- 1、本文档共10页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
数据同化基础知识和理论
一、基础理论知识
1.高斯概率分布函数
P
其中,x=-∞
2.两个相互独立的联合高斯概率分布函数
P(A∩B)=P(A)?P(B)
P
P
P
3.N个相互独立的联合高斯概率分布函数
P(A1∩A2∩A3?∩An)=P(A1)?P(A2)?P(A3)?P(An)
P
4.点的最优估计
假设每组观测都是无偏的,则有
P
对X的最优估计就是使P达到最大值,即
I=
达到最小值,I对x求导,可得
dI
求I的最小值,则
dI
求得
x=
一个点的最优估计与观测值的方差有关。
5.条件概率和贝叶斯理论(Bayes Theorem)
P
P
∴ P
假设:
A:t时刻的模式值x
B:0到t时的所有观测值Y
则
PAB:给定到t时刻的所有观测值
PBA:
P(A):给定0到t-1时刻的所有观测值后,t时刻模式值的概率分布P
P(B):给定0到t-1时刻的所有观测值后,t时刻观测值的概率分布P
∴ P
二、最优插值(Optimal Interpolation)
假定有三个变量x1、x
变量的分析值为
x
x
x
求x1的最优估计,即方差(
x
(x
因为
y
y
代入上式,可得
(x
(x
模式值与观测值是独立的,所以有
(x
(x
y
y
y
把以上五个式子代入(1)式,可得
(x
上式对W11
?
?
方差(x1
?
即
W
W
写成矩阵形式为
σ
定义
B
b=
B+O
全矩阵形式:
定义
x:代表模式变量的N维列向量
yo
xb
xa
W:N×K维的权重系数矩阵
H:把模式格点值投影到观测点的映射矩阵,又称为观测算子,维数为N×K
一个状态向量的分析值可表示为:
x
三、卡曼滤波(Kalman Filter)
假设分析方程存在
x
上标f表示预报(forecast)。
对于一个高斯分布的状态量,概率分布函数(PDF)表示为
p
使px
K
B=
b=
所以,可以得到K(Kalman gain)的表示式
K
如果Cf是给定的,则卡曼滤波相当于最优插值,因此,最优插值也称为静态卡曼滤波(stationary Kalman Filter)
四、三维变分(Three dimensional variational algorithm)
假设模式背景场与观测值都符合高斯分布,则有
P
P
P
Max
其中
J
C为背景误差协方差,R为观测误差协方差。
C可以从模式的历史数据时间序列得到。如果C是预先给定的,则三维变分只是最优插值的另外一种表达形式,也可称为静态卡曼滤波(stationary Kalman Filter)
五、例子
模式:LORENZ 63
方法:最优插值(Optimal Interpolation)
模式:LORENZ 63
方法:集合卡曼滤波(Ensemble Kalman Filter)
上图为真值和20个集合的数据图
下图为真值和同化后(20个平均)的模拟值图
方差:0.7791
文档评论(0)