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.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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.
- DatafusieDatafusie↔ vergelijken
- Deeltjesfilter (Sequentiële Monte Carlo)Bayesiaanse statistiek↔ vergelijken
- State Space Model (Kalman Filter)Econometrie↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →