<?xml version="1.0" encoding="utf-8"?>
<Gradivo ID="189554" NadgradivoID="0" NRID="29493767" OceID="0" DomainUrl="https://repozitorij.uni-lj.si/" IzpisPolniUrl="https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&amp;id=189554" StOgledov="263" StPrenosov="72" StOcen="0" VsotaOcen="0" DatumIzvoza="2026-11-17 11:00:53" OcenaSkupna="0" StPodgradiv="0" StudijskiProgramEvsID="0" JeIndeksirano="0" JeVecAvtorjev="0" DovoliZahtevkeZaDostop="0">
  <PID Url="http://hdl.handle.net/20.500.12556/RUL-189554">20.500.12556/RUL-189554</PID>
  <Naslov>Preparing the initial conditions for numerical weather prediction with machine learning</Naslov>
  <Podnaslov></Podnaslov>
  <TujJezik_Naslov>Uporaba strojnega učenja pri pripravi začetnega pogoja za numerično napovedovanje vremena</TujJezik_Naslov>
  <TujJezik_Podnaslov></TujJezik_Podnaslov>
  <Opis>The initial conditions for numerical weather prediction (NWP) are obtained by optimally combining the information from the previous forecast (the background) with newly available observations through data assimilation (DA). The output of a DA algorithm (the analysis) is considered to be the best estimate of the state of the atmosphere, and its correction with respect to the background is typically referred to as the analysis increment. Traditionally, DA of atmospheric observations relies on variational and Kalman filter methods, which are theoretically well established but require some simplifications in operational weather forecasting. 

In this thesis, we develop a standalone machine-learning-based equivalent to three-dimensional variational (3D-Var) DA, where the 3D-Var cost function is minimised in a reduced-order latent space of an autoencoder (AE)-type neural network.  When the atmospheric state is transformed from full physical space to latent space, it undergoes strong compression, which results in decorrelation among the latent elements. This leads to a quasi-diagonal background-error covariance ($\mathbf{B}_z$) matrix, effectively replacing the traditional control variable transform (CVT) and substantially simplifying the computational procedure. 

The proposed framework is evaluated in three configurations of increasing complexity, ranging from a univariate single-level setup to a multilevel system incorporating several atmospheric, oceanic and land variables. Both climatological and operational ensemble-based estimates of $\mathbf{B}_z$ are applied. Single-observation experiments produce analysis increments that are consistent with multivariate physical balances in the tropical and extratropical troposphere, the stratosphere, the atmospheric boundary layer, and coupled atmosphere--sea-ice interactions. These results indicate a possible pathway towards a unified representation of background-error covariances within the atmosphere and across Earth-system model components for DA in operational NWP.

The resulting analysis increments are inherently flow dependent and reflect local features such as orography and land--sea contrasts. Forecasts initialised from these analyses exhibit realistic weather evolution, including the excitation of an eastward-propagating Kelvin wave in the tropics. The proposed latent-space 3D-Var framework could be extended to a four-dimensional formulation, while the developed background-error covariance estimation method could also be applied in hybrid systems as a replacement for the traditional CVT.</Opis>
  <TujJezik_Opis>Začetni pogoj za numerično napovedovanje vremena (NWP) dobimo z asimilacijo meritev (DA), kjer optimalno združimo predhodno napoved (ozadje) z novimi opazovanji stanja ozračja, oceanov in tal. Tako pridobljeni oceni za stanje atmosfere pravimo analiza, razliki med njo in ozadjem pa prirastek analize. Najpogostejša pristopa k asimilaciji meritev sta variacijska asimilacija in metode z uporabo Kalmanovega filtra. Oba pristopa sta teoretično dobro utemeljena, vendar ju je za rabo v operativnem NWP potrebno nekoliko prilagoditi.

V doktorski disertaciji prilagodimo običajno tridimenzionalno variacijsko asimilacijo (3D-Var), tako da njeno cenilko minimiziramo v latentnem prostoru samokodirnika (AE), ki je natreniran za rekonstrukcijo atmosferskih polj.
Pri preslikavi iz fizičnega v latentni prostor se dimenzija matematičnega opisa ozračja bistveno skrči, kar privede do dekorelacije spremenljivk v tem prostoru.
Matrika kovarianc napak ozadja v latentnem prostoru \acs{Bz} je zato kvazidiagonalna, kar zelo olajša računski postopek pri asimilaciji. Pretvorba iz fizičnega v latentni prostor in nazaj pa nadomesti transformacijo kontrolnih spremenljivk (CVT), s katero poskrbijo za dekorelacijo spremenljivk v operativnih NWP modelih.

