数据同化
出自 MBA智库百科(https://wiki.mbalib.com/)
数据同化(Data Assimilation)
目录 |
数据同化就是在地球物理学领域中利用物理特性以及时间演变定律的一致性约束将观测信息加入到模式状态中的一种分析技术。简单的说：数据同化就是利用一系列约束条件将观测信息加到模式中，更改模式的初始状态和观测更为接近(即尽可能接近真实大气状态的真实状态)，来达到更好的预报效果[1]。
数据同化起源于20世纪中期，伴随着20世纪80年代全球对地观测能力的提高和全球环境变化研究需求，数据同化作为联系观测数据和模型的桥梁日益引起关注。当前，数据同化已经发展为地球系统科学研究的重要战略方法之一，并且被广泛应用于大气、海洋、陆面、生态等多个领域中。全球对地观测系统计划（Global Earth Observation System of Systems，GEOSS）提倡共同建立和共享“观测技术—驱动模型—数据同化—监测预测”的研究框架，得到成员国积极响应和参与，一系列大型的数据同化系统不断被研发，并取得了广泛的应用，典型代表包括北美陆面数据同化系统(North America Land Data Assimilation System，NLDAS)和欧洲陆面数据同化系统(Europe Land Data Assimilation System，ELDAS )系统，这些数据同化系统极大推动了地球系统科学研究的前进[2]。
数据同化的基本要素[2]
①模拟自然界真实过程的动力模型；
②状态量的直接或间接观测数据；
③通过数据同化算法不断将新观测的数据融入过程模型计算中，校正模型参数，提高模型模拟精度；
数据同化算法作为数据同化的重要组成部分，是连接观测数据与模型模拟预测的关键核心部分。按数据同化算法与模型之间的关联机制，数据同化算法大致可分为顺序数据同化算法和连续数据同化算法两大类[2]。
连续数据同化算法定义一个同化的时间窗口T，利用该同化窗口内的所有观测数据和模型状态值进行最优估计，通过迭代而不断调整模型初始场，最终将模型轨迹拟合到在同化窗口周期内获取的所有观测上，如三维变分和四维变分算法等。
顺序数据同化算法又称滤波算法，包括预测和更新两个过程。预测过程根据t时刻状态值初始化模型，不断向前积分直到有新的观测值输入，预测t+1时刻模型的状态值；更新过程则是对当前t+1时刻的观测值和模型状态预测值进行加权，得到当前时刻状态最优估计值。根据当前t+1时刻的状态值对模型重新初始化，重复上述预测和更新两个步骤，直到完成所有有观测数据时刻的状态预测和更新，常见的算法有集合卡尔曼滤波和粒子滤波算法等。
数据同化过程主要为两个步骤的循环。第一步可以称为分析，其中实际系统的观测量与模型产生的预报值相比较/融合，得到系统状态的最佳估计。在第二步，根据观测数据和模型两者包含的不确定度信息，平衡二者得到关于未来系统状态的预报值（具体时间点由下一批观测值给出）。这就完成了一个分析-预报循环。
可以用卡尔曼滤波器来比喻数据同化过程。其中“分析”步骤类似于观测值与它的预估值的作差；预报步骤则相当于系统状态的最优估计。数据同化与通常的最优控制过程之不同在于，其自由度数量庞大，根本无法得到其协方差矩阵。数据同化常用于涉及大规模时效性数据处理的过程，如现代天气预报。
