Eine auf Nudging basierende Methode zur Datenassimilation: der Back and Forth Nudging (BFN) Algorithmus

Zusammenfassung. In diesem Paper wird ein neuer Algorithmus zur Datenassimilation namens Back and Forth Nudging behandelt. Die standardmäßige Nudging-Technik besteht darin, zu den Gleichungen des Modells ein Entspannungsterm hinzuzufügen, der die Beobachtungen in das Modell zwingen soll. Der BFN-Algorithmus besteht darin, wiederholt Vorwärts- und Rückwärtsintegration des Modells mit Entspannungstermen (oder Nudging-Terms) durchzuführen, wobei entgegengesetzte Vorzeichen in den direkten und inversen Integrationen verwendet werden, um die rückwärtige Entwicklung numerisch stabil zu machen. Dieser Algorithmus wurde zunächst an dem standardmäßigen Lorenz-Modell mit diskreten Beobachtungen (perfekt oder mit Rauschen) getestet und mit der variationalen Assimilationsmethode verglichen. Dieselbe Art von Studie wurde dann an der viskosen Burgers-Gleichung durchgeführt, erneut im Vergleich zur variationalen Methode und mit dem Fokus auf die zeitliche Entwicklung des Rekonstruktionsfehlers, d. h. dem Unterschied zwischen der Referenztrajektorie und der identifizierten Trajektorie über einen Zeitraum, der aus einer Assimilationsperiode gefolgt von einer Vorhersageperiode besteht. Die mögliche Verwendung des BFN-Algorithmus als Initialisierung für die variationale Methode wurde ebenfalls untersucht. Schließlich wurde der Algorithmus an einem geschichteten quasi-geostrophischen Modell mit Beobachtungen der Meereshöhe getestet. Die Verhaltensweisen der beiden Algorithmen wurden im Beisein perfekter oder rauschender Beobachtungen sowie für ungenaue Modelle verglichen. Dies hat es uns ermöglicht, eine Schlussfolgerung bezüglich der relativen Leistungsfähigkeit der beiden Algorithmen zu ziehen.