ScholarGate
Assistant
Regression modelData assimilation

Filtre de Kalman d'ensemble

Le Filtre de Kalman d'ensemble (EnKF) est un algorithme séquentiel de Monte Carlo pour l'assimilation de données, introduit par Geir Evensen en 1994. Il étend le filtre de Kalman classique aux systèmes dynamiques non linéaires de haute dimension en représentant la covariance de l'erreur de prévision par un ensemble fini de réalisations du modèle, plutôt qu'en propageant une matrice de covariance complète. Chaque membre de l'ensemble évolue à travers le modèle non linéaire, et les observations sont assimilées en calculant un gain de Kalman basé sur l'échantillon, rendant la méthode calculatoirement traitable pour les grands modèles géophysiques.

Ouvrir dans MethodMindBientôtVidéoBientôtTélécharger les diapositives

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Carte des méthodes

Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.

Sources

  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

Comment citer cette page

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

Quelle méthode ?

Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.

Comparer côte à côte

Référencée par

ScholarGateEnsemble Kalman Filter (Ensemble Kalman Filter (Data Assimilation)). Consulté le 2026-06-15 sur https://scholargate.app/fr/data-fusion/ensemble-kalman-filter · Jeu de données : https://doi.org/10.5281/zenodo.20539026