数据同化 DA
Data Assimilation
定义
把真实观测与数值模型的状态融合成一个对当前真实世界的最优估计,既校正模型自身的偏差,也给数据驱动模型提供带物理约束的监督标签,是气象、海洋与工程监测系统的核心环节。
是什么
数据同化(DA)是在观测与模型之间做融合的过程。数值模型给出未来时刻的状态先验, 观测给出该时刻的真实值(卫星、雷达、传感器、测量点),同化算法把两者结合, 产出一个比任何一方都更可靠的状态估计——即”初始条件”或”分析场”。
这个分析场随后作为预报的起点。所以同化直接决定了预报的初始误差, 是整个预报系统误差链条的第一环。
关键要点
- 两类主流算法:变分法(3D-Var / 4D-Var)在时间窗口上做整体最小二乘优化, 窗口内观测全部利用;滤波器法(卡尔曼滤波及扩展)逐时刻递推更新, 计算量小、实时性好。集合卡尔曼滤波(EnKF)用一组集合近似协方差,兼顾两者。
- 协方差是关键量:观测权重、模型与观测的相对信任度,本质上由误差协方差决定。 协方差设定不当(过大或过小)会让同化过度修正或修正不足。
- 观测算子是模型与观测之间的桥梁:把模型状态映射到观测空间。 算子中的偏差(模型误差、观测误差)不修正,同化结果会系统性偏向模型。
- 同化是数据驱动模型的天然教师:分析场或”模型 + 观测”的残差, 天然带有物理一致性,是给纯数据驱动模型提供带约束监督标签的低成本途径。
常见误区 / 边界
- 同化不是滤波去噪。它是在已知误差统计特性的前提下做最优估计, 误差特性不准,同化结果同样不准。
- 观测多不等于结果好。观测分布不均(只有部分区域有观测)时, 无观测区的更新完全依赖模型先验与协方差结构,可能把误差”抹平”到不该平滑的地方。
- “同化后误差下降”要在独立观测上验证。在被用于同化的同一批观测上评估, 会得到偏乐观的结论。
- 同化不能替代模型本身的改进。先验模型系统性偏差过大时, 同化只能在有限窗口内纠偏,长时间积分仍会漂回错误吸引子。
相关术语
站内相关资源
- PR-Smoother:面向数据同化的模拟器保持非高斯平滑方法 — 模拟器保持非高斯平滑的同化方法
- AECSF:用于高维非线性数据同化的自适应集合条件得分滤波 — 高维非线性数据同化滤波
- GraphCast:图神经网络驱动的全球中期天气预报 — 气象预报中的同化环节