asszim alkmat 2012nimbus.elte.hu/~numelo/doc/2011_2012_mat/asszim_i_print.pdf · wind profiler,...
TRANSCRIPT
Alkmat 2012 Március
Meteorológiai Adatasszimiláció I.
Alkmat 2012 Március
Tartalom
• Bevezetés
• Elméleti alapok
• Adatasszimiláció a gyakorlatban
Alkmat 2012 Március
BEVEZETÉS
Alkmat 2012 Március
Bevezetés
• Numerikus elırejelzés: a hidro-termodinamikai egyenletek (HTE) numerikus megoldása
• A HTE megoldása vegyes feladat � parciális differenciál egyenlet kezdeti és peremértékek megadásával
• Adatasszimiláció: a kezdeti feltételek megadása
• Lényeges a pontosság a HTE rendszer megoldásának kezdeti feltételekre való érzékenysége miatt (a légkör kaotikus viselkedése)
Alkmat 2012 Március Alkmat 2012 Március
Alkmat 2012 Március
Verifikációs analízis
Elırejelzés „jó” kezdeti feltételbıl Elırejelzés „rossz” kezdeti feltételbılAlkmat 2012 Március
Bevezetés
Adatasszimiláció: becslés (légkör valós állapota)
Milyen igényeket támasztunk?
• Használjunk fel minden rendelkezésünkre álló információt(megfigyelések, modell, tudás a légkörrıl)• Optimálisan ötvözzük ıket (minimális becslési hiba)• Vegyük figyelembe a felhasznált információk hibáját (ezeket is csak becsülni tudjuk)• A becslés legyen összhangban a HTE-rendszerrel (dinamikai konzisztencia)
Alkmat 2012 Március
ELMÉLETI ALAPOK
Alkmat 2012 Március
Elméleti alapok
Egyszerő eset:
• 0 D: egyetlen térbeli pont• 1 változó: x• xa becslést adunk xt-re (a valós állapotra)• rendelkezésünkre állnak y1 és y2 megfigyelések ε1 és ε2 hibával terhelve
2t2 xy ε+=1t1 xy ε+=
( ) ?yyfxx 21ta === ,ˆ
Alkmat 2012 Március
Elméleti alapok
Feltesszük, hogy:
• a mérések torzítatlanok (nincs szisztematikus hiba)
• a mérési hibák szórásnégyzete ismert
• a mérési hibák korrelálatlanok
( ) ( ) 0EE 21 == εε
( )21
21 E εσ = ( )2
222 E εσ =
( ) 0E 21 =εεAlkmat 2012 Március
Elméleti alapok
Több megközelítés létezik:
1. Legkisebb négyzetek módszere 2. Maximum likelihood módszer
( ) ?yyfx 21a == ,
Alkmat 2012 Március
Elméleti alapok
1. Megközelítés: legkisebb négyzetek módszere
1t1 xy ε+=
2t2 xy ε+=
2211a ykykx +=
?k1 =
?k2 =
Szeretnénk, hogy:
( )( ) minxxE2
ta2a =−=σ• a becslés négyzetes hibája minimális legyen
( ) 0xxE ta =−• a becslés torzítatlan legyen 1kk 21 =+
Alkmat 2012 Március
Elméleti alapok
1. Megközelítés: legkisebb négyzetek módszere
1kk 21 =+
2211a ykykx +=( ) 2111a yk1ykx −+=
( )12a kminσ
( ) ( )( ) ( ) ( )( )( )( )2
t2t11t1
2
ta12a xxk1xkExxEk −+−++=−= εεσ
( )( )( )2
2111 k1kE εε −+=
( )( ) ( ) ( ) ( ) ( )( )2
2
2
12111
2
121 Ek1Ek1k2Ek εεεε −+−+=
( ) 22
2
121
21 k1k σσ −+= min � k1 szerinti derivált 0
Feladat:
Alkmat 2012 Március
Elméleti alapok
1. Megközelítés: legkisebb négyzetek módszere
22
21
22
1kσσ
σ
+=
22
21
21
12 k1kσσ
σ
+=−=
222
21
21
122
21
22
a yyxσσ
σ
σσ
σ
++
+=
∑=+==
p
1i 2i
22
21
2a
1111
σσσσ
A becslés:
A becslés megbízhatósága:
Minden megfigyelés növeli a megbízhatóságot!
