Ensemble Kalman Filtresi
Ensemble Kalman Filter (Data Assimilation) · Ayrıca şöyle bilinir: EnKF, Monte Carlo Kalman Filter, Stochastic Ensemble Filter, Topluluk Kalman Filtresi
Ensemble Kalman Filtresi (EnKF), Geir Evensen tarafından 1994 yılında tanıtılan sıralı bir Monte Carlo veri asimilasyon algoritmasıdır. Klasik Kalman filtresini, tam bir kovaryans matrisini yaymak yerine, model gerçekleştirmelerinden oluşan sonlu bir topluluk aracılığıyla tahmin hatası kovaryansını temsil ederek yüksek boyutlu, doğrusal olmayan dinamik sistemlere genişletir. Her topluluk üyesi doğrusal olmayan model aracılığıyla evrilir ve gözlemler, örnek tabanlı bir Kalman kazancı hesaplanarak asimile edilir, bu da yöntemi büyük jeofiziksel modeller için hesaplama açısından elverişli hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Durum uzayı büyük olduğunda (binlerce ila milyonlarca değişken), dinamikler doğrusal olmadığında ve sıralı gözlemler gerçek zamanlıya yakın bir şekilde dahil edilmesi gerektiğinde Ensemble Kalman Filtresini kullanın. Gauss hatası istatistiklerini ve topluluk boyutunun baskın hata modlarını yaklaştırmak için yeterli olduğunu varsayar. Güçlü şekilde Gauss olmayan arka dağılımlar için uygun değildir (parçacık filtresini tercih edin) ve küçük topluluk boyutları (N < 20) filtre ıraksamalarını önlemek için yerelleştirme ve şişirme teknikleri gerektirir. Alternatifler, orta boyutlu doğrusal olmayan sistemler için Unscented Kalman Filtresi veya Gauss olmayan ayarlar için parçacık filtresini içerir.
Güçlü yönler & sınırlılıklar
- Genişletilmiş Kalman Filtresinin aksine, açık doğrusallaştırma olmadan yüksek boyutlu doğrusal olmayan sistemleri işler.
- Hesaplama açısından ölçeklenebilir: kovaryans, topluluk tarafından örtük olarak temsil edilir, büyük matrislerin depolanmasından ve ters çevrilmesinden kaçınılır.
- Her asimilasyon adımında topluluk yayılımı yoluyla doğal olarak belirsizlik miktarını belirler.
- Doğrusal olmayan mevcut ileri modellerle minimum kod değişikliğiyle uygulaması basittir.
- Yaklaşık olarak Gauss hatası istatistiklerini varsayar; güçlü Gauss olmayan veya çok modlu arka dağılımlarda performans düşer.
- Küçük topluluk boyutları, sıralı olmayan örnek kovaryanslara yol açar, bu da yapay uzun mesafeli korelasyonlara ve filtre ıraksamasına neden olur.
- Uygulama karmaşıklığı ekleyen kovaryans yerelleştirme ve çarpımsal şişirme tekniklerini ayar parametreleri olarak gerektirir.
- Stokastik gözlem pertürbasyonları, gözlem pertürbasyonlarından kaynaklanan örnekleme gürültüsü ekler ve bu da deterministik karekök varyantlarına kıyasla analiz doğruluğunu hafifçe düşürebilir.
SSS
Tipik olarak kaç topluluk üyesi gereklidir?
Çoğu operasyonel uygulama 20 ila 100 üye arasında kullanır. Gerekli topluluk boyutu, hata kovaryansının etkili derecesine bağlıdır - daha düşük içsel boyutluluğa sahip sistemler daha az üyeye ihtiyaç duyar. Yerelleştirme teknikleri, milyonlarca durum değişkenine sahip modellerde bile 20-50 kişilik pratik topluluk boyutlarına izin verir, ancak hesaplama bütçesi izin verdiğinde doğruluk daha büyük topluluklarla iyileşir.
Stokastik EnKF ile karekök EnKF arasındaki fark nedir?
Stokastik EnKF (Evensen 1994), beklenti içinde doğru topluluk istatistiklerini elde etmek için her gözlemi rastgele gürültü ile pertürbe eder, ancak ek örnekleme varyansı ekler. Karekök veya deterministik EnKF varyantları (örneğin, ETKF, ESRF), rastgele çekilişler olmadan cebirsel olarak topluluk pertürbasyonlarını günceller, gözlem pertürbasyon gürültüsünü ortadan kaldırır ve genellikle aynı topluluk boyutu için daha iyi doğruluk elde eder.
EnKF, sadece durum tahmini için değil, parametre tahmini için de uygulanabilir mi?
Evet. Durum vektörünü bilinmeyen model parametreleriyle artırarak ve onları güncellenecek ek değişkenler olarak ele alarak, EnKF eşzamanlı durum ve parametre tahmini gerçekleştirir. Bu artırılmış durum yaklaşımı, rezervuar geçmişi eşleştirmede ve hidrolojik model kalibrasyonunda yaygın olarak kullanılır, ancak parametrelerin gözlemler tarafından yetersiz kısıtlandığı durumlarda tanımlanabilirlik sorunlarını önlemek için yeterli topluluk çeşitliliği gerektirir.
Kaynaklar
- Evensen, G. (1994). Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics. Journal of Geophysical Research, 99(C5), 10143–10162. DOI: 10.1029/94JC00572 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Ensemble Kalman Filter (Data Assimilation). ScholarGate. https://scholargate.app/tr/data-fusion/ensemble-kalman-filter
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Veri FüzyonuVeri füzyonu↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır