排序方式: 共有3条查询结果,搜索用时 234 毫秒
1
1.
为了探索协方差局地化(Covariance Localization,CL)方法在集合转换卡尔曼滤波(Ensemble Transform Kalman Filter, 相似文献
2.
为了探讨不同同化指标对顺序数据同化的影响,选择En KF,DEn KF,En SRF三种经典的顺序同化算法,结合Lorenz-1963模型进行敏感性实验分析,研究同化总时间、同化步长、集合成员数、方差膨胀因子、观测数目和局地化半径等指标对同化结果的影响。实验表明:同化总时间、同化步长、集合成员数、方差膨胀因子、观测数目和局地化半径对同化结果有直接的影响,基于En KF的改进算法在有限范围内是优于En KF的;当达到一定条件时,以上所有方法的同化结果趋于相同。研究结果对于实际应用中的最优顺序同化算法选择具有指导意义。 相似文献
3.
EnKF同化的背景误差协方差矩阵局地化对比研究 总被引:1,自引:1,他引:0
在集合数据同化中,背景场误差的协方差估计特别重要。通常有限个成员的集合在估计背景误差协方差矩阵时会引入伪相关,从而造成协方差被低估、滤波发散。虽然协方差膨胀的经验性方法能一定程度缓解协方差被低估的问题,但不能消除协方差的伪相关问题。因此,结合EnKF方案探讨2种消除伪相关的局地化方法(协方差局地化方法和局地分析方法),分析这2种局地化方法对背景误差协方差矩阵、增益矩阵、集合转换矩阵以及同化结果的影响。实验结果表明:局地化方法不仅能消除背景误差协方差矩阵的伪相关,还可以增加背景误差协方差矩阵的秩;在"弱"同化强度下,2种局地化方法的增益矩阵和集合转换矩阵相等;随着同化强度的增大,增益矩阵和集合转换矩阵的差异会变大;在不同的同化强度下,2种局地化方法各具特色,相对而言,协方差局地化方法在更新集合均值和集合扰动上具有较强的鲁棒性。研究结论有助于背景场误差协方差的精细分析和估计。 相似文献
1