ScholarGate
Assistent
Regression modelData assimilation

Ensemble Kalman Filter (EnKF)

Ensemble Kalman Filter (EnKF) är en sekventiell Monte Carlo-algoritm för dataassimilation som introducerades av Geir Evensen 1994. Den utvidgar det klassiska Kalmanfiltret till högdimensionella, ickelinjära dynamiska system genom att representera kovariansen för prognosfelet med en ändlig ensemble av modellrealiseringar, snarare än att propagera en fullständig kovariansmatris. Varje ensemblemedlem utvecklas genom den ickelinjära modellen, och observationer assimileras genom att beräkna en sampelbaserad Kalmanförstärkning, vilket gör metoden beräkningsmässigt hanterbar för stora geofysiska modeller.

Öppna i MethodMindSnartApply, compare, get guidance
Tools & resources
Ladda ner bildspel
Learn & explore
VideoSnart

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Metodkarta

Närområdet av besläktade metoder — välj en nod för att utforska.

Källor

  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

Så citerar du den här sidan

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

Vilken metod?

Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.

Jämför sida vid sida

Refereras av

ScholarGateEnsemble Kalman Filter (Ensemble Kalman Filter (Data Assimilation)). Hämtad 2026-06-15 från https://scholargate.app/sv/data-fusion/ensemble-kalman-filter · Datamängd: https://doi.org/10.5281/zenodo.20539026