- 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。
- 千米尺度稀疏气象站观测的生成数据同化
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 - 实时数据同化带有不确定性量化的深度潜空间粒子滤波器
使用神经网络的替代模型,Deep Latent Space Particle filter (D-LSPF) 可以在低维潜在空间中进行数据融合和实时的不确定性估计,运行速度比高保真粒子滤波器快一个数量级,并且比其他方法快 3-5 倍,精度可 - FNP:傅里叶神经过程用于任意分辨率数据同化
使用 Fourier 神经过程(FNP)实现任意分辨率数据同化的方法展现了卓越的泛化能力,能够在不同任务和分辨率的观测下进行直接处理。
- 深度贝叶斯滤波在贝叶斯可信数据同化中的应用
提出了用于非线性状态空间模型的深度贝叶斯滤波(DBF)方法,通过构建新的潜在变量并利用高斯逆观测算子进行数据同化,使得 DBF 的后验分布始终保持高斯性质,克服了采样误差积累的问题,并在各种任务和条件下优于基于模型和潜在同化方法。
- VAE-Var:变分自编码增强的变分同化
VAE-Var 是一种新的变分算法,利用变分自动编码器(VAE)对背景误差分布进行建模,理论推导了 VAE 估计下的变分成本,并提出了 VAE-Var 的一般公式;我们在低维混沌系统上实现了 VAE-Var,并通过实验结果证明了在不同观测设 - 使用消息传递的可扩展数据同化
数据同化是数值天气预报系统的核心组成部分,本研究利用贝叶斯推断问题的消息传递算法来解决空间推断问题,结合 GPU 加速实现,可以在保持较高准确性和计算记忆需求的同时,将算法扩展到非常大的网格尺寸。
- Fuxi-DA: 一种用于同化卫星观测数据的通用深度学习数据同化框架
该研究介绍了 FuxiDA,一种用于吸收卫星观测数据的 DL-based DA 框架,通过吸收来自风云 - 4B 上的先进准同步辐射成像仪(AGRI)的数据,Fuxi-DA 不断减小分析误差并显著提高预测性能。此外,通过一系列单一观测实验, - CVPR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。
- CGNSDE:用于建模复杂系统和数据同化的条件高斯神经随机微分方程
发展了一种基于知识和机器学习的混合建模方法,称为条件高斯神经随机微分方程(CGNSDE),旨在模拟复杂动态系统并实现相关数据同化的分析公式。
- 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 - 一种用于作物生长模型的 EnKF-LSTM 同化算法
通过将集合卡尔曼滤波器和 LSTM 神经网络相结合,本文提出了一种适用于各种作物的 EnKF-LSTM 数据同化方法,该方法有效避免了现有数据同化方法的过拟合问题,并消除了测量数据的不确定性,从而提高了预测的准确性。通过农田上部署的传感器设 - 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。
- ICLR学习半线性神经算子:一种统一递归框架用于预测和数据同化
使用基于学习的状态空间方法计算无限维半线性 PDE 的解算符,结合预测和修正操作,该方法能够在长时间范围内进行快速准确的预测并根据稀疏采样的噪声测量修正解算结果。
- 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 - 利用 ERA5、ASOS 和 U-STN 模型进行英国天气预报的数据同化
探究了数据驱动的机器学习模型与数据同化相结合的趋势对天气预测的增强作用,通过利用 ERA5 850hPa 温度数据和改进的 U-STN12 全球天气预报模型,针对英国的气候特点进行预测,并发现将大气数据整合到 DA 中显著增强了模型的准确性 - DiffDA:一种用于天气尺度数据同化的扩散模型
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 - 利用强化学习提高基于无人机的温室气体通量推断
通过使用数据同化推断和强化学习优化采样策略的思路,研究展示了一个基于无人机观测的地表通量估计框架,证明了强化学习训练的无人机可以更准确地量化 CO2 热点,而非沿预定义路径进行采样的无人机,这为进一步开发复杂地表通量场的映射框架提供了有价值 - 基于图像的深度学习技术对智能数字孪生的综述
通过持续数据同化,智能数字孪生系统(SDTs)在多个领域中使用图像数据观察和学习系统行为,并控制其行为,从而提高复杂系统的性能优化。本文聚焦于不断同化物理系统中的图像数据来发展基于图像的 SDTs 的各种方法及相关挑战,并讨论了设计和实现 - 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