May, 2023

在线机器学习用于顺序数据同化的预测不确定性估计

PDF
TL;DR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。
forecast uncertaintynumerical weather predictiondata assimilationmachine learningcovariance matrix
发现论文，激发创造
  • 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

  • 深度学习中的多元不确定性

    本文论述了深度学习在自主驾驶和机器人中导航和状态估计中的应用，为了在黑盒模型和卡尔曼和其他贝叶斯滤波器中更加稳妥可靠地使用深度学习，需要准确地量化多变量不确定性，提出并实验了通过神经网络建模多元不确定性的方法，并证明精确的多变量不确定性量化对于卡尔曼滤波器性能在领域内和领域外评估数据中的巨大影响，同时指出端到端滤波器训练可以允许不确定性预测来补偿滤波器的不足。

    Oct, 2019

  • 结合数据同化和机器学习推断未解决的尺度参数化

    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

  • U-Net 卡尔曼滤波器 (UNetKF): 机器学习辅助集合数据同化的示例

    使用 U-Net 技术结合集合卡尔曼滤波算法，进行数据同化实验，得出 U-Net Kalman Filter 方法可以与传统的 3DVar、En3DVar 或 EnKF 方法相媲美或超越其性能，并展示训练后的 U-Net 模型能够转移到高分辨率模型中进行实现，在小集合规模下表现出色。

    Mar, 2024

  • 高效时空混沌数据同化：局部集合变换卡尔曼滤波器

    本文主要介绍了一种实用的数据同化方法 —— 基于集合卡尔曼滤波算法，它将系统状态及其不确定性表示为系统状态的集合，重点在于易于使用和计算速度而非提高准确性。作者通过一些数值实验证明了该方法在全球天气预报模型下合理有效地同化真实大气数据的效率和准确性。

    Nov, 2005

  • 对复杂动态系统中认识不确定性和随机不确定性量化的机器学习架构评估

    本研究比较了多种机器学习技术的 UQ 准确性，并对两个模型（船只在波浪中的运动和 Majda-McLaughlin-Tabak 模型）进行了应用。

    Jun, 2023

  • 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

  • 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

  • 利用深层集成技术在感应不确定性下进行行人轨迹预测

    提出了一种能够同时考虑感知不确定性和预测不确定性的端到端估计器 —— 基于编解码器的深度合奏网络，比较了该模型与其他近似贝叶斯推断方法。实验表明，该方法可以更准确地进行鲁棒的未来状态预测。

    May, 2023

  • 使用机器学习代理模型的数据同化研究：以 FourCastNet 为例

    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