アンサンブルカルマンフィルタに埋め込まれた深層学習による非線形データ同化

抄録

　粒子フィルタの最近の発展により、これを高次元系の非線形もしくは非ガウスデータ同化に用いることが可能になった．しかし、アンサンブルカルマンフィルタ（EnKF）の精度を上回るためには，比較的大きなアンサンブルが依然として必要である。本研究ではこれに代わるものとして、ディープニューラルネットワークをEnKFに局所的に埋め込んだ，深層学習に基づくアンサンブルデータ同化法を示す。この方法を深層学習アンサンブルカルマンフィルタ（DL-EnKF）と呼ぶ。DL-EnKFの解析アンサンブルは、DL-EnKFの解析値とEnKFの解析偏差アンサンブルから作成される。DL-EnKFの振舞いを、3つのバージョンのLorenz 96モデルとアンサンブルサイズ10の決定論的EnKFを用いて、完全モデルと不完全モデルの両方のシナリオによるデータ同化実験によって調べた。データ同化における非線形性の強さは、観測データの時間間隔を変えることによって制御した。その結果、このような小さなアンサンブルサイズにもかかわらず、非線形性が強い場合にはDL-EnKFの精度はEnKFより上回り、かつ同化サイクルにおける正のフィードバックによって、深層学習の出力より精度が向上することが示された。また、DL-EnKFによる精度の改善は、学習のターゲットとして大アンサンブルEnKF解析値や不完全モデルによるシミュレーションを用いても、真値を用いた場合と大差ないことが示された。