework in a set of applications of the multiscale Lorenz 96 system for which the parameterization model for unresolved scales is exactly known, and the two-dimensional Kraichnan turbulence system for which the parameterization model for unresolved scales is not known a priori. Our analysis, therefore, comprises a predictive dynamical core empowered by (i) a data-driven closure model for subgrid scale processes, (ii) a data assimilation approach for forecast error correction, and (iii) both data-driven closure and data assimilation procedures. We show significant improvement in the long-term prediction of the underlying chaotic dynamics with our framework compared to using only neural network parameterizations for future prediction.

研究动机与目标

• 解决在地球流体中在线部署数据驱动的亚网格参数化时存在的不稳定性和偏差问题。
• 通过将数据同化与基于机器学习的闭合模型相结合，提高混沌多尺度系统的长期预测精度。
• 在实时预报过程中，利用观测数据以稳健且非侵入性的方式校正神经网络参数化。
• 在已知和未知亚网格参数化的系统中（包括非高斯统计特性）证明该框架的有效性。
• 提供一种模块化、基于物理信息的方法，以增强气候和天气建模中外部数据同化工作流。

提出的方法

• 训练神经网络以学习多尺度系统中解析流动变量与未解析亚网格尺度动力学之间的映射关系。
• 将结合了基于物理的方程与神经网络参数化的混合模型在线部署，并利用集合卡尔曼滤波（EnKF）进行校正。
• EnKF通过在固定时间间隔内同化稀疏、噪声观测数据来执行状态估计和误差校正，利用协方差膨胀和局部化技术以稳定滤波器。
• 该框架在两级洛伦兹96系统（具有已知亚网格参数化）和二维克雷奇南湍流系统（具有未知参数化）上进行了测试。
• 该方法以非侵入、模块化的方式应用，可无缝集成到现有数据同化流程中，而无需修改核心模型结构。
• 采用确定性集合卡尔曼滤波（DEnKF）进行状态估计，合成观测数据由高分辨率真实运行生成。

实验结果

研究问题

• RQ1 在混沌多尺度系统中，是否可以通过在线数据同化稳定并改进用于亚网格过程的数据驱动神经网络参数化？
• RQ2 与独立的机器学习模型相比，将数据同化与神经网络闭合模型相结合对长期预测精度有何影响？
• RQ3 该框架能否处理亚网格尺度过程的非高斯统计特性，特别是在缺乏先验已知参数化的系统中？
• RQ4 在在线部署过程中，数据同化在多大程度上减轻了混合物理-机器学习模型的模型漂移和偏差？
• RQ5 该框架是否可以以模块化、非侵入性方式应用于现有数据同化工作流，以增强地球流体建模中的预报系统？

主要发现

• 与仅使用神经网络参数化相比，所提出的框架在多尺度洛伦兹96系统长期模拟中显著降低了预报误差和模型漂移。
• 在每次同化周期中使用18组观测时，EnKF校正比使用9组观测时更有效地降低了轨迹误差，表明观测密度增加可提升收敛性。
• 该方法成功稳定了混沌洛伦兹96系统中的神经网络参数化，即使存在模型误差和非线性动力学，也防止了发散。
• 在克雷奇南湍流系统中——其真实亚网格参数化未知——该框架仍实现了准确且稳定的预测，表明对模型不确定性的强鲁棒性。
• 将数据同化与机器学习参数化相结合，有效处理了非高斯亚网格统计特性，优于标准卡尔曼滤波的假设。
• 该框架与外部数据同化循环具有良好的兼容性，实现了模块化、非侵入式增强，无需改变核心模型架构。