ScholarGate
Assistent
Regression modelData assimilation

Ensemble Kalman Filter

De Ensemble Kalman Filter (EnKF) is een sequentieel Monte Carlo algoritme voor data-assimilatie, geïntroduceerd door Geir Evensen in 1994. Het breidt de klassieke Kalman filter uit naar hoog-dimensionale, niet-lineaire dynamische systemen door de forecast-fout-covariantie weer te geven met een eindige ensemble van modelrealisaties, in plaats van een volledige covariantiematrix te propageren. Elk ensemblelid evolueert via het niet-lineaire model, en observaties worden geassimileerd door een op samples gebaseerde Kalman-gain te berekenen, waardoor de methode rekenkundig hanteerbaar wordt voor grote geofysische modellen.

Openen in MethodMindBinnenkortVideoBinnenkortDia's downloaden

Lees de volledige methode

Alleen voor leden

Log in met een gratis account om dit onderdeel te lezen.

Inloggen

Methodenkaart

De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.

Bronnen

  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

Deze pagina citeren

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

Welke methode?

Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.

Naast elkaar vergelijken

Geciteerd door

ScholarGateEnsemble Kalman Filter (Ensemble Kalman Filter (Data Assimilation)). Geraadpleegd op 2026-06-15 via https://scholargate.app/nl/data-fusion/ensemble-kalman-filter · Gegevensset: https://doi.org/10.5281/zenodo.20539026