Metodo preizkusimo v treh asimilacijskih sistemih z naraščajočo kompleksnostjo -- od univariatne asimilacije na enem samem atmosferskem nivoju do asimilacije v sistemu z 18 atmosferskimi nivoji in številnimi atmosferskimi, kopenskimi ter oceanskimi spremenljivkami -- in z različnimi pristopi pri vzorčenju matrike~\acs{Bz}. Prirastki analize po asimilaciji posameznih opazovanj se skladajo s fizikalnimi ravnovesji v tropski in izventropski troposferi, v stratosferi in v planetarni mejni plasti ter s pričakovano sklopitvijo sprememb v atmosferi in morskem ledu. 
Ta metoda zato predstavlja potencialno rešitev za poenotenje opisa kovarianc napak ozadja na različnih območjih v atmosferi ter med različnimi komponentami Zemljinega dinamičnega sistema pri asimilaciji meritev za operativno napovedovanje vremena.

Ne glede na način vzorčenja~\acs{Bz} so prirastki analize odvisni od stanja atmosfere v ozadju in upoštevajo lokalne posebnosti na območju opazovanja, kot sta porazdelitev kopnega in morja ter relief. Ob simulaciji nevronske vremenske napovedi iz tako dobljene analize dobimo smiseln razvoj vremena tako v zmernih širinah, kot v tropih, kjer se vzbudi Kelvinov val. Predlagano prilagoditev za 3D-Var v latentnem prostoru bi lahko razširili tudi na 4D-Var, medtem ko bi pristop za ocenjevanje kovarianc napak ozadja lahko uporabili tudi v hibridnih asimilacijskih sistemih s klasičnimi fizikalnimi sistemi, kjer bi nadomestil trenutno CVT.</TujJezik_Opis>
  <KljucneBesede>
    <Beseda>data assimilation</Beseda>
    <Beseda>3D-Var</Beseda>
    <Beseda>background-error covariances</Beseda>
    <Beseda>physical balances</Beseda>
    <Beseda>control variable transform</Beseda>
    <Beseda>analysis increments</Beseda>
    <Beseda>machine learning</Beseda>
    <Beseda>autoencoder</Beseda>
    <Beseda>latent space</Beseda>
  </KljucneBesede>
  <TujJezik_KljucneBesede>
    <Beseda>asimilacija meritev</Beseda>
    <Beseda>3D-Var</Beseda>
    <Beseda>kovariance napak ozadja</Beseda>
    <Beseda>fizikalna ravnovesja</Beseda>
    <Beseda>transformacija kontrolnih spremenljivk</Beseda>
    <Beseda>prirastki analize</Beseda>
    <Beseda>strojno učenje</Beseda>
    <Beseda>samokodirnik</Beseda>
    <Beseda>latentni prostor</Beseda>
  </TujJezik_KljucneBesede>
  <Potrjeno>true</Potrjeno>
  <JeZaklenjeno>false</JeZaklenjeno>
  <JeRecenzirano>false</JeRecenzirano>
  <Zaloznik></Zaloznik>
  <Izvor></Izvor>
  <Jezik ID="1033" ISO639-3="eng">Angleški jezik</Jezik>
  <TujJezik ID="1060" ISO639-3="slv">Slovenski jezik</TujJezik>
  <Povezave></Povezave>
  <Pokrivanje></Pokrivanje>
  <CasovnoPokritje></CasovnoPokritje>
  <AvtorskePravice></AvtorskePravice>
  <VrstaGradiva ID="mb31" DRIVER="info:eu-repo/semantics/doctoralThesis">Doktorsko delo/naloga</VrstaGradiva>
  <DatumVstavljanja>2026-10-09 08:15:09</DatumVstavljanja>
  <DatumObjave>2026-10-09 08:15:20</DatumObjave>
  <DatumSpremembe>2026-10-20 10:23:56</DatumSpremembe>
  <DatumTrajnegaHranjenja>0000-00-00 00:00:00</DatumTrajnegaHranjenja>
  <LetoIzida>2026</LetoIzida>
  <LetoIzidaDo>0</LetoIzidaDo>
  <KrajIzida></KrajIzida>
  <LetoIzvedbe>0</LetoIzvedbe>
  <KrajIzvedbe></KrajIzvedbe>
  <Opomba></Opomba>
  <StStrani></StStrani>
  <StevilcenjeNivo1></StevilcenjeNivo1>
  <StevilcenjeNivo2></StevilcenjeNivo2>
