For oceanographic applications, probabilistic forecasts typically have to deal with i) high-dimensional complex models, and ii) very sparse spatial observations. In search-and-rescue operations at sea, for instance, the short-term predictions of drift trajectories are essential to efficiently define search areas, but in-situ buoy observations provide only very sparse point measurements, while the mission is ongoing. Statistically optimal forecasts, including consistent uncertainty statements, rely on Bayesian methods for data assimilation to make the best out of both the complex mathematical modeling and the sparse spatial data. To identify suitable approaches for data assimilation in this context, we discuss localisation strategies and compare two state-of-the-art ensemble-based methods for applications with spatially sparse observations. The first method is a version of the ensemble-transform Kalman filter, where we tailor a localisation scheme for sparse point data. The second method is the implicit equal-weights particle filter which has recently been tested for related oceanographic applications. First, we study a linear spatio-temporal model for contaminant advection and diffusion, where the analytical Kalman filter provides a reference. Next, we consider a simplified ocean model for sea currents, where we conduct state estimation and predict drift. Insight is gained by comparing ensemble-based methods on a number of skill scores including prediction bias and accuracy, distribution coverage, rank histograms, spatial connectivity and drift trajectory forecasts.


翻译:对海洋应用而言,概率预测通常必须涉及(一) 高维复杂模型,以及(二) 极为稀少的空间观测。例如,在海上搜索和救援行动中,对漂流轨迹的短期预测对于有效界定搜索区域至关重要,但当地浮标观测只能提供非常稀少的点测量,而任务仍在进行中。统计上的最佳预测,包括一致的不确定性说明,依靠贝叶斯式的数据吸收方法,使数据吸收最佳地利用复杂的漂浮模型和稀少的空间数据。为在这一背景下确定适当的数据同化方法,我们讨论本地化战略,比较两种基于远流轨轨迹的状态最先进的应用方法,以空间稀少的观测为目的。第一种方法是全方位移动轨道观测,我们为稀散点数据设计一个地方化计划。第二种方法是隐含等量的粒子过滤器,最近已经测试了相关的海洋学应用。首先,我们研究一种用于污染模型吸收和扩散的线性空间数据模拟模型的线性空间模型,我们讨论本地化战略并比较两种基于空间稀散观察的基于空间观测范围。第一个方法,其中分析卡勒曼的精确度预测和海洋的预测,我们用一种模拟的预测方法来比较了一种精确的预测,其中的精确的预测,通过测算来比较了海洋的预测的预测,其中的精确的精确度,通过测测测测测测测测测测测测测测测测测测测测测测的测的轨道。

0
下载
关闭预览

相关内容

一份简单《图神经网络》教程,28页ppt
专知会员服务
123+阅读 · 2020年8月2日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年4月3日
Arxiv
14+阅读 · 2019年9月11日
VIP会员
相关VIP内容
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员