Ассимиляция данных

Ассимиляция данных — это процесс, посредством которого прогностическая модель «изучает» настоящее: она объединяет миллионы разрозненных, несовершенных наблюдений с кратким предварительным прогнозом для получения наилучшей оценки текущего состояния атмосферы.

Definition

Ассимиляция данных — это процесс объединения наблюдений с предварительной оценкой, основанной на модели, взвешенной по их соответствующим неопределенностям, для получения оптимального анализа состояния атмосферы, используемого для инициализации прогноза.

Scope

Эта тема охватывает методы, используемые для оценки начального состояния атмосферы для прогнозирования, включая оптимальную интерполяцию, трех- и четырехмерную вариационную ассимиляцию, фильтр Калмана и ансамблевый фильтр Калмана, обработку ошибок наблюдений и фоновых ошибок, а также ассимиляцию спутниковых и других косвенных наблюдений.

Core questions

• Как наблюдения и предварительный прогноз модели объединяются в наилучшую оценку?
• Какую роль играют ошибка наблюдения и фоновая ошибка?
• Чем отличаются вариационные методы и методы ансамблевого фильтра Калмана?
• Как ассимилируются косвенные наблюдения, такие как спутниковые излучения?

Key theories

Байесовская оценка состояния

Ассимиляция данных рассматривает анализ как задачу байесовской оценки, объединяя предварительный прогноз и новые наблюдения, взвешенные по их ковариациям ошибок, для минимизации ожидаемой ошибки в результирующей оценке состояния.

Ансамблевая фильтрация Калмана

Ансамбль прогнозов используется для оценки ковариаций ошибок фоновой информации, зависящих от потока, что позволяет фильтру обновлять анализ таким образом, чтобы он отражал неопределенность текущего дня, а не фиксированную статистическую модель.

Mechanisms

Ассимиляция начинается с фоновой информации (краткосрочного прогноза, действительного на момент анализа) и корректирует ее в соответствии с поступающими наблюдениями. Коррекция взвешивает наблюдения относительно фоновой информации в соответствии с их ковариациями ошибок, поэтому более точные данные и неопределенные области фоновой информации оказывают большее влияние. Вариационные методы минимизируют функцию стоимости, измеряющую отклонения как от фоновой информации, так и от наблюдений, возможно, в течение временного окна, в то время как ансамблевые методы оценивают статистику ошибок фоновой информации на основе разброса ансамбля прогнозов. Операторы наблюдений отображают переменные модели на наблюдаемые величины, такие как спутниковые излучения.

Clinical relevance

Поскольку качество прогноза критически зависит от начальных условий, ассимиляция данных имеет центральное значение для оперативного прогнозирования; достижения в ассимиляции спутниковых наблюдений широко признаны в качестве ведущего фактора устойчивого улучшения качества глобальных прогнозов за последние десятилетия.

History

Ранний объективный анализ использовал ручную и статистическую интерполяцию наблюдений на сетки; оптимальная интерполяция формализовала использование статистики ошибок в 1960-х и 1970-х годах. Вариационные методы, основанные на теории фильтрации Калмана, стали доминировать в оперативных центрах в 1990-х годах, а ансамблевые фильтры Калмана, введенные Эвенсеном и другими, добавили оценки ошибок, зависящие от потока, которые теперь лежат в основе многих гибридных систем ассимиляции.

Key figures

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

Seminal works

• kalnay2003
• evensen1994

Frequently asked questions

Почему бы просто не начать прогноз с самих наблюдений?

Наблюдения разрозненны, неравномерно распределены и зашумлены, и они не измеряют каждую переменную модели повсеместно; ассимиляция разумно распределяет их информацию по сетке, комбинируя их с физически согласованным предварительным прогнозом.

Что такое фоновая информация в ассимиляции данных?

Фоновая информация, или первое приближение, — это краткосрочный прогноз, действительный на момент анализа; ассимиляция корректирует его в соответствии с новыми наблюдениями, поэтому каждый анализ переносит информацию из предыдущих.