ScholarGate
Assistent
Regression modelData assimilation

Ensemble Kalman Filter

Ensemble Kalman Filter (EnKF) er en sekvensiell Monte Carlo-algoritme for datassimulering introdusert av Geir Evensen i 1994. Den utvider det klassiske Kalman-filteret til høy-dimensjonale, ikke-lineære dynamiske systemer ved å representere prognosefeilkovariansen gjennom et endelig ensemble av modellrealiseringer, i stedet for å propagere en fullstendig kovariansmatrise. Hvert ensemblemedlem utvikler seg gjennom den ikke-lineære modellen, og observasjoner assimileres ved å beregne en utvalgsbasert Kalman-forsterkning, noe som gjør metoden beregningsmessig håndterbar for store geofysiske modeller.

Åpne i MethodMindSnartVideoSnartLast ned lysbilder

Les hele metoden

Kun for medlemmer

Logg inn med en gratis konto for å lese denne delen.

Logg inn

Metodekart

Nabolaget av beslektede metoder — velg en node for å utforske.

Kilder

  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

Slik siterer du denne siden

ScholarGate. (2026, June 2). Ensemble Kalman Filter (Data Assimilation). ScholarGate. https://scholargate.app/no/data-fusion/ensemble-kalman-filter

Hvilken metode?

Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.

Sammenlign side om side

Referert av

ScholarGateEnsemble Kalman Filter (Ensemble Kalman Filter (Data Assimilation)). Hentet 2026-06-15 fra https://scholargate.app/no/data-fusion/ensemble-kalman-filter · Datasett: https://doi.org/10.5281/zenodo.20539026