#data assimilation

9 stories · 0 in 7 days · 3 in 30 days

machine learning 2 3D-Var 1 4D-Var 1 CNN 1 ECMWF 1 FlowEF 1 SIQR 1 uncertainty estimation 1

Stories, products and papers tagged "data assimilation", newest first.

Nov 3

Papers15:18

Chinese content数据同化与嵌入式方法对比：动力学系统闭合模型学习

训练动力学闭合模型到底嵌入模拟器还是分阶段离线训？这篇用 SIQR 模型把两边成本和精度账算清楚了。

#data assimilation #machine learning #SIQR

arXiv cs.LG@Rileigh Bandy et al. (5)Source

Nov 2

Papers Builders11:11

Chinese contentCNN+高斯过程混合框架：稀疏观测下的数据同化与偏差校正

气象海洋方向的研究者可以看看：用 CNN 加高斯过程做数据同化，比 3D-Var 快 98% 还带不确定性估计，协方差也能直接替换进 3D-Var。

#Gaussian processes #data assimilation #CNN #3D-Var

arXiv cs.AI@Emanuele Mele et al. (5)Source

Oct 26

Papers Builders09:28

Chinese contentECMWF 提出批量 NN 4D-Var 框架，让数值天气预报系统在线学习误差修正

ECMWF 把神经网络塞进 4D-Var 里在线学模式误差，顺序学习过拟合、批量版能泛化，做气象 AI 的人可以看看这套训练思路。

#ECMWF #4D-Var #data assimilation

arXiv cs.LG@Alban Farchi et al. (6)Source

Sep 24

Papers10:00

Chinese contentFlow Ensemble Filter：用条件流匹配改进集合滤波数据同化

数据同化方向的论文，用流匹配把经典集合滤波升级成非线性更新，实验上超过了四种经典滤波器，做预报或同化的朋友可以看看。

#flow matching #data assimilation #FlowEF #generative models

arXiv cs.LG@Haoyuan Chen, Alexandre ThiérySource

Aug 24

Papers09:59

Chinese content高级线性代数及其应用 - 第一部分

想要深入了解数值线性代数在偏微分方程、机器学习和数据同化中的应用？这本书是绝佳的选择，它不仅介绍了经典算法，还展示了这些算法在现代科学和工程中的重要性。

#partial differential equations #machine learning #data assimilation #linear algebra

arXiv cs.LG@Victorita Dolean, Jemima TabeartSource

Aug 6

Papers11:44

Chinese content基于潜视频流匹配的多模态时空大气数据同化

这篇论文用流匹配生成模型做大气数据同化，拿ERA5先验加NOAA观测，不用传统递推迭代，能直接做滤波平滑和集合预报，还挺巧妙的。

#data assimilation #ERA5 #NOAA #Flow Matching

arXiv cs.LG@Dibyajyoti Chakraborty, Romit MaulikSource

Jul 15

PapersSelected11:09

Chinese content集成控制流滤波实现隐式数据同化新方法

处理非高斯多模态观测数据？试试这篇的EnCF方法，比传统卡尔曼滤波灵活。

#EnCF #data assimilation #multimodal

arXiv cs.LG@Zhuoyuan Li et al. (3)Source

Jul 2

Papers11:09

Chinese contentFlow Proposal Particle Filters用于数据同化

这篇论文提出了一种叫FPPF的新粒子滤波方法，用生成模型做提议分布，解决了高维和非线性场景的退化问题，实验结果很扎实。

#Flow Proposal Particle Filters #data assimilation #generative models

arXiv cs.LG@Chandni Nagda et al. (5)Source

Jun 10

PapersSelected10:51

Chinese content潜扩散模型参数化下的地下流体数据同化：集成卡尔曼与蒙特卡洛方法对比

这项研究为地下流体建模者提供了关键算法选择指南——如果你用潜扩散模型做参数化，集成卡尔曼方法可能高估不确定性，而MCMC/SMC结合快速代理模型更可靠。做地质统计反演的团队值得点开，看完能避免踩坑。

#data assimilation #Monte Carlo

arXiv cs.LG@Guido Di Federico et al. (3)Source