| Инд. авторы: | Климова Е.Г. |
| Заглавие: | Сравнительный анализ методов, улучшающих сходимость ансамблевого фильтра Калмана |
| Библ. ссылка: | Климова Е.Г. Сравнительный анализ методов, улучшающих сходимость ансамблевого фильтра Калмана // Марчуковские научные чтения – 2017: Труды Международной конференции. - 2017. - Новосибирск: ИВМиМГ СО РАН. - С.405-411. |
| Внешние системы: | РИНЦ: 32702889; |
| Реферат: | rus: Ансамблевый фильтр Калмана является одним из популярных методов усвоения данных при моделировании процессов в атмосфере, водоемах, распространения загрязняющих веществ и т.д. Одной из проблем практической реализации ансамблевых фильтров Калмана является расходимость процедуры усвоения данных со временем из-за убывания дисперсий ошибок оценивания. Существует несколько подходов к решению этой проблем: применение корректирующего параметра (inflation factor) как мультипликативного, так и аддитивного, задание случайной ошибки модели (stochastic forcing), а также адаптивные процедуры коррекции дисперсий ошибок прогноза. В статье рассматривается общий подход к анализу эффективности таких процедур. Подход основан на формуле для отклонения элемента ансамбля от среднего по ансамблю значения. Свойства процедур, регулирующих сходимость, исследуются для стохастического ансамблевого фильтра Калмана как аналитически, так и с помощью численных экспериментов с 1-мерной моделью Лоренца. |
| Ключевые слова: | коррекция ковариационных матриц; расходимость фильтра Калмана; ансамблевый фильтр Калмана; усвоение данных; |
| Издано: | Novosibirsk: , 2017 |
| Физ. характеристика: | с.405-411 |
| Конференция: | Название: Марчуковские научные чтения-2017 Город: Новосибирск Страна: Россия Даты проведения: 2017-06-25 - 2017-07-14 |
| Цитирование: | 1. Климова Е.Г Экономичный алгоритм усвоения данных, основанный на стохастическом ансамблевом фильтре Калмана // Труды Международной конференции «Актуальные проблемы вычислительной и прикладной математики. 2015», 19-23 октября 2015 г., г. Новосибирск. 2015. С. 339-344 2. Anderson, B., Moore, J. Optimal filtering. Prentice-Hall, 1979 3. Cohn, S.E., Dee, D.P. . Observability of discretizes partial differential equations // SIAM J. Numer. Anal. 1988. V. 25, iss. 3, P. 586-617 4. Evensen, G. Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics // Journal Geophysical Research. 1994. V. 99, P. 10143-10162 5. Evensen, G. Data assimilation. The ensemble Kalman filter, Spriger-Verlag, Berlin Heideberg, 2009 6. Jazwinski, A.H. Stochastic processes and filtering theory. Academic Press, New York, 1970 7. Houtekamer, H.L. Zhang, F. Review of the ensemble Kalman filter for atmospheric data assimilation // Monthly Weather Review. 2016. V. 144, P. 4489-4532 8. Klimova E. A suboptimal data assimilation algorithm based on the ensemble Kalman filter // Quarterly Journal of the Royal Meteorological Society. 2012. V. 138, P. 2079-2085 9. Lorenz, E.N., Emanuel, K.A. Optimal sites for supplementary weather observations: simulation with a small model // Journal of the Atmospheric Sciences. 1998. V. 55, P. 399-414 10. Wang, X., Bishop, C.H. A comparison of breeding and ensemble transform Kalman filter ensemble forecast schemes // Journal of the Atmospheric Sciences. 2003. V. 60, P. 1140-1158 |