融合支持向量机算法的数据驱动型数据同化方法研究

数据驱动建模是从数据中探究状态变量的时空演化关系。数据驱动型数据同化方法是探索使用数据驱动模型替代传统（基于物理的）模型，实现优化融合观测信息与模型模拟的同化方法。研究将数据驱动的支持向量机回归预测模型应用于集合卡尔曼滤波过程中，使用模拟预测方法对动力学系统进行非参数采样得到系统轨迹的代表性样本集，从样本集中重构动力学系统。提出一种支持向量机回归机器学习模拟预测策略的数据驱动数据同化方法，并将其应用于经典模式驱动同化系统。采用Lorenz-63和Lorenz-96非线性模型进行数值实验。通过改变样本集大小、噪声方差和观测步长等敏感性参数比较数据同化性能。结果表明：对于较大的样本集，该组合方法优于一般的顺序数据同化方法，从而证明新方法的有效性。