.png){kind=icon}
返回
A structurally localized ensemble Kalman filtering approach
.png){kind=icon}
OA
AI
DOI：10.1002/qj.70177.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有最先进的集合卡尔曼滤波（EnKF）算法需要结合局部化技术来应对误差协方差矩阵中的秩亏缺和固有的虚假相关性。局部化技术大多具有经验性，基于状态变量和观测变量之间的某种距离，并需要高要求的手动调优。本研究介绍了一种新的集合滤波方法，该方法具有内在的局部性，避免了任何辅助局部化技术的需求。该方法不是显式地对集合应用局部化，而是首先在集合采样之前对连续的分析概率密度函数（pdf）进行局部化。通过变分贝叶斯优化，使用状态向量小分区的独立边缘pdf的乘积近似来实现分析pdf的局部化。然后，这些边缘pdf按照随机EnKF和确定性集合变换卡尔曼滤波（ETKF）程序进行采样，使用大于分区大小的集合。所得到的滤波器包含与标准EnKF和ETKF相同的预报步骤，但分析步骤不同，基于其他分区的集合均值，迭代调整每个分区的EnKF和ETKF更新。在不同场景下使用Lorenz-96模型进行数值实验，以展示所提出滤波器的潜力。在计算负担和估计精度方面，新滤波器的性能与已经调优局部化的EnKF和ETKF相当。
Keyword:
data assimilation
EnKF
ETKF
localization
variational Bayes
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
5.8K
被引数:
2.4W
机构
引用论文
Parametric Bayesian estimation of point-like pollution sources of groundwater layers.png)
SIGNAL PROCESSING
SIGNAL PROCESSINGIF3.6
PREAI
分享收藏Which Is Better, an Ensemble of Positive–Negative Pairs or a Centered Spherical Simplex Ensemble?
OAAI
OAAI分享收藏Estimation of high-dimensional prior and posterior covariance matrices in Kalman filter variantsOAAI
OAAI分享收藏分享收藏
查看更多内容