[论文解读] Data Assimilation with Model Error from Unresolved Scales

John Harlim|arXiv (Cornell University)|Nov 14, 2013

Meteorological Phenomena and Simulations参考文献 59被引用 4

一句话总结

本文通过将现有方法分类为直接估计误差统计的统计方法和隐式建模统计特性的随机参数化方法，解决数据同化中由未解析尺度引起的模型误差问题。文章证明了随机参数化作为缓解此类误差的稳健工具的合理性，并提出了一种非参数化替代方法以增强其适用范围。

ABSTRACT

This chapter provides various perspective on an important challenge in data assimilation: model error. While the overall goal is to understand the implication of model error of any type in data assimilation, we emphasize on the effect of model error from unresolved scales. In particular, connection to related subjects under different names in applied mathematics, such as the Mori-Zwanzig formalism and the averaging method, were discussed with the hope that the existing methods can be more accessible and eventually be used appropriately. We will classify existing methods into two groups: the statistical methods for those who directly estimate the low-order model error statistics; and the stochastic parameterizations for those who implicitly estimate all statistics by imposing stochastic models beyond the traditional unbiased white noise Gaussian processes. We will provide theory to justify why stochastic parameterization, as one of the main theme in this book, is an adequate tool for mitigating model error in data assimilation. Finally, we will also discuss challenges in lifting this approach in general applications and provide an alternative nonparametric approach.

研究动机与目标

• 分析未解析尺度引起的模型误差对数据同化系统的影响。
• 将数据同化挑战与Mori-Zwanzig形式化和平均化方法等既定数学框架联系起来。
• 对现有模型误差处理方法进行分类与比较，区分统计估计与随机参数化方法。
• 为使用随机参数化作为减少数据同化中模型误差的有效方法提供理论依据。
• 提出一种非参数化替代方法，以克服当前随机参数化方法在泛化能力方面的局限性。

提出的方法

• 将模型误差缓解技术分为两类：直接估计低阶误差统计的统计方法，以及隐式建模误差统计的随机参数化方法。
• 应用Mori-Zwanzig形式化和平均化方法，形式化未解析尺度效应的数学结构。
• 通过理论分析证明，随机参数化在捕捉超越高斯白噪声过程的复杂误差动力学方面具有充分合理性。
• 提出一种非参数化方法作为参数化随机模型的替代方案，旨在提升实际应用中的灵活性。
• 整合应用数学的洞见，以增强现有误差建模技术的可及性与实际应用价值。

实验结果

研究问题

• RQ1 未解析尺度在多大程度上导致数据同化系统中的模型误差？
• RQ2 未解析尺度引起的模型误差与Mori-Zwanzig形式化及平均化方法等既定形式化方法之间存在何种理论联系？
• RQ3 统计方法与随机参数化在处理模型误差统计方面有何本质区别？
• RQ4 为何随机参数化在理论上是合理且有效的数据同化模型误差缓解方法？
• RQ5 当前随机参数化方法存在哪些局限性？非参数化方法如何提升其泛化能力？

主要发现

• 由未解析尺度引起的模型误差显著影响数据同化精度，必须被明确处理。
• Mori-Zwanzig形式化和平均化方法为理解未解析尺度效应提供了严格的数学基础。
• 随机参数化在理论上是合理且可行的，可用于捕捉超越简单高斯白噪声的复杂误差统计特性。
• 统计方法可直接估计误差统计，但在高维或非线性系统中可能缺乏鲁棒性。
• 所提出的非参数化方法为参数化随机模型提供了一种灵活的替代方案，可能在复杂应用中提升泛化能力。
• 将既定数学框架整合进来，可增强误差建模技术在数据同化中的可及性与实际应用性。