پژوهشگران روشی مبتنی بر یادگیری عمیق برای بازسازی داده‌ها با مشاهدات بسیار پراکنده معرفی کردند

همگون‌سازی داده (Data Assimilation) با ترکیب مشاهدات حسگرها و خروجی مدل‌های عددی، وضعیت یک سامانهٔ مکانی‌ـ‌زمانی را بازسازی می‌کند. این مسئله در حوزه‌هایی مانند پیش‌بینی هوا و اقیانوس‌شناسی اهمیت دارد؛ زیرا مدل‌ها حالتی با ابعاد بالا دارند، اما مشاهدات فقط بخش کوچکی از دامنه را پوشش می‌دهند.

چکیدهٔ پیش‌چاپی با عنوان «یادگیری عمیق هسته‌ای مبتنی بر وصله برای همگون‌سازی داده و اصلاح سوگیری با مشاهدات بسیار پراکنده» می‌گوید روش‌های کلاسیکِ واریاسیونی مانند 3D-Var به ماتریس کوواریانس خطای پس‌زمینه‌ای متکی‌اند که به‌صورت دستی طراحی می‌شود و خطاهای بدون سوگیری را فرض می‌کند. بر اساس چکیده، این روش‌ها نمی‌توانند هم‌بستگی‌های وابسته به وضعیت سامانه یا سوگیری‌های نظام‌مند مدل را بازنمایی کنند و هزینهٔ محاسباتی‌شان نیز با بزرگ‌شدن دامنه افزایش می‌یابد.

منبع همچنین یادگیری عمیق را راهی برای انجام غیرخطیِ همگون‌سازی داده و اصلاح سوگیری معرفی می‌کند، اما می‌گوید این روش‌ها معمولاً تفسیرپذیری محدودی دارند. چکیدهٔ ارائه‌شده در منبع پیش از بیان ادامهٔ این محدودیت‌ها و توضیح جزئیات روش پیشنهادی قطع می‌شود؛ بنابراین اطلاعاتی دربارهٔ عملکرد یا نتایج آزمایش‌ها در دسترس نیست.