ترجمه فارسی مقاله وار چهاربعدی با استفاده از تقریب هسین و پس‌انتشار اعمال‌شده بر مدل‌های عددی و یادگیری ماشینی با مشتق‌گیری خودکار

چکیده

Constraining a numerical weather prediction (NWP) model with observations via 4D variational (4D-Var) data assimilation is often difficult to implement in practice due to the need to develop and maintain a software-based tangent linear model and adjoint model. One of the most common 4D-Var algorithms uses an incremental update procedure, which has been shown to be an approximation of the Gauss-Newton method. Here we demonstrate that when using a forecast model that supports automatic differentiation, an efficient and in some cases more accurate alternative approximation of the Gauss-Newton method can be applied by combining backpropagation of errors with Hessian approximation. This approach can be used with either a conventional numerical model implemented within a software framework that supports automatic differentiation, or a machine learning (ML) based surrogate model. We test the new approach on a variety of Lorenz-96 and quasi-geostrophic models. The results indicate potential for a deeper integration of modeling, data assimilation, and new technologies in a next-generation of operational forecast systems that leverage weather models designed to support automatic differentiation.

چکیده به فارسی (ترجمه ماشینی)

محدود کردن یک مدل پیش بینی آب و هوا عددی (NWP) با مشاهدات از طریق جذب داده های تغییر یافته 4D (4D-VAR) اغلب به دلیل نیاز به توسعه و حفظ یک مدل خطی مماس مبتنی بر نرم افزار و مدل مورد نظر ، اجرای آن در عمل بسیار دشوار است.یکی از رایج ترین الگوریتم های 4D-VAR از یک روش به روزرسانی افزایشی استفاده می کند ، که نشان داده شده است که تقریب روش گاوس-نیوتن است.در اینجا ما نشان می دهیم که هنگام استفاده از یک مدل پیش بینی که از تمایز اتوماتیک پشتیبانی می کند ، یک تقریب جایگزین دقیق تر و در بعضی موارد می توان با ترکیب پشتیبان گیری خطاها با تقریب هسیایی ، تقریب جایگزین دقیق تر از روش گاوس-نیوتن استفاده کرد.این روش می تواند با یک مدل عددی معمولی که در یک چارچوب نرم افزاری اجرا شده است که از تمایز خودکار پشتیبانی می کند ، یا یک مدل جانشین مبتنی بر یادگیری ماشین (ML) استفاده شود.ما رویکرد جدید را در انواع مدل های Lorenz-96 و شبه ژئوستروفیک آزمایش می کنیم.نتایج حاکی از پتانسیل ادغام عمیق تر مدل سازی ، جذب داده ها و فن آوری های جدید در نسل بعدی سیستم های پیش بینی عملیاتی است که از مدل های آب و هوایی که برای پشتیبانی از تمایز خودکار طراحی شده اند ، استفاده می کنند.