Assimilação de Dados

A assimilação de dados é a forma como um modelo de previsão aprende o presente: ela combina milhões de observações dispersas e imperfeitas com uma previsão prévia curta para produzir a melhor estimativa do estado atual da atmosfera.

Definition

A assimilação de dados é o processo de combinar observações com uma estimativa prévia baseada em modelo, ponderadas por suas respectivas incertezas, para produzir uma análise ótima do estado atmosférico usada para inicializar uma previsão.

Scope

Este tópico abrange os métodos usados para estimar o estado inicial atmosférico para previsão, incluindo interpolação ótima, assimilação variacional tridimensional e quadridimensional, o filtro de Kalman e o filtro de Kalman por conjunto, o tratamento de erros de observação e de fundo, e a assimilação de observações de satélite e outras observações indiretas.

Core questions

• Como as observações e uma previsão de modelo prévia são combinadas em uma melhor estimativa?
• Que papéis desempenham o erro de observação e o erro de fundo?
• Como os métodos variacionais e de filtro de Kalman por conjunto diferem?
• Como observações indiretas, como radiâncias de satélite, são assimiladas?

Key theories

Estimativa de estado Bayesiana

A assimilação de dados trata a análise como um problema de estimativa Bayesiana, combinando uma previsão prévia e novas observações ponderadas por suas covariâncias de erro para minimizar o erro esperado na estimativa de estado resultante.

Filtragem de Kalman por conjunto

Um conjunto de previsões é usado para estimar as covariâncias de erro de fundo dependentes do fluxo, permitindo que o filtro atualize a análise de uma forma que reflita a incerteza do dia, em vez de um modelo estatístico fixo.

Mechanisms

A assimilação começa a partir de um fundo, uma previsão curta válida no momento da análise, e a corrige em direção às observações recebidas. A correção pondera as observações em relação ao fundo de acordo com suas covariâncias de erro, de modo que dados mais precisos e regiões incertas do fundo recebem mais influência. Métodos variacionais minimizam uma função de custo que mede os desvios tanto do fundo quanto das observações, opcionalmente em uma janela de tempo, enquanto métodos de conjunto estimam as estatísticas de erro de fundo a partir da dispersão de um conjunto de previsões. Operadores de observação mapeiam variáveis do modelo para quantidades observadas, como radiâncias de satélite.

Clinical relevance

Como a qualidade da previsão depende criticamente das condições iniciais, a assimilação de dados é central para a previsão operacional; os avanços na assimilação de observações de satélite são amplamente creditados como um dos principais impulsionadores da melhoria constante na habilidade de previsão global nas últimas décadas.

History

A análise objetiva inicial usava interpolação manual e estatística de observações em grades; a interpolação ótima formalizou o uso de estatísticas de erro nas décadas de 1960 e 1970. Métodos variacionais, baseados na teoria de filtragem de Kalman, passaram a dominar os centros operacionais na década de 1990, e os filtros de Kalman por conjunto introduzidos por Evensen e outros adicionaram estimativas de erro dependentes do fluxo que agora sustentam muitos sistemas de assimilação híbridos.

Key figures

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

Seminal works

• kalnay2003
• evensen1994

Frequently asked questions

Por que não iniciar uma previsão a partir das próprias observações?

As observações são dispersas, desigualmente espaçadas e ruidosas, e não medem todas as variáveis do modelo em todos os lugares; a assimilação espalha suas informações de forma sensata pela grade, combinando-as com uma previsão prévia fisicamente consistente.

O que é o fundo na assimilação de dados?

O fundo, ou primeira estimativa, é uma previsão de curto alcance válida no momento da análise; a assimilação o ajusta em direção a novas observações, de modo que cada análise carrega informações de análises anteriores.