




版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
大气/海洋数据同化方法(2)Kalman滤波
大气/海洋数据同化方法(2)1Kalman滤波基本思想:
预报场初始场分析场=预报场+K(观测-模式解)最小方差估计P,KKalman滤波基本思想:预报场初始场分析场=预报场+21表示求逆T表示转置1表示求逆3一个简单例子:信号源运动方程为系统误差:方差为0.1的高斯白噪声问题:请估计状态状态矩阵状态转换矩阵A一个简单例子:信号源运动方程为系统误差:方差为0.1的高斯4大气海洋数据同化方法Kalman滤波课件5观测矩阵H观测误差:方差为0.25的高斯白噪声观测矩阵H观测误差:方差为0.25的高斯白噪声6大气海洋数据同化方法Kalman滤波课件7结果分析结果分析8简单推广应用:动力模型要简单气象/海洋MODEL统计模型统计预报回归方程应用猜想1)气温旬预报2)Elnino预报简单推广应用:动力模型要简单气象/海洋统计模型统计预报回归方9一个实际例子一维大气边界层动力初值化模式如下
:一个实际例子10hxUg,VgPBL问题:如何消化观测数据形成风廓线?hxUg,VgPBL问题:如何消化观测数据形成风廓线?11三种思路:1):直接利用观测数据进行插值2):运用松弛逼近法3):运用Kalmanfilters哪些可取?哪些不可取?三种思路:12运用松弛逼近法运用松弛逼近法13运用Kalmanfilters首先将方程写成x(t+1)=A*x(t)的形式运用Kalmanfilters14湍流垂直交换系数方案采用O'Brien(1970)的廓线系数公式
湍流垂直交换系数方案采用O'Brien(1970)的廓线系数15状态向量:离散化之后的1-D边界层方程可以写为:状态向量:离散化之后的1-D边界层方程可以写为:16(2N,2N)(2N,2N)17一维标准Kalman滤波实验结果KFWithoutKF观测所在垂直层次2468一维标准Kalman滤波实验结果KFWithoutKF观测18大气海洋数据同化方法Kalman滤波课件19Kalman滤波Kalman滤波20Kalman滤波的几个发展阶段
标准(standard)Kalman滤波扩展(extended)Kalman滤波简化(simplified)Kalman滤波集合(ensemble)Kalman滤波KalmanfiltersKalman滤波的几个发展阶段标准(standard)Ka21标准Kalman滤波给出的状态估计是最优的扩展(extended)Kalman滤波是针对非线性系统提出的。在非线性情形下,模式状态转换矩阵可以是模式状态的函数,观测转换矩阵可以是模式状态与观测的函数保留1阶导数项(即获取非线性方程的切向线性方程),类似标准Kalman滤波的形式同样可以得到,但此时的Kalman滤波给出的估计不再是最优的,而是次优的。为了提高精度,每进行一次Kalman滤波之后保持不变并使用相同的观测,重复滤波过程对模式状态进行更替,这就是叠代(iterated)扩展Kalman滤波。标准Kalman滤波给出的状态估计是最优的22简化Kalman滤波与集合Kalman滤波的诞生Kalman滤波原理并不复杂,但具体实施起来有相当的难度。其一:模式只是对真实物理过程的一种近似,近似的好坏程度即误差很难确定,因而Kalman滤波中的模式误差较难给定。其二:计算模式预报误差协方差矩阵是Kalman滤波的核心关键算法,需要倍的模式积分时间,而且还需要存储维矩阵的空间,给出转换矩阵的形式;对于当前原始方程数值预报模式,通常达到,而且很难给出的形式。这些意味着要付出昂贵的计算时间并占用大量的机器内存。简化Kalman滤波与集合Kalman滤波的诞生23基于以上原因,针对对Kalman滤波进行简化成为必然。目前基本上有两种简化途径:一种是简化(simplified)Kalman滤波,减少的维数;一种是集合(ensemble)Kalman滤波,改变的算法。
