[论文解读] What limits the number of observations that can be effectively assimilated by EnKF?

Daisuke Hotta, Yoichiro Ota|arXiv (Cornell University)|May 31, 2020

Meteorological Phenomena and Simulations参考文献 53被引用 24

一句话总结

本文表明，当观测数量超过集合大小时，集合卡尔曼滤波（EnKF）在从观测中提取信息方面存在根本性限制，这种限制通过信号自由度（DFS）进行量化。通过初等线性代数，作者证明DFS的上界由集合大小决定，导致在过多观测被同化时分析方差偏小（过度自信），从而必须引入协方差膨胀。研究进一步表明，B-局部化比R-局部化更有效地缓解此问题，为LETKF系统中反直觉行为提供了定量解释。

ABSTRACT

The ability of ensemble Kalman filter (EnKF) algorithms to extract information from observations is analyzed with the aid of the concept of the degrees of freedom for signal (DFS). A simple mathematical argument shows that DFS for EnKF is bounded from above by the ensemble size, which entails that assimilating much more observations than the ensemble size automatically leads to DFS underestimation. Since DFS is a trace of the posterior error covariance mapped onto the normalized observation space, underestimated DFS implies overconfidence (underdispersion) in the analysis spread, which, in a cycled context, requires covariance inflation to be applied. The theory is then extended to cases where covariance localization schemes (either B-localization or R-localization) are applied to show how they alleviate the DFS underestimation issue. These findings from mathematical argument are demonstrated with a simple one-dimensional covariance model. Finally, the DFS concept is used to form speculative arguments about how to interpret several puzzling features of LETKF previously reported in the literature such as why using less observations can lead to better performance, when optimal localization scales tend to occur, and why covariance inflation methods based on relaxation to prior information approach are particularly successful when observations are inhomogeneously distributed. A presumably first application of DFS diagnostics to a quasi-operational global EnKF system is presented in Appendix.

研究动机与目标

• 理解EnKF在同化大量观测时信息提取的根本限制。
• 量化集合大小在限制EnKF中信号自由度（DFS）方面的作用。
• 解释为何在高观测密度场景下需要协方差膨胀和局部化。
• 为LETKF中令人困惑的行为（如使用更少观测反而性能更优）提供理论基础。

提出的方法

• 使用初等线性代数推导EnKF中DFS的上界，证明DFS ≤ 集合大小。
• 将DFS表示为归一化观测空间中影响矩阵的迹。
• 将DFS框架应用于ETKF和LETKF，分析B-局部化和R-局部化的效应。
• 利用一维协方差模型，演示在不同观测数量和局部化尺度下DFS的行为。
• 将DFS框架扩展至解释先前LETKF研究中的反直觉结果，基于DFS诊断。
• 将DFS诊断应用于准业务运行的全球EnKF系统，以验证理论发现。

实验结果

研究问题

• RQ1 什么限制了EnKF能够有效同化的观测数量？
• RQ2 为何当观测数量超过集合大小时DFS会被低估？
• RQ3 B-局部化和R-局部化如何影响DFS低估和分析过度自信？
• RQ4 为何有时使用更少观测反而能提升EnKF性能？
• RQ5 为何松弛至先验协方差膨胀方法在非均匀观测分布下特别有效？

主要发现

• EnKF中的DFS严格受集合大小的上界限制，即当同化的观测数超过集合成员数时，DFS低估不可避免。
• DFS低估意味着分析方差偏小（方差不足），这在循环系统中必须通过协方差膨胀来补偿。
• B-局部化在缓解DFS低估方面比R-局部化更有效，尤其是在观测密集区域。
• EnKF中最佳局部化尺度与最小化DFS低估相关，而不仅仅是最小化分析误差。
• 松弛至先验协方差膨胀方法在非均匀观测场中有效，因其能抵消高密度区域的DFS低估。
• 准业务运行的全球EnKF系统显示，密集卫星辐射率的DFS值比4DVar低一个数量级，证实了理论极限。