On-demand data assimilation of large-scale spatial temporal systems using sequential Monte Carlo methods

تکثیر سنسورها باعث تولید مقادیر به سرعت در حال افزایش اطلاعات مانند هرگز قبل از. این مقدار گسترده ای از داده ها می تواند اطلاعات مفیدی را برای استنتاج دقیق تر دولت از سیستم های فضایی بزرگ در مقیاس بزرگ ارائه دهد. روشهای مونت کارلو به صورت متوالی برای به دست آوردن داده های مشاهده شده از سنسورها برای بهبود وضعیت تخمین سیستم های زمانبندی فضایی در مقیاس بزرگ استفاده می شود که به شدت به اطلاعات موجود در زمان واقعی دسترسی پیدا می کند. در بسیاری از موارد، اطلاعات زمان واقعی در فضا و زمان محدود است. بنابراین، مهم است که به طور موثر اطلاعات سنسورهای بحرانی را در زمان واقعی بدست آورید و سپس به صورت پویا آنها را به مدل اجرا کنید. در این مقاله، ما روش تقسیم اطلاعات بر اساس تقاضا را برای سیستم های زمانبندی فضایی بزرگ ارائه می دهیم، که در آن ما مقدار حالت های فضایی را با استفاده از روش های اندازه گیری حالت زمان اجرا تعیین می کنیم و تصمیم می گیریم که آیا ما نیاز داریم که تقسیم اطلاعات را براساس تقاضا انجام دهیم و مناسب تر کنیم داده های زمان واقعی زمانی که عدم اطمینان دولت بالا است. اثربخشی چارچوب توسعه یافته براساس شبیه سازی گسترده ای از گسترش آتش سوزی ارزیابی می شود.