ScholarGate
Assistent
Regression modelData assimilation

Ensemble-Kalman-Filter

Das Ensemble-Kalman-Filter (EnKF) ist ein sequentieller Monte-Carlo-Datenassimilationsalgorithmus, der 1994 von Geir Evensen eingeführt wurde. Es erweitert das klassische Kalman-Filter auf hochdimensionale, nichtlineare dynamische Systeme, indem die Kovarianz des Vorhersagefehlers durch ein endliches Ensemble von Modellrealisierungen dargestellt wird, anstatt eine vollständige Kovarianzmatrix zu propagieren. Jedes Ensemblemitglied entwickelt sich durch das nichtlineare Modell, und Beobachtungen werden durch Berechnung eines stichprobenbasierten Kalman-Gewinns assimiliert, was die Methode für große geophysikalische Modelle rechnerisch handhabbar macht.

In MethodMind öffnenDemnächstVideoDemnächstFolien herunterladen

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Methodenkarte

Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.

Quellen

  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

So zitieren Sie diese Seite

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

Welche Methode?

Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.

Nebeneinander vergleichen

Referenziert von

ScholarGateEnsemble Kalman Filter (Ensemble Kalman Filter (Data Assimilation)). Abgerufen am 2026-06-15 von https://scholargate.app/de/data-fusion/ensemble-kalman-filter · Datensatz: https://doi.org/10.5281/zenodo.20539026