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。
Sep, 2020
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
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
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
使用机器学习代理模型和部分、嘈杂观测，本研究调查在线天气预测。我们经验性地证明并理论上证明，尽管代理模型长期不稳定且观测稀疏，但滤波估计在长期时间范围内仍然准确。作为一个案例研究，我们在变分数据同化框架中使用 FourCastNet，一种最先进的天气代理模型，使用部分、嘈杂的 ERA5 数据。我们的结果表明，在一年的同化窗口中，滤波估计保持准确，并为包括极端事件预测在内的预测任务提供有效的初始条件。
May, 2024
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
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
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