ScholarGate
Assistent
Regression modelData assimilation

Ensemble Kalman Filter

Ensemble Kalman Filter (EnKF) er en sekventiel Monte Carlo dataassimileringsalgoritme introduceret af Geir Evensen i 1994. Den udvider det klassiske Kalman-filter til højdimensionelle, ikke-lineære dynamiske systemer ved at repræsentere forudsigelsesfejlkovariansen gennem et endeligt ensemble af modelrealisationer i stedet for at propagere en fuld kovariansmatrix. Hvert ensemblemedlem udvikler sig gennem den ikke-lineære model, og observationer assimileres ved at beregne en stikprøvebaseret Kalman-gain, hvilket gør metoden beregningsmæssigt håndterbar for store geofysiske modeller.

Åbn i MethodMindSnartVideoSnartHent slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Metodekort

Nabolaget af beslægtede metoder — vælg en knude for at udforske.

Kilder

  1. Evensen, G. (1994). Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics. Journal of Geophysical Research, 99(C5), 10143–10162. DOI: 10.1029/94JC00572

Sådan citerer du denne side

ScholarGate. (2026, June 2). Ensemble Kalman Filter (Data Assimilation). ScholarGate. https://scholargate.app/da/data-fusion/ensemble-kalman-filter

Hvilken metode?

Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.

Sammenlign side om side

Refereret af

ScholarGateEnsemble Kalman Filter (Ensemble Kalman Filter (Data Assimilation)). Hentet 2026-06-15 fra https://scholargate.app/da/data-fusion/ensemble-kalman-filter · Datasæt: https://doi.org/10.5281/zenodo.20539026