4DVar数据同化的新方法
摘要：四维变分数据同化（4DVar）在数据科学中已成为一种越来越重要的工具，广泛应用于地球科学、生物学和金融行业等许多工程和科学领域。4DVar寻求一种解决方案，即在同化窗口内最小化与背景场的偏离以及预报轨迹与观测之间的不匹配。目前最先进的4DVar只提供了两种选择，即使用不同形式的预报模型：强约束和弱约束4DVar方法。前者忽略模型误差，仅校正初始条件误差，但代价是降低了准确性；而后者考虑了初始和模型误差，并单独校正它们，这增加了计算成本和不确定性。为了克服这些限制，我们在这里发展了一种积分校正4DVar（i4DVar）方法，通过将所有误差一视同仁，同时且无差别地进行校正。为了实现这一点，在i4DVar中提出了一种新的指数衰减函数，用于描述误差演化，并在每个时间步长中进行校正。结果表明，i4DVar大大增强了强约束4DVar校正模型误差的能力，同时克服了弱约束4DVar因成本高和不确定性增加的限制。通过Lorenz模型的数值实验表明，i4DVar明显优于现有的4DVar方法。由于易于实施和出色的性能，它具有在大数据时代应用于许多科学、工程领域和工业部门的潜力。
作者：Xiangjun Tian, Aiguo Dai, Xiaobing Feng, Hongqin Zhang, Rui Han, and Lu Zhang
论文ID：1805.09320
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2018-05-28