Improving the ensemble transform Kalman filter using a second-order Taylor approximation of the nonlinear observation operator
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. The ensemble transform Kalman filter (ETKF) assimilation scheme has recently seen rapid development and wide application. As a specific implementation of the ensemble Kalman filter (EnKF), the ETKF is computationally more efficient than the conventional EnKF. However, the current implementation of the ETKF still has some limitations when the observation operator is strongly nonlinear. One problem in the minimization of a nonlinear objective function similar to 4D-Var is that the nonlinear operator and its tangent-linear operator have to be calculated iteratively if the Hessian is not preconditioned or if the Hessian has to be calculated several times. This may be computationally expensive. Another problem is that it uses the tangent-linear approximation of the observation operator to estimate the multiplicative inflation factor of the forecast errors, which may not be sufficiently accurate. This study attempts to solve these problems. First, we apply the second-order Taylor approximation to the nonlinear observation operator in which the operator, its tangent-linear operator and Hessian are calculated only once. The related computational cost is also discussed. Second, we propose a scheme to estimate the inflation factor when the observation operator is strongly nonlinear. Experimentation with the Lorenz 96 model shows that using the second-order Taylor approximation of the nonlinear observation operator leads to a reduction in the analysis error compared with the traditional linear approximation method. Furthermore, the proposed inflation scheme leads to a reduction in the analysis error compared with the procedure using the traditional inflation scheme.
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.
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 | 0,001 |
| 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 découle