The idea of using machine learning (ML) methods to reconstruct the dynamics of a system is the topic of recent studies in the geosciences, in which the key output is a surrogate model meant to emulate the dynamical model. In order to treat sparse and noisy observations in a rigorous way, ML can be combined with data assimilation (DA). This yields a class of iterative methods in which, at each iteration, a DA step assimilates the observations and alternates with a ML step to learn the underlying dynamics of the DA analysis. In this article, we propose to use this method to correct the error of an existing, knowledge-based model. In practice, the resulting surrogate model is a hybrid model between the original (knowledge-based) model and the ML model. We demonstrate the feasibility of the method numerically using a two-layer, two-dimensional, quasi-geostrophic channel model. Model error is introduced by the means of perturbed parameters. The DA step is performed using the strong-constraint 4D-Var algorithm, while the ML step is performed using deep learning tools. The ML models are able to learn a substantial part of the model error and the resulting hybrid surrogate models produce better short- to mid-range forecasts. Furthermore, using the hybrid surrogate models for DA yields a significantly better analysis than using the original model.

中文翻译：

---

使用机器学习纠正数据同化和预测应用中的模型错误

使用机器学习 (ML) 方法重建系统动力学的想法是地球科学最近研究的主题，其中关键输出是用于模拟动力学模型的替代模型。为了以严格的方式处理稀疏和嘈杂的观察，ML 可以与数据同化 (DA) 相结合。这产生了一类迭代方法，其中在每次迭代中，DA 步骤同化观察结果并与 ML 步骤交替，以了解 DA 分析的潜在动态。在本文中，我们建议使用这种方法来纠正现有的、基于知识的模型的错误。在实践中，生成的代理模型是原始（基于知识的）模型和 ML 模型之间的混合模型。我们使用两层、二维、准地转通道模型。模型误差是通过扰动参数引入的。DA 步骤使用强约束 4D-Var 算法执行，而 ML 步骤使用深度学习工具执行。ML 模型能够学习模型误差的很大一部分，由此产生的混合替代模型可以产生更好的中短期预测。此外，对 DA 使用混合代理模型会产生比使用原始模型更好的分析。ML 模型能够学习模型误差的很大一部分，由此产生的混合替代模型可以产生更好的中短期预测。此外，对 DA 使用混合代理模型会产生比使用原始模型更好的分析。ML 模型能够学习模型误差的很大一部分，由此产生的混合替代模型可以产生更好的中短期预测。此外，对 DA 使用混合代理模型会产生比使用原始模型更好的分析。