Data Assimilation B
(Fall 2017)

Data Assimilation B

This webpage will be updated as needed.

  • Time of class: Tu 1:00pm-2:30pm (2 credits)
  • Instructors: Takemasa Miyoshi, Shigenori Otsuka, and Shunji Kotsuki
  • Office Hours: By appointment

Enrollment Requirement

Catalog description: 数値計算技能(プログラミングやデータプロットの技能)を前提とする。プログラミング言語等は問わないが、Excelでは不十分。FORTRAN、C、R、Python、MATLABなどを推奨。計算機室の計算機(Linux)や自己所有PCなどを利用できるようにしておくことが必要。

前期に開講した「データ同化A」でB以上の成績を要件とする。2016年度前期に開講した「数理科学特別講義:データ同化」についても同様。

Course Description

Catalog description: この授業では、前期のデータ同化Aで履修した内容を前提に、データ同化の理論と応用について、その基礎を究め、実際の応用力を養う。講義と、低次元のカオス力学系モデルを使った実習課題により、実践的な基礎技術を究める。また、受講者の興味に応じて、低次元系モデルを使った理論的な実習や、多次元系モデルを使った実践的実習に取り組み、先端研究の内容が理解できるレベルの知識を養う。

データ同化を理解するため、講義と同時に実習課題(プロジェクト)を実施し、講義の最初の30分で進捗報告及び質疑を行う。

  • 0 - 30 min. Project report and Q&A (see also assignments below)
  • 30 - 90 min. Lecture

Goals

Catalog description: 1.データ同化に関する研究が実施できる。2.アジョイントコードを実装できる。3.粒子フィルタを理解し、実装できる。4.多次元系での誤差発達を理解する。5.多次元系でアンサンブルカルマンフィルタを実装できる。6.多次元系で3次元変分法を実装できる。7.データ同化の先端研究を理解できる。

Through the coursework, students will be able to

  1. conduct research on data assimilation,
  2. write an adjoint code,
  3. understand and implement the particle filter,
  4. understand error growth of large dimensional systems,
  5. implement the ensemble Kalman filter with a large dimensional system,
  6. implement the 3D-Var with a large dimensional system,
  7. understand cutting-edge data assimilation research.

Textbooks

Recommended

  • Kalnay, E.: Atmospheric Modeling, Data Assimilation and Predictability. Cambridge University Press, ISBN: 0521796296
  • 露木義, 川畑拓矢編, 「気象学におけるデータ同化」気象研究ノート第217号, 日本気象学会, ISBN: 978-4-904129-00-5

Assignments

Course Project

Catalog description: 授業の進展に応じて、低次元のカオス力学系モデルを使った実習課題を宿題として課す。これにより、データ同化の実践的な基礎技術を身につける。宿題ではプログラミングと図の作成を行うため、計算機室の計算機(Linux)や自己所有PCなどを利用できるようにしておくことが必要。

It is important to develop an ability to implement a simple dynamical model and data assimilation methods learned through the course. According to the number of students, 5 groups of 1-5 students will be formed; each group will implement the model and data assimilation code from scratch and perform the numerical experiments. Each group is requested to make the following presentations to summarize what has been performed and obtained:

  1. At the beginning of each class: 3-minute presentation + Q&A
  2. Interim presentation: 10-minute presentation + 2-minute discussions
  3. Final presentation: 15-minute presentation + 3-minute discussions

Half of the grading points in the interim and final presentations come from peer reviews, and the other half from the instructor's evaluation.

Schedule

This section will be updated as needed.
WeekDate Lecture
1 10/101. Introduction and Particle filter
2 10/172. Adjoint code (Otsuka)
3 10/243. Growing modes: LV, BV and SV
4 10/314. Local low dimensionality and EnKF
5 11/7 5. 3D-Var in large dimensional systems
6 11/146. Preconditioning and control variables
7 11/217. 4D-Var and outer loop
8 11/28Interim presentation
9 12/5 8. Advanced covariance localization methods (Otsuka)
10 12/129. Hybrid variational and EnKF methods
11 12/1910. Parameter estimation in large dimensional systems (Kotsuki)
12 12/2611. Nonlinear H, Non-diagonal R, and observation bias correction
13 1/9 12. EFSO and proactive QC (Kotsuki)
* 1/16 no lecture
* 1/23 no lecture
14 1/30 Final Exam
15 2/6 Final presentation

Honor Code

「全学共通科目履修の手引き」にある以下の項目に準ずる。

  • レポートの作成について
  • 不正行為について
  • 公正な研究について

Grading

Grading is based on the performance on the course project: regular progress report (20%), interim presentation (20%), final presentation (30%), and final exam (30%).

Grading criteria:
A+: 95.00% -- 100.00%
A : 85.00% --  94.99%
A-: 80:00% --  84.99%
B+: 77.50% --  79.99%
B : 72.50% --  77.49%
B-: 70.00% --  72.49%
C+: 67.50% --  69.99%
C : 62.50% --  67.49%
C-: 60.00% --  62.49%
D+: 57.50% --  59.99%
D : 52.50% --  57.49%
D-: 50.00% --  52.49%
F :  0.00% --  49.99%