[论文解读] Data Assimilation by Artificial Neural Networks for an Atmospheric General Circulation Model: Conventional Observation

Rosângela Cintra, Haroldo Fraga de Campos Velho|arXiv (Cornell University)|Jul 16, 2014

Meteorological Phenomena and Simulations参考文献 20被引用 7

一句话总结

本文提出使用多层感知器人工神经网络（MLP-NN）来模拟局部集合变换卡尔曼滤波（LETKF）在SPEEDY大气通用环流模型中的数据同化过程。在合成常规观测数据上进行训练后，MLP-NN在实现与LETKF相当的同化精度的同时，将计算时间减少了90倍，展示了其作为业务化天气预报系统中高效替代方案的巨大潜力。

ABSTRACT

This paper presents an approach for employing artificial neural networks (NN) to emulate an ensemble Kalman filter (EnKF) as a method of data assimilation. The assimilation methods are tested in the Simplified Parameterizations PrimitivE-Equation Dynamics (SPEEDY) model, an atmospheric general circulation model (AGCM), using synthetic observational data simulating localization of balloon soundings. For the data assimilation scheme, the supervised NN, the multilayer perceptrons (MLP-NN), is applied. The MLP-NN are able to emulate the analysis from the local ensemble transform Kalman filter (LETKF). After the training process, the method using the MLP-NN is seen as a function of data assimilation. The NN were trained with data from first three months of 1982, 1983, and 1984. A hind-casting experiment for the 1985 data assimilation cycle using MLP-NN were performed with synthetic observations for January 1985. The numerical results demonstrate the effectiveness of the NN technique for atmospheric data assimilation. The results of the NN analyses are very close to the results from the LETKF analyses, the differences of the monthly average of absolute temperature analyses is of order 0.02. The simulations show that the major advantage of using the MLP-NN is better computational performance, since the analyses have similar quality. The CPU-time cycle assimilation with MLP-NN is 90 times faster than cycle assimilation with LETKF for the numerical experiment.

研究动机与目标

• 开发一种计算高效的替代方法，用于大气模拟中基于集合的数据同化方法（如LETKF）。
• 评估训练后的人工神经网络是否能够准确模拟LETKF在大气状态估计中的同化输出。
• 降低传统数据同化在大规模数值天气预报模型中带来的高计算成本。
• 评估在非线性动力系统中，使用监督神经网络作为复杂卡尔曼滤波算法的代理模型的可行性。
• 实现在全球大气模型中业务化应用的快速、可扩展的数据同化方法。

提出的方法

• 使用历史模型预报和合成观测数据，训练一个多层感知器神经网络（MLP-NN），以模拟LETKF数据同化过程。
• 训练数据集由SPEEDY AGCM在1982–1984年期间的3个月数据组成，输入向量由模型预报（x^f）和观测（y^o）组合而成。
• 网络被训练为将输入（x^f, y^o）映射到同化场（x^a），从而有效学习完整的数据同化函数F_NN。
• 训练完成后，MLP-NN通过处理新预报和观测数据，在无需迭代滤波步骤的情况下实现实时数据同化。
• 该方法采用监督学习方法，通过反向传播最小化MLP-NN输出与LETKF同化场之间的差异。
• 通过在1985年1月的再分析实验中比较MLP-NN与LETKF的同化结果，评估其性能。

实验结果

研究问题

• RQ1 前馈神经网络是否能够准确模拟非线性大气通用环流模型中LETKF的同化输出？
• RQ2 在数据同化周期的运行时间方面，MLP-NN与LETKF相比的计算性能如何？
• RQ3 MLP-NN生成的同化场在精度和空间结构方面与LETKF同化场的匹配程度如何？
• RQ4 在实时数据同化环境中，MLP-NN是否能够在显著降低计算成本的同时保持高精度？
• RQ5 当应用于业务化天气预报系统时，MLP-NN方法的可扩展性和泛化潜力如何？

主要发现

• MLP-NN的同化场与LETKF极为接近，月平均温度差异在10^-2 K量级。
• 基于112个同化周期的总执行时间，MLP-NN在完整同化周期上的计算速度比LETKF快90倍。
• 仅考虑同化阶段时，MLP-NN比LETKF快421倍，凸显其在核心同化步骤中的高效性。
• MLP-NN与LETKF同化场之间的地表气压场差异在±5 hPa以内，表明在气象场方面具有高度一致性。
• MLP-NN成功学习了LETKF算法的复杂映射关系，以极低的计算成本生成了与之质量相当的同化结果。
• 结果证实，MLP-NN可作为基于集合的数据同化在大气模型中的有效、高性能代理模型。