[论文解读] Domain-Decomposed Lagrangian Data Assimilation for Drifting Sea-Ice Floe Dynamics

Danyang Li, John Taylor+1 more|arXiv (Cornell University)|Feb 20, 2026

Arctic and Antarctic ice dynamics被引用 0

一句话总结

该论文提出了一种基于领域分解的集合变换卡尔曼滤波（ETKF）数据同化框架，用于拉格朗日海冰 floe 动力学，通过在子域中进行局部 ETKF 更新并采用高斯混合实现全球流场的一致重建，从而获得优于全域基线的全球海洋流场重建效果。

ABSTRACT

Sea ice dynamics are crucial to the global climate system, yet traditional continuum (e.g., viscous-plastic) models often fail to represent the discrete floe interactions that dominate in the marginal ice zone. Lagrangian discrete element methods (DEMs) resolve floe-scale physics more realistically, but their high particle counts make ensemble data assimilation (DA) more expensive. We consider a highly-simplified floe model and propose a scalable, domain-decomposed DA framework that couples Lagrangian particle observations with an ensemble transform Kalman filter (ETKF) to recover the underlying ocean flow field in a multiscale setting. The Eulerian domain is first partitioned into subdomains. We then impose an ETKF in each subdomain to recover the local fine-scale ocean features. A Gaussian-weighted blending step then reconstructs a globally consistent flow field across subdomain boundaries. Numerical experiments demonstrate consistently better skill scores that are characterised by normalised root mean square error (NRMSE) and pattern correlation coefficients (PCC), compared to the global and expensive DA baseline. Results suggest that the domain-decomposed DA method is an alternative, scalable approach for particle-based sea-ice floe dynamics and ocean flow recovery.

研究动机与目标

• 为在边缘冰区捕捉离散 floe 相互作用，强调 floe 尺度数据同化的必要性。
• 提出一个可扩展的领域分解 DA 框架，将拉格朗日 floe 观测与 ETKF 相耦合。
• 通过高斯混合，在局部子域更新后恢复全球一致的海洋流场。
• 在简化的 floe 模型中，证明该方法在准确性和可扩展性方面优于全域基线。

提出的方法

• 将欧拉域划分为不重叠的子域，局部运行 ETKF 解析。
• 在每个子域内通过优先考虑子域中心附近的 floe，选择一个简化的局部 floe 观测集合。
• 在每个子域内更新局部 floe 状态和海洋模型的局部傅里叶系数。
• 将更新后的傅里叶系数映射到物理空间，以获得局部速度场并跨子域应用高斯混合。
• 以高斯权重融合子域速度场，重建一个全球一致的海洋流场。
• 使用理想化的拉格朗日 DEM 来描述 floe 动力学，且对海洋傅里叶模态模型实行单向耦合。）

实验结果

研究问题

• RQ1 领域分解的 ETKF 方法是否能够从稀疏的拉格朗日 floe 观测中准确重建海洋流场？
• RQ2 子域划分（如 2x2 与 4x4）如何影响准确性、边界伪影和计算成本？
• RQ3 高斯混合是否能够有效保留大尺度结构并抑制子域边缘噪声？
• RQ4 与全域数据同化基线相比，该领域分解方法在 NRMSE、PCC 和运行时方面有哪些差异？

主要发现

• 领域分解方法在观测预算下，NRMSE 和 PCC 的技能分数始终优于全域基线。
• 对于可比的观测预算，2x2 子域划分通常比 4x4 更具准确性，因为跨子域的一致性更好。
• 高斯混合在保持全球流场连贯性、减少边界伪影的同时，支持并行的子域更新。
• 增加观测 floe 的数量可提升准确性，随着预算提升，收益趋于递减。
• 在某些配置下，分解的 DA 在较低计算成本下达到与全域方法相似甚至更好的准确性。
• 可视化重建显示，分解方法更接近真实地面真值，减少了高误差区域。