Datenassimilation

Datenassimilation ist die Art und Weise, wie ein Vorhersagemodell die Gegenwart lernt: Es kombiniert Millionen von verstreuten, unvollkommenen Beobachtungen mit einer kurzen vorherigen Vorhersage, um die beste Schätzung des aktuellen Zustands der Atmosphäre zu erhalten.

Definition

Datenassimilation ist der Prozess der Kombination von Beobachtungen mit einer modellbasierten vorherigen Schätzung, gewichtet nach ihren jeweiligen Unsicherheiten, um eine optimale Analyse des atmosphärischen Zustands zu erstellen, die zur Initialisierung einer Vorhersage verwendet wird.

Scope

Dieses Thema behandelt die Methoden zur Schätzung des atmosphärischen Anfangszustands für die Vorhersage, einschließlich optimaler Interpolation, drei- und vierdimensionaler variabler Assimilation, des Kalman-Filters und des Ensemble-Kalman-Filters, der Behandlung von Beobachtungs- und Hintergrundfehlern sowie der Assimilation von Satelliten- und anderen indirekten Beobachtungen.

Core questions

• Wie werden Beobachtungen und eine vorherige Modellvorhersage zu einer besten Schätzung kombiniert?
• Welche Rolle spielen Beobachtungsfehler und Hintergrundfehler?
• Wie unterscheiden sich Variations- und Ensemble-Kalman-Filter-Methoden?
• Wie werden indirekte Beobachtungen wie Satellitenradianzen assimiliert?

Key theories

Bayessche Zustandsschätzung

Die Datenassimilation fasst die Analyse als ein Bayessches Schätzproblem auf, das eine vorherige Vorhersage und neue Beobachtungen, gewichtet nach ihren Fehlerkovarianzen, kombiniert, um den erwarteten Fehler in der resultierenden Zustandsschätzung zu minimieren.

Ensemble-Kalman-Filterung

Ein Ensemble von Vorhersagen wird verwendet, um die flussabhängigen Hintergrundfehlerkovarianzen zu schätzen, wodurch der Filter die Analyse so aktualisieren kann, dass sie die Unsicherheit des Tages widerspiegelt und nicht ein festes statistisches Modell.

Mechanisms

Die Assimilation beginnt mit einem Hintergrund, einer kurzen Vorhersage, die zum Analysezeitpunkt gültig ist, und korrigiert diesen in Richtung der eingehenden Beobachtungen. Die Korrektur gewichtet Beobachtungen gegenüber dem Hintergrund entsprechend ihrer Fehlerkovarianzen, sodass genauere Daten und unsichere Regionen des Hintergrunds stärker beeinflusst werden. Variationsmethoden minimieren eine Kostenfunktion, die Abweichungen sowohl vom Hintergrund als auch von den Beobachtungen misst, optional über ein Zeitfenster, während Ensemble-Methoden die Hintergrundfehlerstatistiken aus der Streuung eines Ensembles von Vorhersagen schätzen. Beobachtungsoperatoren bilden Modellvariablen auf beobachtete Größen wie Satellitenradianzen ab.

Clinical relevance

Da die Vorhersagequalität entscheidend von den Anfangsbedingungen abhängt, ist die Datenassimilation für die operationelle Vorhersage von zentraler Bedeutung; Fortschritte bei der Assimilation von Satellitenbeobachtungen werden weithin als ein Haupttreiber der stetigen Verbesserung der globalen Vorhersagefähigkeiten in den letzten Jahrzehnten angesehen.

History

Die frühe objektive Analyse verwendete manuelle und statistische Interpolation von Beobachtungen auf Gitter; die optimale Interpolation formalisierte die Verwendung von Fehlerstatistiken in den 1960er und 1970er Jahren. Variationsmethoden, die auf Kalmans Filtertheorie aufbauten, dominierten in den 1990er Jahren die operationellen Zentren, und von Evensen und anderen eingeführte Ensemble-Kalman-Filter fügten flussabhängige Fehlerschätzungen hinzu, die heute viele hybride Assimilationssysteme untermauern.

Key figures

• Rudolf Kalman
• Geir Evensen
• Andrew Lorenc
• Eugenia Kalnay

Seminal works

• kalnay2003
• evensen1994

Frequently asked questions

Warum nicht einfach eine Vorhersage direkt aus den Beobachtungen starten?

Beobachtungen sind verstreut, ungleichmäßig verteilt und verrauscht, und sie messen nicht jede Modellvariable überall; die Assimilation verteilt ihre Informationen sinnvoll über das Gitter, indem sie sie mit einer physikalisch konsistenten vorherigen Vorhersage kombiniert.

Was ist der Hintergrund in der Datenassimilation?

Der Hintergrund oder die erste Schätzung ist eine kurzfristige Vorhersage, die zum Analysezeitpunkt gültig ist; die Assimilation passt sie an neue Beobachtungen an, sodass jede Analyse Informationen aus früheren Analysen weiterführt.