集合数据同化中联合估计模型与观测误差协方差矩阵的创新型方法综述
统计方法学
2020-09-02 v5
摘要
数据同化将数值模式的预报与观测相结合。当前大多数数据同化算法将模型与观测误差项视为加性高斯噪声，分别由其协方差矩阵 Q 与 R 指定。这些误差协方差，特别是其各自幅度，决定了在数据同化算法解（即分析）中赋予背景（即模式预报）与观测的权重。因此，Q 与 R 矩阵显著影响分析的精度。本综述旨在以统一框架呈现并讨论利用基于集合的数据同化技术联合估计 Q 与 R 矩阵的不同方法。迄今大多数方法使用创新，定义为观测与预报在观测空间上投影之差。这些方法基于两个主要统计准则：（i）矩方法，其中假设创新的理论矩与经验矩相等；（ii）使用观测似然的方法，观测本身包含于创新中。所综述方法假设创新为高斯随机变量，尽管似然类方法可推广至其他分布。各方法在复杂程度与高维系统适用性上亦存差异。综述结论讨论了进一步发展 Q 与 R 估计方法的关键挑战。这些挑战包括考虑时变误差协方差、利用有限观测覆盖、估计附加确定性误差项或处理相关噪声。
引用
@article{arxiv.1807.11221,
title = {A Review of Innovation-Based Methods to Jointly Estimate Model and Observation Error Covariance Matrices in Ensemble Data Assimilation},
author = {Pierre Tandeo and Pierre Ailliot and Marc Bocquet and Alberto Carrassi and Takemasa Miyoshi and Manuel Pulido and Yicun Zhen},
journal= {arXiv preprint arXiv:1807.11221},
year = {2020}
}
备注
The manuscript is being considered for publication at Monthly Weather Review