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.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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.
- Data FusionDatafusion↔ sammenlign
- Partikelfilter (sekventiel Monte Carlo)Bayesiansk↔ sammenlign
- Model for tilstandsrum (Kalmanfilter)Økonometri↔ sammenlign
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →