基于得分的两层准地转模型数据同化
数据同化对于天气预报模型的初始化至关重要。最近，提出了深度生成数据同化的方法，可以在不重新训练模型的情况下使用新的输入数据，从而大大加速操作性区域天气模型中昂贵的数据同化过程。在美国中部的一个测试区域中，我们演示了在真实复杂的千米尺度天气情境中基于得分的数据同化的可行性。我们训练了一个无条件扩散模型来生成最先进的千米尺度分析产品 “高分辨率快速更新” 的快照。然后，利用基于得分的数据同化方法将稀疏的气象站数据融合进模型，模型生成了降水和地面风向的地图。生成的场景显示出物理上合理的结构，如阵风，敏感性测试通过多变量关系验证了学习到的物理规律。初步的技巧分析表明，这种方法已经优于高分辨率快速更新系统本身的天真基准。通过融合来自 40 个气象站的观测数据，对于剩余的站点达到了 10% 的较低根均方差。尽管存在一些局限性，如集合数据同化估计欠精确，但总体上结果令人鼓舞，并且是千米尺度上的首次概念验证。现在是一个时机成熟的时候，可以探索将日益雄心勃勃的区域状态生成器与越来越多的现场、地面和卫星遥感数据流结合起来的扩展方法。
Jun, 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
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
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
通过精确的数据同化生成初始条件对可靠的天气预报和气候建模至关重要。我们提出了一种基于机器学习的数据同化方法 DiffDA，能够使用预测状态和稀疏观测同化大气变量。通过使用预先训练的 GraphCast 天气预报模型作为去噪扩散模型，我们的方法实现了两阶段的条件约束，并能在没有观测的情况下将预测结果后处理为未来的预测数据。实验证明，我们的方法能够产生与 0.25 度分辨率观测一致的全球大气同化数据，并且与最先进的数据同化套件生成的初始条件相比，预报模型的预测提前期最多仅损失 24 小时，从而使该方法能够应用于真实世界的实际问题，如自回归数据同化重建分析数据集。
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