[论文解读] Reduced Order Probabilistic Emulation for Physics-Based Thermosphere Models

Richard J. Licata, Piyush M. Mehta|arXiv (Cornell University)|Nov 8, 2022

Ionosphere and magnetosphere dynamics被引用 4

一句话总结

本文提出了一种基于主成分分析（PCA）和集成长短期记忆（LSTM）网络的简化阶数概率模拟器（TIE-GCM ROPE），用于加速并量化基于物理的热层密度预测中TIE-GCM模型的不确定性。在2003年万圣节风暴期间，其卫星轨道传播的偏差低于5公里，性能优于确定性线性模型约两倍，并通过蒙特卡洛采样提供了校准后的不确定性分布。

ABSTRACT

The geospace environment is volatile and highly driven. Space weather has effects on Earth's magnetosphere that cause a dynamic and enigmatic response in the thermosphere, particularly on the evolution of neutral mass density. Many models exist that use space weather drivers to produce a density response, but these models are typically computationally expensive or inaccurate for certain space weather conditions. In response, this work aims to employ a probabilistic machine learning (ML) method to create an efficient surrogate for the Thermosphere Ionosphere Electrodynamics General Circulation Model (TIE-GCM), a physics-based thermosphere model. Our method leverages principal component analysis to reduce the dimensionality of TIE-GCM and recurrent neural networks to model the dynamic behavior of the thermosphere much quicker than the numerical model. The newly developed reduced order probabilistic emulator (ROPE) uses Long-Short Term Memory neural networks to perform time-series forecasting in the reduced state and provide distributions for future density. We show that across the available data, TIE-GCM ROPE has similar error to previous linear approaches while improving storm-time modeling. We also conduct a satellite propagation study for the significant November 2003 storm which shows that TIE-GCM ROPE can capture the position resulting from TIE-GCM density with < 5 km bias. Simultaneously, linear approaches provide point estimates that can result in biases of 7 - 18 km.

研究动机与目标

• 开发一种计算高效的TIE-GCM热层模型替代品，以支持实时或业务化应用。
• 通过捕捉线性简化阶数模型无法解析的非线性动力学，提升风暴期间的建模精度。
• 为业务应用提供具有校准不确定性量化（UQ）的热层密度概率预报。
• 在最小误差下实现长达一年的长期动态预测，同时保持物理一致性。
• 在极端空间天气条件下，通过卫星状态传播展示概率建模相比确定性替代品的业务优势。

提出的方法

• 对TIE-GCM输出数据应用主成分分析（PCA）进行降维，将高维密度场投影到低维潜在空间。
• 在降维后的状态时间序列上训练集成长短期记忆（LSTM）网络，以模拟热层密度的动力演化。
• 采用分层集成方法，通过基于性能的固定权重组合两种不同LSTM架构的预测结果，以提高鲁棒性和校准性。
• 通过蒙特卡洛采样集成实现不确定性量化，并应用缩放方法以改善预测分布的校准性。
• 模型在太阳周期23期间七年的TIE-GCM数据及额外一年的模拟驱动（Sim1）上进行训练，以增强风暴代表性。
• 通过长期动态预测和2003年11月地磁风暴期间的卫星传播研究评估模型性能。

实验结果

研究问题

• RQ1 非线性、概率化的简化阶数模型是否能在地磁风暴期间比线性动态模态分解（DMD）技术更好地捕捉TIE-GCM的热层密度动力学？
• RQ2 与线性替代品相比，集成LSTM建模在多大程度上提升了长期动态预测的准确性？
• RQ3 具有校准不确定性量化的分层LSTM集成是否能比确定性模型更准确地表征真实密度分布？
• RQ4 在极端空间天气事件中，非线性输入的引入如何影响卫星轨道传播的精度和不确定性？
• RQ5 所提出的模拟器是否能在无状态更新的情况下，保持长期（数日至一年）预报中的低偏差和高可靠性？

主要发现

• 在2003年11月风暴期间，TIE-GCM ROPE相对于TIE-GCM的沿轨道位置偏差小于5公里，显著优于具有7–18公里偏差的确定性DMDc模型。
• TIE-GCM ROPE的概率特性使其20公里的预测分布范围包含了真实TIE-GCM位置，而确定性模型仅提供点估计。
• 模型在8,700个时间步（超过一年）内保持约10%的平均误差，展示了其强大的长期动态预测能力。
• 该模型在捕捉风暴期间动力学方面表现更优，尤其在2003年万圣节风暴中，DMDc模型未能再现密度变化的完整幅度。
• 分层集成方法至关重要，它缓解了单一架构带来的过度自信问题，并在各种风暴条件下提升了不确定性校准性。
• 在LSTM框架中引入非线性输入使偏差相比线性输入的DMDc模型减少了约一半，凸显了非线性建模在极端事件中的优势。