Hello,
about a month ago, Antti's paper "Estimating model error covariance matrix parameters in extended Kalman filtering" got published in
Nonlinear Processes in Geophysics. It is a continuation of long series of papers, e.g.,
p1,
p2,
p3,
p4, and also related to the main topic of my
doctoral dissertation.
The paper discusses how
Filter Likelihood -technique can be used for estimating the parameters of the model error covariance matrix in extended Kalman filtering. The paper shows that
(a) the importance of the model error covariance matrix calibration depends on the quality of the observations, and that
(b) the estimation approach yields a well-tuned EKF in terms of the accuracy of the state estimates and model predictions.
Today FMI published a
tiedeuutinen about it. This is what came out:
Uusi menetelmä data-assimilaatiosysteemin säätämiseen
Vastajulkaistussa tutkimuksessa esitetään objektiivinen numeerinen menetelmä, jonka avulla data-assimilaation parametrit voidaan säätää kohdilleen, jotta säämalli ja havaintodata sulautuvat hyvin toisiinsa.
Data-assimilaatio on tekniikka, jonka avulla säämalli ja havaintodata voidaan sulauttaa yhteen. Se onkin keskeinen työkalu esimerkiksi numeerisessa säänennustamisessa. Useisiin data-assimilaatiotekniikoihin sisältyy termi, jonka tarkoituksena on kuvata sitä virhettä, jonka malli tekee liikuttaessa aikapisteestä toiseen. Toisaalta sen tarkoituksena on myös kompensoida niitä virheitä, joita itse data-assimilaatiosysteemiin liittyy. Perinteisesti on ajateltu, että tämä termi on mallintajan säätöparametri, jonka mallintaja asettaa käsin.
Uudessa tutkimuksessa voitiin osoittaa, että säädön tarpeellisuus riippuu olennaisesti käytettävien havaintojen tarkkuudesta ja määrästä. Tutkimuksessa esitelty numeerinen algoritmi antaa hyvin säädetyn ennustesysteemin, jossa koko ennustesysteemin ennustevirhe on samassa suhteessa simuloidun oikean ennustevirheen kanssa.
Tutkimus on julkaistu kansainvälisessä Nonlinear Processes in Geophysics -tiedelehdessä ja siihen on osallistunut tutkijoita Ilmatieteen laitokselta, Lappeenrannan teknilliseltä yliopistolta ja Aalto-yliopistolta. Tutkimus on tehty osana Suomen akatemian laskennallisten tieteiden tutkimusohjelmaan kuuluvaa NOVAC-projektia.
Lisätiedot:
Tutkija Antti Solonen, antti.solonen@gmail.com
Tutkija Janne Hakkarainen, janne.hakkarainen@fmi.fi
Linkki tutkimukseen: http://www.nonlin-processes-geophys.net/21/919/2014/
Check it out!
Citation: Solonen, A., Hakkarainen, J., Ilin, A., Abbas, M., and Bibov, A.: Estimating model error covariance matrix parameters in extended Kalman filtering,
Nonlin. Processes Geophys., 21, 919-927,
doi:10.5194/npg-21-919-2014, 2014.
Cheers,
Janne
