Neural Incremental Data Assimilation

数据同化是许多地球物理应用中的核心问题，例如天气预报。它旨在从稀疏观测和先前的物理知识补充中估计潜在大系统（例如大气）的状态。涉及的系统规模和基础物理方程的复杂性使得从计算角度来看这是一项具有挑战性的任务。神经网络代表了一种有前途的方法，可以以低成本模拟物理学，因此有可能显着改进和加速数据同化。在这项工作中，我们引入了一种深度学习方法，其中物理系统被建模为由神经网络参数化的粗到细的高斯先验分布序列。这使得我们能够定义一个同化算子，该算子以端到端的方式进行训练，以在具有不同观测过程的数据集上最小化重建误差。我们在具有稀疏观测的混沌动力学物理系统上演示了我们的方法，并将其与传统的变分数据同化方法进行了比较。

本论文旨在解决数据同化中的估计问题，即从稀疏观测数据和先验物理知识中估计大规模系统的状态。并且通过神经网络来优化数据同化的计算效率。

论文提出了一种深度学习方法，将物理系统建模为一系列由神经网络参数化的从粗到细的高斯先验分布。这使我们能够定义一个同化算子，并以端到端的方式对其进行训练，以在具有不同观测过程的数据集上最小化重构误差。

论文在深度学习的基础上，提出了一种新的方法来解决数据同化问题，与传统的变分数据同化方法相比，具有更高的计算效率。论文通过实验验证了该方法的有效性，并与传统方法进行了比较。实验数据集为具有稀疏观测数据的混沌动力学物理系统。论文开源了代码，提供了可复现的实验环境。

在这个领域中，最近的相关研究包括：《Data assimilation using machine learning algorithms》、《A review of machine learning for assimilation of remote sensing data into Earth system models》等。