Alkmat 2012 Március
Elméleti alapok
2. Megközelítés: Maximum-likelihood módszer
A meteorológiai változók „jól” modellezhetık Normális eloszlású valószínőségi változókként
( ) ( )
−−
∏=
2
2mx
exp2
1xf
σσ
( )2mNx σ,∈
Emlékeztetı:
Alkmat 2012 Március
Elméleti alapok
2. Megközelítés: Maximum-likelihood módszer
Minta: normális eloszlású megfigyelések21 yy ,
( )( )
−−
∏=
21
2
1
1
1
xy
2
1exp
2
1yf
σσ
( )( )
−−
∏=
22
2
2
2
2
xy
2
1exp
2
1yf
σσ
A valós állapot (xt) becslését a megfigyelések várható
értékeként (x) keresem:
Alkmat 2012 Március
Elméleti alapok
2. Maximum-likelihood módszer
( ) ( )
−+
−−
Π→
22
2
2
21
2
1
21x
a
xy
2
1xy
2
1exp
2
1maxx
σσσσ
axBecslés: a minta együttes sőrőségfv-ének szerinti maximuma:x
( ) ( )21x
a yfyfmaxx →
Alkmat 2012 Március
Elméleti alapok
2. Maximum-likelihood módszer
( ) ( )
−+
−→
22
2
2
21
2
1
xa
xy
2
1xy
2
1minx
σσ
Ezt kaptuk a legkisebb négyzetek módszerével is!
222
21
21
122
21
22
a yyxσσ
σ
σσ
σ
++
+=
∑=+==
p
1i 2i
22
21
2a
1111
σσσσ
Alkmat 2012 Március
Elméleti alapok
Összefoglalás: Normális eloszlású hibák esetén a Legkisebb Négyzetek módszere és a Maximum-Likelihood módszer ekvivalensek
Optimális Interpoláció (OI)(lineáris regresszió)
∑==
p
1iiia ykx
?ki =
( ) ( )∑
−=
=
p
1i 2i
iyx
2
1xJ
σ
( ) ?xargminJ =
(Iteratív minimum keresı algoritmusok)
Variációs módszer (VAR)(veszteség függvény)
Alkmat 2012 Március
Elméleti alapok
y2y1 xa
Példa:
y1=5, σ1=1
y2=10, σ2=2
xa=6, σa=0.8
Alkmat 2012 Március
ADATASSZIMILÁCIÓ A GYAKORLATBAN
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
A Numerikus modellek egy 3D rácsonoldják meg a HTE rendszert. A rácson értelmezett meteorológiai változók együttese az ún. állapotvektor (továbbiakban x)amely a mai modellek esetében n~107
nagyságrendő.
Adatasszimiláció: az állapotvektor megadása a kezdeti idıpillanatban (analízis), úgy, hogy az minél közelebb legyen a valósághoz
Információink: megfigyelések/mérések +background/first guess (háttér) + légkör dinamikájának ismerete
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Background/first guess:• a modell által elırejelzett állapotvektor
• térben szabályos rács
• közvetlenül modell változók
• dimenzió: n~107
Megfigyelések:• idıben rendszeres számszerő mérések
• térben szabálytalan rács
• összetett összefüggés (lehet) a mért és a modell változók között
• dimenzió: p~105
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Megfigyelések
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Felszíni megfigyelések Rádiószondák
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Felszíni megfigyelések Rádiószondák
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Repülıgépes megfigyelések
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Mőholdas megfigyelések
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Mőholdas megfigyelések
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Mőholdas megfigyelések
Wind profiler, Radar, GPS, stb…..Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
megfigyelések: az analízis idıpontjában aktuális megfigyelések
tx
fx
y
ax
tx axfx y
valóság: valós állapot az analízis idıpontjában
analízis: az adatasszimiláció eredménye (a kezdeti feltétel)
háttér mezı: az analízis idıpontjára vonatkozó elırejelzés
, és n~107 dimenziós vektorok, p~105 dimenziós vektor
Több dimenziós felírás
A megfigyelési operátor linearizáltja: ( mátrix)
yx a:H
( )xx
H∂
∂=H
nxpH
Megfigyelési operátor: (nem lineáris)
A megfigyelési operátor adjungáltja: ( mátrix)TH TnxpH
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Több dimenziós felírás
ata xxε −=
( ) yxε −= to H
ftf xxε −=
analízis hiba:
háttér hiba:
megfigyelési hiba:
n~107
n~107
p~105
( )Tfff E εεP = ( )T
ooo E εεP =( )Taaa E εεP =
hiba kovariancia mátrixok:
analízis háttér megfigyelés