  <Kronologija></Kronologija>
  <Patent_Stevilka></Patent_Stevilka>
  <Patent_DatumVeljavnosti>0000-00-00</Patent_DatumVeljavnosti>
  <VerzijaDokumenta>NiDoloceno</VerzijaDokumenta>
  <StatusObjaveDrugje>NiDoloceno</StatusObjaveDrugje>
  <VrstaStroskaObjave>NiDoloceno</VrstaStroskaObjave>
  <DatumPoslanoVRecenzijo>0000-00-00</DatumPoslanoVRecenzijo>
  <DatumSprejetjaClanka>0000-00-00</DatumSprejetjaClanka>
  <DatumObjaveClanka>0000-00-00</DatumObjaveClanka>
  <EmbargoDo></EmbargoDo>
  <VrstaEmbarga ID="1" Naziv="Takojšnja javna objava" OpenAIREDostop="openAccess"></VrstaEmbarga>
  <Osebe>
    <Oseba ID="134547" Ime="Boštjan" Priimek="Melinc" AltIme="Bostjan Melinc" VlogaID="70" VlogaNaziv="Avtor" ConorID="389539843" Afiliacija="" ArrsID="56969" ORCID=""></Oseba>
    <Oseba ID="75717" Ime="Žiga" Priimek="Zaplotnik" AltIme="Ž. Zaplotnik; Ziga Zaplotnik" VlogaID="991" VlogaNaziv="Mentor" ConorID="240993379" Afiliacija="" ArrsID="39349" ORCID=""></Oseba>
    <Oseba ID="31455" Ime="Gregor" Priimek="Skok" AltIme="G. Skok" VlogaID="994" VlogaNaziv="Komentor" ConorID="11504739" Afiliacija="" ArrsID="23978" ORCID=""></Oseba>
  </Osebe>
  <Identifikatorji>
    <Identifikator ID="16" Sifra="VisID" Naziv="VisID" URL="">168465</Identifikator>
    <Identifikator ID="3" Sifra="CobissID" Naziv="COBISS_ID" URL="https://plus.cobiss.net/cobiss/si/sl/bib/301636355">301636355</Identifikator>
  </Identifikatorji>
  <Relacije>
  </Relacije>
  <VerzijeGradiva>
  </VerzijeGradiva>
  <Datoteke>
    <Datoteka ID="250197" DatotekaNRID="14821863" NamenDatotekeID="2" NamenDatoteke="Predstavitvena datoteka" FormatDatotekeID="2" FormatDatoteke=".pdf" MIME="application/pdf" IkonaFormata="pdf.png" IkonaFormataPolniUrl="https://repozitorij.uni-lj.si/teme/rulDev/img/fileTypes/pdf.png" VelikostDatoteke="70321557" VelikostDatotekeKratko="67,06 MB" DatumVstavljanja="2026-10-09 08:15:30" JeZbrisana="false" JeJavnoVidna="true" JeIndeksirana="false" JeVidno="true" VidnoOd="01.01.0001" Zaporedje="0">
      <Naziv>24273.pdf</Naziv>
      <OrgNaziv>24273.pdf</OrgNaziv>
      <URL></URL>
      <Opis></Opis>
      <OpisTujJezik></OpisTujJezik>
      <UrlObdelave></UrlObdelave>
      <FrekvencaAzuriranjaID>1</FrekvencaAzuriranjaID>
      <Verzija></Verzija>
      <MD5>E3F6432053AE1B82CF6C8E9353EB5D1F</MD5>
      <SHA256>13f1937914e340a49b7b1ac10d3427d8b99af85d228319189ff106326d4bbef2</SHA256>
      <UUID>ace221f7-c3a8-11f1-8bc5-0050569b8976</UUID>
      <PID></PID>
      <PrenosPolniUrl>https://repozitorij.uni-lj.si/Dokument.php?lang=slv&amp;id=250197</PrenosPolniUrl>
      <Vsebine>
      </Vsebine>
    </Datoteka>
  </Datoteke>
  <Organizacije>
    <Organizacija OrganizacijaID="11" Kratica="FMF" ZavodEvsID="0000064" Logo="" LogoPolniUrl="https://repozitorij.uni-lj.si/teme/rulDev/img/logo/">Fakulteta za matematiko in fiziko </Organizacija>
  </Organizacije>
  <OrganizacijeVira>
  </OrganizacijeVira>
  <MetodeZbiranjaPodatkov>
  </MetodeZbiranjaPodatkov>
  <TipologijaDela ID="2.08" Koda="2.08" Naziv="Doktorska disertacija" SchemaOrg="Thesis"></TipologijaDela>
  <Ostalo>
    <StIrodsDatotek>0</StIrodsDatotek>
    <StDatotekPodTrajnimEmbargom>0</StDatotekPodTrajnimEmbargom>
    <StDatotekZOmejenimDostopom>0</StDatotekZOmejenimDostopom>
  </Ostalo>
</Gradivo>
