多模态环境下的深度生成数据同化
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
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
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
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
本研究论文评估了得分为基础的数据同化方法（SDA）在高维地球物理动力系统中的可伸缩性，并提出了对得分网络架构的修改，旨在显著减少内存消耗和执行时间。通过对一个双层准地转流模型的实验结果，证明了该方法的前景。
Oct, 2023
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
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