کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
5002310 | 1368452 | 2016 | 5 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Bayesian Reduced-Resolution Data Assimilation
ترجمه فارسی عنوان
به دست آوردن داده ها با کاهش داده های بیزی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
بیزی، جمع آوری داده ها، روشهای گروهی، کاهش ابعاد،
ترجمه چکیده
شبیه سازی عددی مشکلات ژئوفیزیکی همیشه منجر به استفاده از یک مش می شود که بیشتر از آنچه لازم است برای حل همه فرآیندهای فیزیکی مهم که توسط مجموعه ای از معادلات دیفرانسیل پویا حاکم توصیف شده است، مورد استفاده قرار می گیرد. بدین ترتیب، این مش مشی از دست دادن پدیده های فیزیکی مهمی است که ابزارهای مشاهده ای که برای به دست آمدن داده ها استفاده می شود را می بیند. عملکرد الگوریتم جذب داده ها را می توان با حسابداری برای این فرایندهای فیزیکی گمشده بهبود داد. ما خلاصه کار اخیر را شرح می دهیم که نحوه استفاده درست از قانون حاکم بر بیس را در زمانی که مدل سعی در پیش بینی یک نسخه ی کوتاه از یک وکتور با وضوح بسیار بالاتر دارد و مشاهداتی که در حال به دست آمدن هستند، مشاهده می کند که عناصر این بردار دولتی با وضوح بالا . سپس ما یک سیستم همسویی با داده های مونت کارلو (مونت کارلو) را توصیف می کنیم که از این نظریه در یک مسئله ساده استفاده می کند که ویژگی آن این است که جذب داده ها با وضوح پایین بسیار ضعیف عمل می کند مگر اینکه نظریه ی فوق الذکر به درستی به آن پرداخته شود.
موضوعات مرتبط
مهندسی و علوم پایه
سایر رشته های مهندسی
مکانیک محاسباتی
چکیده انگلیسی
The numerical simulation of geophysical problems invariably leads to using a mesh that is coarser than what is required to resolve all of the important physical processes being described by the set of governing partial differential equations. This coarse mesh will therefore miss important physical phenomena that the observational instruments used for data assimilation will see. The performance of a data assimilation algorithm can be improved by accounting for these missing physical processes. We briefly review recent work describing how to properly use Bayes' rule when the model is attempting to predict a truncated version of a much higher resolution state-vector and the observations that are being assimilated are observing the elements of this high-resolution state-vector. Then, we go on to describe a practical ensemble (Monte Carlo) data assimilation system that makes use of this theory in a simple problem which has the property that data assimilation at low-resolution works very poorly unless the aforementioned theory is properly accounted for.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: IFAC-PapersOnLine - Volume 49, Issue 18, 2016, Pages 188-192
Journal: IFAC-PapersOnLine - Volume 49, Issue 18, 2016, Pages 188-192
نویسندگان
Daniel Hodyss, Sarah King,