[论文解读] An Optimal Experimental Design Framework for Adaptive Inflation and Covariance Localization for Ensemble Filters

Ahmed Attia, Emil M. Constantinescu|arXiv (Cornell University)|Jun 27, 2018

Meteorological Phenomena and Simulations参考文献 56被引用 4

一句话总结

该论文提出了一种基于最优实验设计的变分框架，用于在集合卡尔曼滤波中自适应调节协方差膨胀和局域化参数。通过基于梯度的优化最小化后验不确定性，该方法可自动调整时空变化的参数，无需专家知识，显著提升了洛伦兹-96模型中的数据同化精度。

ABSTRACT

We develop an optimal experimental design framework for adapting the covariance inflation and localization in data assimilation problems. Covariance inflation and localization are ubiquitously employed to alleviate the effect of using ensembles of finite sizes in all practical data assimilation systems. The choice of both the inflation factor and the localization radius can have a significant impact on the performance of the assimilation scheme. These parameters are generally tuned by trial and error, rendering them expensive to optimize in practice. Spatially and temporally varying inflation parameter and localization radii have been recently proposed and have been empirically proven to enhance the performance of the employed assimilation filter. In this study, we present a variational framework for adaptive tuning of the inflation and localization parameters. Each of these parameters is optimized independently, with an objective to minimize the uncertainty in the posterior state. The proposed framework does not assume uncorrelated observations or prior errors and can in principle be applied without expert knowledge about the model and the observations. Thus, it is adequate for handling dense as well as sparse observational networks. We present the mathematical formulation, algorithmic description of the approach, and numerical experiments using the two-layer Lorenz-96 model.

研究动机与目标

• 解决集合卡尔曼滤波中协方差膨胀和局域化参数调优这一关键挑战，这些参数通常通过昂贵的试错法设定。
• 开发一种系统性、数据驱动的框架，自适应地在时空上调整膨胀和局域化参数，以提高同化精度。
• 通过基于不确定性最小化的优化问题建模，消除对模型动力学或观测网络知识的依赖，从而无需专家知识。
• 通过避免对误差不相关或先验知识的假设，实现在密集和稀疏观测网络中的鲁棒性能。
• 为当前操作性数据同化系统中广泛使用的启发式调优策略提供一种数学上严谨的替代方案。

提出的方法

• 构建一个变分优化框架，通过最小化后验误差协方差矩阵的迹来减少分析状态的不确定性。
• 利用矩阵微积分和链式法则，推导出目标函数关于膨胀和局域化参数的解析梯度。
• 将膨胀和局域化参数视为优化变量，通过梯度下降法迭代更新，以最小化后验不确定性。
• 使用基于集合的模型误差协方差和观测误差协方差近似来计算目标函数及其导数。
• 独立地对膨胀和局域化参数应用该框架，实现分离但同时的优化。
• 利用矩阵恒等式和迹的性质，高效计算梯度，确保在大规模场景下的计算可行性。

实验结果

研究问题

• RQ1 能否开发一种变分框架，以无需依赖专家调优的方式，最优地调节集合卡尔曼滤波中的膨胀和局域化参数？
• RQ2 与固定参数或经验调优相比，该方法在减少后验不确定性方面表现如何？
• RQ3 该框架在处理多样化观测网络（包括密集和稀疏配置）时的适用程度如何？
• RQ4 当先验误差和观测误差相关时，该方法是否仍有效，而无需假设其独立性？
• RQ5 该框架能否在完全自动化的方式下应用，而无需事先了解模型或观测系统？

主要发现

• 所提出的框架通过基于梯度的最小化方法，成功地通过自适应优化膨胀和局域化参数，显著降低了后验不确定性。
• 在两层洛伦兹-96模型上的数值实验表明，自适应参数相比固定参数或启发式调优，显著提升了分析精度。
• 即使在观测数据有限的情况下，该方法的性能仍优于标准的固定参数集合卡尔曼滤波，表明其对稀疏网络具有鲁棒性。
• 该框架无需假设误差不相关或对系统有先验知识，因此可广泛适用于各类数据同化问题。
• 解析梯度的使用实现了高效优化，避免了有限差分近似的计算负担。
• 该方法支持时空变化的膨胀和局域化，相较于静态参数选择，能更有效地捕捉非平稳动力学。