Asimilación de Datos

La asimilación de datos es el proceso mediante el cual un modelo de pronóstico aprende el presente: combina millones de observaciones dispersas e imperfectas con un pronóstico previo a corto plazo para producir la mejor estimación del estado actual de la atmósfera.

Definition

La asimilación de datos es el proceso de combinar observaciones con una estimación previa basada en un modelo, ponderadas por sus respectivas incertidumbres, para producir un análisis óptimo del estado atmosférico utilizado para inicializar un pronóstico.

Scope

Este tema cubre los métodos utilizados para estimar el estado inicial atmosférico para la predicción, incluyendo la interpolación óptima, la asimilación variacional tridimensional y cuatridimensional, el filtro de Kalman y el filtro de Kalman por conjuntos, el tratamiento de los errores de observación y de fondo, y la asimilación de observaciones satelitales y otras observaciones indirectas.

Core questions

• ¿Cómo se combinan las observaciones y un pronóstico de modelo previo en una mejor estimación?
• ¿Qué papel desempeñan el error de observación y el error de fondo?
• ¿En qué se diferencian los métodos variacionales y los filtros de Kalman por conjuntos?
• ¿Cómo se asimilan las observaciones indirectas, como las radiancias satelitales?

Key theories

Estimación bayesiana de estados

La asimilación de datos plantea el análisis como un problema de estimación bayesiana, combinando un pronóstico previo y nuevas observaciones ponderadas por sus covarianzas de error para minimizar el error esperado en la estimación del estado resultante.

Filtrado de Kalman por conjuntos

Se utiliza un conjunto de pronósticos para estimar las covarianzas de error de fondo dependientes del flujo, lo que permite al filtro actualizar el análisis de una manera que refleja la incertidumbre del día en lugar de un modelo estadístico fijo.

Mechanisms

La asimilación parte de un fondo, un pronóstico a corto plazo válido en el momento del análisis, y lo corrige hacia las observaciones entrantes. La corrección pondera las observaciones frente al fondo según sus covarianzas de error, de modo que los datos más precisos y las regiones inciertas del fondo reciben mayor influencia. Los métodos variacionales minimizan una función de costo que mide las desviaciones tanto del fondo como de las observaciones, opcionalmente durante una ventana de tiempo, mientras que los métodos de conjunto estiman las estadísticas de error de fondo a partir de la dispersión de un conjunto de pronósticos. Los operadores de observación mapean las variables del modelo a cantidades observadas, como las radiancias satelitales.

Clinical relevance

Dado que la calidad del pronóstico depende críticamente de las condiciones iniciales, la asimilación de datos es fundamental para la predicción operativa; los avances en la asimilación de observaciones satelitales son ampliamente reconocidos como un motor principal de la mejora constante en la habilidad de pronóstico global en las últimas décadas.

History

Los primeros análisis objetivos utilizaron la interpolación manual y estadística de observaciones en cuadrículas; la interpolación óptima formalizó el uso de estadísticas de error en las décadas de 1960 y 1970. Los métodos variacionales, basados en la teoría de filtrado de Kalman, llegaron a dominar los centros operativos en la década de 1990, y los filtros de Kalman por conjuntos introducidos por Evensen y otros añadieron estimaciones de error dependientes del flujo que ahora sustentan muchos sistemas de asimilación híbridos.

Key figures

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

Seminal works

• kalnay2003
• evensen1994

Frequently asked questions

¿Por qué no simplemente iniciar un pronóstico a partir de las observaciones mismas?

Las observaciones están dispersas, espaciadas de manera desigual y son ruidosas, y no miden todas las variables del modelo en todas partes; la asimilación distribuye su información de manera sensata a través de la cuadrícula combinándolas con un pronóstico previo físicamente consistente.

¿Qué es el fondo en la asimilación de datos?

El fondo, o primera estimación, es un pronóstico a corto plazo válido en el momento del análisis; la asimilación lo ajusta hacia nuevas observaciones, de modo que cada análisis lleva información de los anteriores.