تعریف پایه
همسان سازی داده ها اغلب به عنوان راهی برای نگه داشتن و حفظ مدل در مسیر تصحیح مداوم آن با مشاهدات جدید در نظر گرفته می شود.
هدف Data Assimilation
همسان سازی یا Data Assimilation داده ها، علم ترکیب منابع مختلف اطلاعات برای تخمین وضعیت های احتمالی یک سیستم در طول زمان است. اطلاعات مورد استفاده از مشاهدات و یا مدل های عددی بدست می آید. همسان سازی داده ها را می‌توان برای هر سیستم کلاسیکی اعمال کرد، اما تمرکز ما بر روی سیستم های ژئوفیزیکی مانند جو زمین، اقیانوس و سطح زمین است. نکته مهم اینکه Data Assimilation را نباید با روش های یادگیری ماشین و یا مدلسازی کامپیوتری اشتباه گرفت. در الگوریتم های یادگیری ماشین عموماً از Black box هایی برای تبدیل ورودی به خروجی استفاده می شود. در حالی که روش های همسازی سازی داده مبتنی بر مدل های فیزیکی و قابل درک است.
چرا تنها از مشاهدات استفاده نمی کنیم؟
ممکن این سوال پیش آید که چرا در مطالعات خود از داده های مشاهداتی در ایستگاه های سنجش زمینی و یا حتی داده های ماهواره ای به تنهایی استفاده نکنیم و به دنبال روش های پیچیده تر همچون Data Assimilation برویم. در بیشتر مواقع، مشاهدات پراکنده هستند و روی یک شبکه منظم اندازه گیری انجام نمی شود. همچنین مشاهدات می تواند خطا داشته باشند و از این رو نماینگر دقیقی از واقعیت نباشند. از طرفی ممکن است مشاهدات ما اندازه گیری هایی غیر مستقیم از پارامتر مورد نظر باشد که نیاز دارند به طرز مناسبی تبدیل بین مشاهدات و متغیر اصلی صورت پذیرد. از این ممکن رو استفاده تنها از داده های مشاهداتی به داشتن داده های منظم به لحاظ پوشش زمانی و مکانی منجر نشود.
چرا تنها از مدل استفاده نمی کنیم؟
مدلسازی که بدون تأثیر از مشاهدات جدید است به تدریج و با پیشروی مدل در زمان از واقعیت دور خواهد شد. این موضوع به دلیل تقریب‌های مدلسازی، عملکرد فرآیندهای ناشناخته و شرایط اولیه نامشخص در مدلسازی است. این خطاها ممکن است برای برخی از کاربردها مشکلی ایجاد نکنند (مثلاً در بسیاری از مطالعات آب و هوایی اگر مدل به دنبال تخمین شرایط متوسط اقلیمی باشد)، اما می تواند منبعی از عدم دقت در کاربردهایی مانند پیش‌بینی آب و هوا باشد که دقت بالاتری نیاز است. در چنین مسائلی استفاده از مدل ها به تنهایی علیرغم ارزش آن ها، به نتایج با دقت مناسب منجر نخواهد شد.
برتری Data Assimilation
همسان سازی داده ها مشاهدات و مدل ها را به گونه ای ترکیب می کند که عدم قطعیت ها را در هر یک به حساب می آورد، در حالی که به طور همزمان محدودیت های خاصی را نیز که وابسته به فیزیک مسئله است، رعایت می کند. این محدودیت ها می تواند وابسته به قوانین حرکت سیستم از طریق معادلات مدل و نحوه ارتباط فیزیکی اندازه‌گیری‌ها با متغیرهای سیستم باشد. به عنوان مثال در پیش بینی آب و هوا، مشاهدات آب و هوای اخیر با پیش بینی مدل برای روز فعلی ترکیب می شود تا تصویری کامل از جو در حال حاضر به دست آید و بر اساس آن تا پیش بینی جدید برای روزهای آینده آغاز شود. از این رو همسان‌سازی داده ها اغلب به عنوان راهی برای نگه داشتن مدل در مسیر با تصحیح مداوم آن با مشاهدات جدید در نظر گرفته می شود.
منبع عکس: https://medclic.es/en/
همانطور که در شکل بالا دیده می شود اضافه شدن و به کارگیری داده های مشاهداتی باعث بهبود عملکرد مدل (از آبی خط چین به سبز) شده است. در واقع مدل ابتدا با یک شرایط اولیه اجرا و به پیش بینی مقادیر در زمان های آتی پرداخته است. پس از مشاهده مقادیر واقعی در هر گام زمانی، شرایط اولیه مدل متناسب با مشاهدات جدید تغییر می کند. در نهایت پیش بینی برای زمانی های بعد از زمان فعلی بروزرسانی می شود. در حالی که در مدل سازی معمولی عموماً یک مدل برای پیش بینی برازش می شود و این مدل متناسب با مشاهدات جدید بروزرسانی نمی شود.
با این اوصاف چرخه دریافت داده مشاهداتی و بروزرسانی پیش بینی ها به فرم شکل زیر خواهد بود. این چرخه نشان می دهد که در فرایند Assimilation مدل همواره بروزرسانی می شود که یکی از روش های روتین این بروزرسانی تغییر شرایط اولیه مدل است.
منبع عکس: https://www.cambridge.org/gb/academic
کدام مراکز داده از Data Assimilation استفاده می کنند؟
امروزه پایگاه های داده مهمی از تکنیک Data Assimilation برای تولید داده در سطوح مختلف جو، اقیانوس و سطح زمین استفاده می کنند. به عنوان مثال ECMWF با نام کامل European Center for Medium -Range Weather Forecasts برای تولید ERA5 از این تکنیک بهره برده استو همچنین مدل های معروف GLDAS و NLDAS با یان روش تولید شده اند.
آینده Data Assimilation
با توجه به افزایش سطح داده های زمینی و همچنین ماهواره ای در کنار توسعه روز افزوت مدلسازی های فیزیکی و عددی، تکنیک های Data Assimilation در آینده نزدیک از منابع اصلی تولید داده در سطوح مختلف خواهند بود. بنابراین به علاقه مندان توصیه می شود مطالعات خود در این زمینه را بسط داده تا از پیشروان این مسیر باشند.
