神经网络数据同化的变分自编码器
摘要：全神经网络数据同化（NNDA）中的变分自动编码器（VAE）在潜在空间中提出了一种替代的数据同化方法。应用于3D变分数据同化（3D-Var）代价函数，以找到最佳融合模拟观测和编码短期坚持预报（背景）的潜在空间向量，考虑其误差。我们证明背景误差协方差矩阵在潜在空间中测量和表示时几乎是对角的。在对低层对流层中的单个温度观测进行数据同化实验时，表明同一组神经网络衍生的基函数能够描述热带和副热带的背景误差协方差。背景误差协方差随季节变化，并且还取决于大气的当前状态。我们的方法模仿了3D变分数据同化（3D-Var），但可以通过包括神经网络预报模型进一步扩展为类似于4D-Var的方法。
作者：Bov{s}tjan Melinc and v{Z}iga Zaplotnik
论文ID：2308.16073
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-08-31