Reduced-Rank Sigma-Point Kalman Filter and Its Application in ENSO Model
Notice bibliographique
Résumé
Abstract The huge computational expense has been a main challenge while applying the sigma-point unscented Kalman filter (SPUKF) to a high-dimensional system. This study focuses on this issue and presents two methods to construct a reduced-rank sigma-point unscented Kalman filter (RRSPUKF). Both techniques employ the truncated singular value decomposition (TSVD) to factorize the covariance matrix and reduce its rank through truncation. The reduced-rank square root matrix is used to select the most important sigma points that can retain the main statistical features of the original sigma points. In the first technique, TSVD is applied on the covariance matrix constructed in the data space [RRSPUKF(D)], whereas in the second technique TSVD is applied on the covariance matrix constructed in the ensemble space [RRSPUKF(E)]. The two methods are applied to a realistic El Niño–Southern Oscillation (ENSO) prediction model [Lamont-Doherty Earth Observatory model, version 5 (LDEO5)] to assimilate the sea surface temperature (SST) anomalies. The results show that both the methods are more computationally efficient than the full-rank SPUKF, in spite of losing some estimation accuracy. When the truncation reaches a trade-off between cost expense and estimation accuracy, both methods are able to analyze the phase and intensity of all major ENSO events from 1971 to 2001 with comparable estimation accuracy. Furthermore, the RRSPUKF is compared against ensemble square root filter (EnSRF), showing that the overall analysis skill of RRSPUKF and EnSRF are comparable to each other, but the former is more robust than the latter.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».