Sep, 2020

结合数据同化和机器学习推断未解决的尺度参数化

PDF
TL;DR本文提出了一种基于机器学习和数据同化的方法，用于从具有噪声和稀疏观测的直接数据中训练基于参数化模型的机器学习模型，在 Lorenz 模型和 MAOOAM 模型中证明，相较于截断模型，该模型具有更好的对系统吸引子的预测能力和更好的预测技能。
machine learningdata assimilationparameterizationensemble kalman filterlorenz model
发现论文，激发创造
  • 运用机器学习技术纠正数据同化和预测应用中的模型误差

    本研究将机器学习和数据同化相结合，提出了一种迭代方法来纠正现有知识型模型的误差，为地球科学建立了一个混合替代模型，该模型在短期到中期范围内有更好的预测表现

    Oct, 2020

  • 将数据同化和机器学习相结合，从稀疏嘈杂的观测数据中模拟动力学模型：以 Lorenz 96 模型为例研究

    该研究介绍了一种新的方法，该方法基于数据同化和机器学习的组合，以模拟隐藏的、可能是混沌的动态和预测它们的未来状态。该方法通过迭代应用数据同化步骤和神经网络来更新替代模型，并证明了方法对于低维系统具有成功的协同作用，鼓励进一步研究更复杂的动态系统。

    Jan, 2020

  • 深度强化学习在混沌系统中的数据同化

    我们介绍了一种新的数据同化策略，利用强化学习以完整或部分观测状态变量应用状态修正，重点在于演示该方法在混沌洛伦兹 '63 系统中的应用，其目标是最小化观测值和相应预测状态之间的均方根误差，结果表明开发的强化学习算法在与集合卡尔曼滤波相比时表现出色，并展示了该代理在同化非高斯数据方面的能力。

    Jan, 2024

  • 神经增量数据同化

    利用深度学习方法，将物理系统建模为一系列由神经网络参数化的粗粒度高斯先验分布，从而定义一个同化算子，并通过与传统变分数据同化方法的比较，在具有稀疏观测的混沌动力学物理系统上展示了其准确性和加速效果。

    Jun, 2024

  • 在线机器学习用于顺序数据同化的预测不确定性估计

    本研究提出一种基于卷积神经网络的机器学习方法，利用单个动力学模型集成来对表示预测误差协方差矩阵的状态相关预测不确定性进行估计，并在杂交数据同化方法中进行性能测试，证明该方法能够相对精确地预测高维状态中的预测协方差矩阵值。

    May, 2023

  • 有限区域动态系统估计的代理数据同化模型

    使用神经网络构建基于代理的数据同化模型，将可观测性和有效区域概念嵌入设计中，实现对有限区域状态的高效估计。

    Jul, 2023

  • 非线性动力系统中的迭代 INLA 用于状态和参数估计

    基于迭代线性化动力学模型的集成嵌套拉普拉斯近似方法，通过产生每次迭代的高斯马尔科夫随机场，利用 INLA 推断状态和参数，从而提供了处理非线性偏微分方程先验的更细致的方法，改进了在数据稀疏性普遍存在的情况下的预测准确性和鲁棒性。

    Feb, 2024

  • 随机参数化的机器学习

    使用机器学习的数据驱动方法来替代参数化方案，并结合随机化技术的大气模型的研究领域关键词。

    Feb, 2024

  • 人工智能增强的数据同化与不确定性量化在地质碳储存中的应用

    研究使用机器学习和数据同化技术，利用替代模型对地质碳储存项目进行集成，并在保持高保真度的情况下得到后验状态的结果。结果表明，利用机器学习模型进行数据同化可以显著提高标准 ESMDA 过程的速度，并且使用替代模型实现的随机最大似然方法在确定性建模和不确定性量化方面优于传统的 ESMDA 方法。

    Feb, 2024

  • 多模态环境下的深度生成数据同化

    通过深度生成模型，我们提出了 SLAMS 方法，用于使用实际数据集进行多模态数据同化，将现场天气站数据和卫星图像数据同化以在全球范围内校准垂直温度剖面，这是构建强大的计算模拟器的重要步骤。

    Apr, 2024