.png){kind=icon}
返回
A Nonlinear Data Assimilation Algorithm with Closed-Form Approximations for Multilayer Flow Fields
.png){kind=icon}
PRE
AI
DOI：10.1175/MWR-D-24-0277.1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在仅有一层部分可观测的多层湍流流场中进行状态估计，仍然是一项具有挑战性且实践上重要的任务。应用包括利用表层观测推断深海状态。直接基于完整预报模型实施集合卡尔曼滤波通常成本高昂。实践中广泛使用的一种方法是通过线性回归将观测层的信息投影到其他层。然而，当高度湍流流场中的非线性占主导地位时，会出现较大误差。本文提出了一种多步非线性数据同化方法，涉及跨层顺序应用非线性同化步骤。与传统的线性回归方法不同，采用条件高斯非线性系统作为近似预报模型，以表征相邻层之间的非线性依赖关系。在每一步中，将当前层后验分布抽取的样本视为下一层的伪观测。每个样本均使用后验均值和协方差的分析公式进行同化。所得高斯后验分布随后聚合为高斯混合分布。因此，该方法能够捕捉强湍流特征，特别是间歇性和极端事件，并更准确地量化固有不确定性。针对含拉格朗日数据同化的两层准地转系统的应用表明，多步方法在示踪剂数量和集合规模增加时，性能优于单步方法。结果还显示，多步条件高斯数据同化（CGDA）在频繁、高精度观测场景下尤为有效，这些是传统EnKF方法可能遭受灾难性滤波发散的情况。
Keyword:
Filtering techniques
Uncertainty
Data assimilation
Nonlinear models
期刊
IF:
3
论文数:
103
被引数:
2.9W
.png){kind=icon}
