- 积分
- 2228
- 贡献
-
- 精华
- 在线时间
- 小时
- 注册时间
- 2018-9-29
- 最后登录
- 1970-1-1
|
登录后查看更多精彩内容~
您需要 登录 才可以下载或查看,没有帐号?立即注册
x
C3:初见非线性模式
--前言
上一节中,首先对线性和非线性模式,进行了理论上的学习:https://mathresearch.utsa.edu/wi ... Linearity#Linearity
- Additivity: f(x + y) = f(x) + f(y).-可加性
- Homogeneity of degree 1: f(αx) = α f(x) for all α.
此为线性(函数)所满足的性质,而若是不满足上述性质(任一),则为非线性(函数)
其次,上一节通过简单的匀速以及非匀速运动,对线性和非线性情况下的误差的传递进行了细致说明,论证了为什么在线性情况下误差能够通过模式本身进行传播,以及为什么非线性情况下误差不能通过模式本身进行,即非线性模式的误差的不可传递性,其实究其本质,便是后者-非线性模式不满足可加性原理
本节中,首先将介绍lorenz63模式以及由其提出的蝴蝶效应(butterfly effect),以及正态分布,最后会对集合预报进行讨论.
--正文
lorenz63实验说明:code-http://bbs.06climate.com/forum.php?mod=attachment&aid=MTEwMDc5fDdhODA0MDUwZDE4NzE0ZGI1NjU4YTIxNDE2NGIyZWQwfDE3MTQ2NzM4NTY%3D&request=yes&_f=.ipynb
(https://docs.dart.ucar.edu/en/latest/guide/lorenz-63-model.html 丢一个链,想要进行细致的了解,可以看看这个)
图1#
对上述图片,进行一个补充说明:
1.sigma, rho, beta三个参数是可以进行修改的;
2.数值差分方式也是可以修改的;
关于上述两个说法,稍后进行详细说明
以下对设置的参数进行大致说明
主函数:
图2#
设置三个参数:
图3#
设置时间段和时间间隔:
假设以s为单位
图4#
设置两个不同的初始场:
x1_(t1=0) = [3.0, -3.0, 12.0] 假设此为真值
x2_(t1=0) = [3.2, -3.1, 11.9] 假设此为背景场
图5
图1,以下为20s内间隔0.01s所得到的,两个不同初值对应的x1(x),x2(y),x3(z)所对应的值的3D走线:
图6#
图2,同上,但为x1,x2,x3分别的2D走线:
图7#
因为本实验的目的只是为了展示,存在误差-即背景场与真值存在差异的情况下,代入一个"相同"的模式,这种误差随时间的变化情况,故而
只需要保证作用在背景场与真值的模式是同一个模式,那么所得到的走线的差异,便可以仅仅看作是来自背景场与真值的初值的差异所造成的,也因此"三个参数是可以进行修改的;数值差分方式也是可以修改的"这两点,便可以理解了吧,或者换句话说,不同的参数化方案以及不同的数值差分方式
对实验结果结论不会有根本影响.
对上述实验结果进行一个总结:
1.不似线性模式,背景场与真值间的误差随时间是能够通过模式本身演化的,非线性模式情景下(此处为lorenz63模式),由图1可见,有些地方,背景场与真值的走线是重合(可以看作是误差较小)的,但是在另一些位置两者不重合(可以看作是误差较大)
2.由图2可见,不同变量对应的误差,以x2,x3为例,最初都是-0.1(-3.1+3.0=-0.1;11.9-12.0=-0.1)的误差,但是误差在两个变量间的随时间的演变情况显然是不同的,而且因为lorenz63模式中的x1,x2,x3三个变量在模式积分中存在相互作用,即非线性项,某一变量相较于真值的误差也会通过模式传递给其他变量,
3.由图2可见,并非是说一开始的误差大,就意味着在非线性模式的积分下,相较于真值的误差会比一开始误差小的变量所对应的误差来的小,以x1,x2为例,x1的初始误差为3.2-3.0=0.2,x2的初始误差为-3.1-(-3.0)=-0.1,但前者对应的RMSE比后者要小,也就是说,初始误差大并不一定就代表之后的误差也会大
借此,便可以很好的理解,误差在非线性模式下的传递到底是在遵循着怎样的变化
而答案便是
根本就没有规律
这便是蝴蝶效应:小误差在未来可能会产生大误差,而大误差在未来并不一定产生大误差,总而言之,非线性模式由于误差的不可传递性,根本不可能从上一时刻的误差推算出下一时刻的误差
以上吧,最近做完了一些事情,倒是随即便来了新的工作,唉,长路漫漫啊~
正态分布和集合预报,下次一定
|
|