MARC

 008260126s2025        us                              c    eng  d
■001000017359271
■00520260202104959
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293841486
■035    ▼a(MiAaPQ)AAI32119231
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a551.5
■1001  ▼aVishny,  David  N.
■24510▼aStatistical  Approaches  for  Understanding  Atmospheric  Dynamics  From  Noisy  Data
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a145  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Lutsko,  Nicholas  J.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2025.
■520    ▼aThe  chaotic  nature  of  the  atmosphere  limits  its  predictability,  while  the  sparsity  and  measurement  uncertainty  intrinsic  to  atmospheric  observations  limits  our  knowledge  of  the  current  atmospheric  state.  Our  limited  knowledge  of  current  and  future  atmospheric  states  can  be  expressed  through  frameworks  that  combine  probabilistic  theories  with  statistical  methods  for  learning  from  data.  This  thesis  focuses  on  probabilistic  and  statistical  frameworks  for  understanding  atmospheric  predictability  and  for  data  assimilation.  Such  frameworks  should  be  built  on  accurate  assumptions,  though  interpretability  and  computational  efficiency  are  also  important  criteria.  For  example,  if  the  framework's  purpose  is  to  understand  mechanisms  underlying  the  predictability  of  jet  stream  variability,  then  a  complex  deep  learning  model  is  probably  too  opaque,  and  a  simple  linear-Gaussian  model  might  be  preferable. In  this  thesis,  I  promote  methods  of  probabilistic  and  statistical  inference  that  relax  overly-restrictive  assumptions  while  retaining  conceptual  simplicity,  computational  speed,  and  ease  of  implementation.  I  apply  such  methods  toward  improving  our  understanding  of  midlatitude  atmospheric  predictability  in  Chapters  1  and  2,  and  toward  improving  the  robustness  of  ensemble  data  assimilation  in  Chapter  3.  In  Chapter  1,  I  introduce  a  nonparametric  technique  for  relating  the  autocorrelation  of  jet  shifts  to  the  momentum  budget;  in  Chapter  2,  I  use  autoregressive  linear-Gaussian  models  to  quantify  lag-dependent  feedbacks  between  eddies  and  the  background  flow,  and  to  understand  the  importance  of  these  feedbacks  for  midlatitude  predictability.  Both  of  these  approaches  avoid  conventional  oversimplifications,  such  as  the  notion  that  eddy-mean  flow  feedbacks  are  exclusively  positive.  In  Chapter  3,  I  introduce  a  technique  for  improving  covariance  matrix  estimates  from  limited  samples  that  does  not  require  assumptions  about  the  matrix  structure,  allowing  the  technique  to  be  used  in  situations  where  conventional  covariance  localization  fails.  The  minimal  assumptions,  simplicity  and  computational  efficiency  of  these  statistical  methods  makes  them  attractive  for  a  wide  variety  of  applications.
■590    ▼aSchool  code:  0033.
■650  4▼aAtmospheric  sciences
■650  4▼aApplied  mathematics
■650  4▼aStatistics
■653    ▼aNature
■653    ▼aAtmospheric  observations
■653    ▼aMidlatitude  predictability
■690    ▼a0725
■690    ▼a0364
■690    ▼a0463
■71020▼aUniversity  of  California,  San  Diego▼bScripps  Institution  of  Oceanography.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359271▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서