基于以上原因,针对对Kalman滤波进行简化成24简化Kalman滤波有多种思路。一种简化Kalman滤波认为(Phillips,1986;Dee,1991;Cohn,1991),模式预报误差协方差的传播方程向前传播的信息过多,其实并没有必要传播有关每一个状态变量的信息;它主张通过了解模式里物理过程的内在规律和抓住模式的动力学特征,用一小部分参量去代表整个模式误差;相应地,只计算与这一小部分参量所对应的模式误差相关的模式预报误差协方差,对预报误差协方差的其余部分作静态处理即认为它们不随时间传播,从而达到减小维数的目的。简化Kalman滤波有多种思路。25集合Kalman滤波
Monte—Carlo法(集合积分法)来计算模式预报误差协方差。将模式状态预报看成近似随机动态预报,用一个模式状态集合(设数目为M)去代表随机动态预报中的概率密度函数,通过向前积分模式状态集合很容易计算不同时间的概率密度函数所对应的统计特性(如均值与协方差)。集合Kalman滤波Mont26
假定代表模式预报集合,则当集合数目增加时,解概率密度的误差以速率趋近0;对于一个实用的集合数目,如100左右,此误差将会被统计噪音而非动态随机预报所控制;此时,所消耗的计算时间约为100倍模式积分时间。假定代表模式预报集合,则27大气海洋数据同化方法Kalman滤波课件28标准Kalman滤波与集合Kalman滤波实验结果对比En-KFS-KF标准Kalman滤波与集合Kalman滤波实验结果对比En-29Kalman滤波的优点与缺点优点:模式预报状态协方差不断更新,不需要伴随模式,可以考虑非线性问题(ensembleKalmanfilters)。缺点:计算量太大!Kalman滤波的优点与缺点30Kalman滤波的应用进展Kalman滤波在大气数据同化中正蓬勃发展。在简单、低维的数据同化问题中,标准Kalman滤波和扩展Kalman滤波发挥着重要作用,算法已经成熟。但对复杂、高维和强非线性数据同化问题,扮演主要角色的是简化Kalman滤波和集合Kalman滤波。海洋数据同化方面,Evensen(1996)借助一个二层准地转海洋模式用集合Kalman滤波同化卫星高度计数据来模拟海流)。Kalman滤波的应用进展31欧洲中期天气预报中心(ECMWF)1993年就在Courtier的建议下开始发展自己的简化Kalman滤波,并将它的4DVAR系统向简化Kalman滤波扩展;1997年初次得到了简化Kalman滤波结果,发现4DVAR中运用简化Kalman滤波可以考虑更多的动力影响。1998年又用一个低分辨率的扩展Kalman滤波作为工具诊断和测试了简化Kalman滤波中的几个理论和实践方面的问题,将简化Kalman滤波朝业务使用方面又推进了一步。最近,Mitchell等(2000)发展了一种基于集合Kalman滤波的估计模式误差的方法。可以说,Kalman滤波技术正在与伴随变分技术展开“竞争”,瓜分或者共同联手占有大气数据同化“市场”。欧洲中期天气预报中心(ECMWF)1993年就在Courti32从KalmanFilters得出Optimalinterpolationdynamicsystem:x(t+1)=A*x(t)+u(k)E(u*u)=Qmeasurementsystem:y(t)=
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 怀旧玩具展览馆行业跨境出海项目商业计划书
- 耐火材料自动化生产行业深度调研及发展项目商业计划书
- 农产品生长记录行业跨境出海项目商业计划书
- 儿科护理新生儿破伤风
- 2025年新高二数学(人教A版暑假衔接)新课预习-1.4.1 用空间向量研究直线、平面的位置关系(教师版)-新高二暑假衔接
- 2025年传统食品工业化生产智能包装技术改造研究报告
- 2025年储能行业多元化市场前景与投资机会研究报告
- 冠心病患者胸痛健康教育
- 跨文化文案传播策略-洞察阐释
- 2025年储能技术多元化在电力市场中的应用与前景报告
- 瓷砖行业法规与消费者权益-全面剖析
- 2025年全国安全生产月安全生产知识竞赛抢答题库及答案(共200题)
- 仓库经理转正述职报告
- 高速公路智能收费系统操作指南
- 设备零故障培训课件
- 《基于PLC的自动灌溉系统设计(附IO表和程序梯形图)》14000字
- 2025年授权签字人考试题及答案
- 中国书法艺术传承与发展现状分析
- 江苏省徐州市区部分2025届中考生物押题试卷含解析
- 水泥粉磨工艺流程
- KRONES灌装检测工作原理及工艺参数调整
评论
0/150
提交评论