[论文解读] Inversion of Tsunamis Characteristics from Sediment Deposits Based on Ensemble Kalman Filtering

Jianxun Wang, Hui Tang+2 more|arXiv (Cornell University)|Nov 10, 2015

earthquake and tectonic studies参考文献 7被引用 4

一句话总结

本文提出了一种基于集合卡尔曼滤波（EnKF）的新型贝叶斯反演框架，用于从沉积物沉积中推断海啸流速和水深，将未知参数视为扩展状态的一部分。该方法量化了不确定性，并在合成数据和真实世界测试中均表现出高精度，包括2006年南 Java 海啸案例，优于现有模型。

ABSTRACT

Sediment deposits are the only leftover records from paleo tsunami events. Therefore, inverse modeling method based on the information contained in the deposit is an indispensable way of deciphering the quantitative characteristics of the tsunamis, e.g., the flow speed and the flow depth. While several models have been proposed to perform tsunami inversion, i.e., to infer the tsunami characteristics based on the sediment deposits, the existing methods lack mathematical rigorousness and are not able to account for uncertainties in the inferred quantities. In this work, we propose an inversion scheme based on Ensemble Kalman Filtering (EnKF) to infer tsunami characteristics from sediment deposits. In contrast to traditional data assimilation methods using EnKF, a novelty of the current work is that we augment the system state to include both the physical variables (sediment fluxes) that are observable and the unknown parameters (flow speed and flow depth) to be inferred. Based on the rigorous Bayesian inference theory, the inversion scheme provides quantified uncertainties on the inferred quantities, which clearly distinguishes the present method with existing schemes for tsunami inversion. Two test cases with synthetic observation data are used to verify the proposed inversion scheme. Numerical results show that the tsunami characteristics inferred from the sediment deposit information have a favorable agreement with the truths, which demonstrated the merits of the proposed tsunami inversion scheme.

研究动机与目标

• 开发一种严谨的、具备不确定性量化的反演方法，用于从沉积物中重建古海啸流况。
• 解决现有模型缺乏正式不确定性量化和误差分析的局限性。
• 应用集合卡尔曼滤波（EnKF）同时估计物理变量和未知海啸参数。
• 利用野外观测数据，在合成数据和真实案例（2006年南 Java 海啸）上验证该方法。
• 为利用地质记录进行古海啸灾害评估，提供一个数学上稳健的框架。

提出的方法

• 系统状态被扩展以同时包含可观测的沉积物通量和未知参数（流速与水深），从而实现联合估计。
• 采用集合卡尔曼滤波进行数据同化，前向模型 TSUFLIND 用于模拟随时间推移的沉积过程。
• 利用集合协方差和观测误差协方差计算卡尔曼增益矩阵，以更新状态估计。
• 在固定时间间隔（ΔT）内同化观测数据，迭代重复预测与分析步骤。
• 该方法遵循贝叶斯推断原理，为推断参数提供后验分布和量化的不确定性。
• 该算法包括采样、预测（通过前向模型）和分析（利用观测数据和卡尔曼增益更新）等步骤。

实验结果

研究问题

• RQ1 EnKF 能否有效适配于从沉积物中联合估计沉积物通量和未知海啸参数？
• RQ2 该方法在理想化沉积物数据下，能否高精度地重建合成海啸流况？
• RQ3 该方法能否为推断的流速和水深提供可靠的不确定性量化？
• RQ4 当应用于2006年南 Java 海啸的真实野外数据时，该方法表现如何？
• RQ5 与现有非贝叶斯模型（如 TsuSedMod）相比，该 EnKF 基于的反演方法在精度和不确定性量化方面是否表现更优？

主要发现

• 在合成测试案例中，基于 EnKF 的反演方案成功以高精度推断出海啸流速和水深，与合成真实值高度吻合。
• 该方法为推断参数提供了量化的不确定性，区别于传统数据拟合模型。
• 在2006年南 Java 海啸案例中，推断的参数与野外数据及先前反演结果高度一致。
• 与 TsuSedMod 的对比表明，该方法在真实应用场景中表现出更优的性能。
• 结果证实，基于 EnKF 的框架是用于从沉积物中重建古海啸的稳健且可靠的工具。
• 本研究首次将 EnKF 应用于海啸反演，提供了一种数学上严谨、具备不确定性感知的反演方法。