(n x n) (n x n) (p x p)
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Több dimenziós felírás: Variációs veszteségfüggvény (Maximum-Likelihood)
( ) ( ) ( ) ( )( ) ( )( )xyPxyxxPxxx f HH −−+−−= −− 1o
T
f1
f
T
2
1
2
1J
( )( )
( ) 1
oT
fT
f
ffa
−+=
−+=
PHHPHPK
xyKxx H
Több dimenziós felírás: Optimális Interpoláció (legkisebb négyzetek módszere)
Áll: Az ekvivalencia több dimenzióban is igaz de csak lineáris esetén !H
oJbJ
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Variációs veszteségfüggvény
( ) ( ) ( ) ( )( ) ( )( )xyPxyxxPxxx f HH −−+−−= −− 1o
T
f1
f
T
2
1
2
1J
( ) ( ) ( )xHdPxHdxPxx δδδδδ −−+= −− 1o
T1f
T
2
1
2
1J
fxxx −=δ( )fxyd H−=
A background-tól vett eltérésre (inkrementumra) írjuk fel azaz linearizáljuk:
( ) ( ) xHdxHxyxy δδ −=−−=− fHH
( ) ( ) ( ) ( ) ( )2fff xxx
xxxxx δδδ O
HHHH +
∂
∂+=+=
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Variációs veszteségfüggvény gradiense:
( ) ( ) ( )xHdPxHdxPxx δδδδδ −−+= −− 1o
T1f
TJ2
xHPHxdPHxxHPddPdxPx δδδδδδ 1o
TT1o
TT1o
T1o
T1f
T −−−−− +−−+=
( )
Axx
yAxxy
dAx
yAxdy
ABAB
T
T
2
T
TTT
=∂
∂→=
=∂
∂→=
=
a1
oT1
oT1
oT
a1
f 22J0 xHPHdPHdPHxP δδ −−−− +−−=∇=
( ) dPHxHPHP 1o
Ta
1o
T1f
−−− −+= δ
( ) ( )( )f1
oT11
oT1
ffa xyPHHPHPxx H−++= −−−−
K=Áll
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Áll: ( ) ( ) 1
oT
fT
f1
oT11
oT1
f
−−−−− +=+ PHHPHPPHHPHP
Biz: ( ) ( ) Tf
1o
T1fo
Tf
1o
THPHPHPPHHPPH
−−− +=+T
f1
oTTTT
f1
oT
HHPPHHHHHPPH−− +=+
� 3DVAR és az OI módszerek ekvivalensek de csak lineáris megfigyelési operátor esetén!
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Best Linear Unbiased Estimation (BLUE):
( )( )
( )( ) fa
1
oT
fT
f
ffa
PKHIP
PHHPHPK
xyKxx
−=
+=
−+=−
H
Az analízis hiba mindig kisebb a háttér hibánál, azaz a megfigyelések mindig javítanak a háttérmezın!
b
ob
ba 1 σ
σσ
σσ
+−=
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
kezdeti feltétel
Adatasszimilációs ciklus
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Adatasszimilációs ciklus:
:M ( )ka
1kf xx M=+Modell operátor (propagátor):
( )( )( ) 1
oTk
fTk
fk
kf
kkkf
ka
−+=
−+=
PHHPHPK
xyKxx H
( )( )( ) 1
oT1k
fT1k
f1k
1kf
1k1k1kf
1ka
−+++
+++++
+=
−+=
PHHPHPK
xyKxx H
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Variációs asszimiláció: a minimum keresés
iteráció ( ) 0J a ≈∇ xδ( )xδJ
( )xδJ∇új xδ teszt ( )xδJ
( )0xJ =∇ δ
( )ixJ δ∇
( )axJ δ∇
( ) ( ) ( )xHdPxHdxPxx δδδδδ −−+= −− 1o
T1f
T
2
1
2
1J
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Variációs asszimiláció: a minimum keresés
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Variációs asszimiláció: a minimum keresés
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Variációs asszimiláció: a minimum keresés
oJ xHd δ−HMit vesztünk az inkrementális formulával ( linearizálásával)?
• nem az „eredeti” -t minimalizáljuk ( )• a fenti pont miatt annál nagyobb hibát vétünk minél inkább nem lineáris
a az körülH fx
J(δx)J(x)
Pl. közel lineáris H
afa xxx δ+≈
fx
J(δx)J(x)
Pl. erıssen nem lineáris H
afa xxx δ+≠
fx
Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Variációs asszimiláció: a minimum keresésAz inkrementális formula javítása: „külsı” iterációk (outer loops)
( )1J xδ( )1fxyd H−=
1fx Outer loop 1
( )2fxyd H−=1a1f2f xxx δ+= Outer loop 2
( )3fxyd H−=2a2f3f xxx δ+= Outer loop 3
( )1J xδ∇1axδ
Inner loop 1
( )2J xδ( )2J xδ∇
2axδInner loop 2
( )3J xδ( )3J xδ∇
3axδInner loop 3
1f1 xxx −=δ
2f2 xxx −=δ
3f3 xxx −=δ
3a2fa xxx δ+= Alkmat 2012 Március
Adatasszimiláció a gyakorlatban
Észrevételek:
� VAR módszer nem követeli meg, hogy a megfigyelési operátor lineáris legyen
� Pl. nem lineáris megfigyelési operátorra: mőholdas sugárzási értékek, radar reflektivitás, GPS
� Az új megfigyelési technikák felhasználása megköveteli a VAR módszer alkalmazását
� VAR módszer „globális” míg az OI „lokális”