[论文解读] Ensemble filter techniques for intermittent data assimilation - a survey

Colin J. Cotter, Sebastian Reich|arXiv (Cornell University)|Aug 31, 2012

Meteorological Phenomena and Simulations参考文献 48被引用 7

一句话总结

本综述为间歇性数据同化中的集合滤波技术提供了数学基础，强调贝叶斯推断、马尔可夫过程和滤波方法。它介绍了最优传输、随机变量耦合以及集合变换滤波等先进方法，为非线性数据同化提供了一个统一框架，并在地球物理和科学建模中具有应用价值。

ABSTRACT

This survey paper is written with the intention of giving a mathematical introduction to filtering techniques for intermittent data assimilation, and to survey some recent advances in the field. The paper is divided into three parts. The first part introduces Bayesian statistics and its application to statistical inference and estimation. Basic aspects of Markov processes, as they typically arise from scientific models in the form of stochastic differential and/or difference equations, are covered in the second part. The third and final part describes the filtering approach to estimation of model states by assimilation of observational data into scientific models. While most of the material is of survey type, very recent advances in the field of nonlinear data assimilation covered in this paper include a discussion of Bayesian inference in the context of optimal transportation and coupling of random variables, as well as a discussion of recent advances in ensemble transform filters. References and sources for further reading material will be listed at the end of each section.

研究动机与目标

• 提供贝叶斯统计的数学介绍及其在数据同化中的应用。
• 解释马尔可夫过程在通过随机微分或差分方程建模动力系统中的作用。
• 描述滤波作为通过同化观测数据来估计模型状态的方法。
• 综述非线性数据同化的最新进展，包括最优传输和集合变换滤波。
• 突出高维、稀疏数据环境下的挑战以及估计中偏差与方差之间的权衡。

提出的方法

• 使用贝叶斯概率理论将所有变量（包括模型状态和观测值）视为具有不确定性的随机变量。
• 应用贝叶斯公式，从先验分布和似然函数计算后验分布，实现顺序状态估计。
• 采用随机变量耦合的概念，将数据同化解释为动力系统演化过程。
• 通过均场近似和连续时间滤波公式，引入集合变换卡尔曼-布奇滤波器。
• 通过集合成员近似条件概率密度函数和边缘概率密度函数，推导集合变换滤波器。
• 利用最优传输理论，将数据同化重新表述为概率测度之间的映射，实现非线性更新。

实验结果

研究问题

• RQ1 如何系统性地将贝叶斯推断应用于动力系统中的间歇性数据同化？
• RQ2 最优传输和随机变量耦合在改进非线性滤波中的作用是什么？
• RQ3 集合变换滤波器与标准集合卡尔曼滤波器在处理非高斯分布时有何不同？
• RQ4 均场近似对集合滤波器的精度和稳定性有何影响？
• RQ5 偏差-方差权衡如何影响贝叶斯与非贝叶斯数据同化技术的性能？

主要发现

• 集合变换卡尔曼-布奇滤波器作为从均场近似和最优传输原理推导出的连续时间公式浮现出来。
• 最优传输为非线性数据同化提供了几何框架，能够实现先验与后验分布之间的精确变换。
• 随机变量的耦合使得滤波步骤具有动力学解释，将数据同化与随机过程联系起来。
• 高斯混合近似可通过组合来自集合成员的加权高斯分布来表示非高斯后验分布。
• 顺序蒙特卡洛方法在渐近意义上无偏，但在高维设置下小集合时方差较高。
• 引导粒子滤波器和改进的提议分布在缓解非线性滤波中的维度灾难方面显示出前景。