Vereinfachung des Kalman-Filters zur Assimilation meteorologischer Daten

Zusammenfassung: Wir schlagen eine neue statistische Methode zur Datenassimilation vor, die auf einer Vereinfachung der Kalman-Filter-Gleichungen basiert. Die Entwicklung der Vorhersagefehlerkovarianz wird einfach approximiert, indem das Masse-Fehlerkovarianzfeld advektiert, die verbleibenden Kovarianzen geostrophisch abgeleitet und externe Modellfehlerzwänge nur am Ende jedes Vorhersagezyklus berücksichtigt werden. Dies reduziert die Kosten für die Berechnung der Vorhersagefehlerkovarianz erheblich, die den zentralen und teuersten Aspekt des Kalman-Filter-Algorithmus darstellt. In Simulationen mit einem linearen, eindimensionalen Flachwasser-Modell und künstlich erzeugten Daten wird die Leistung des vereinfachten Filters mit der des Kalman-Filters und der optimalen Interpolationsmethode (OI) verglichen. Diese Experimente sind so gestaltet, dass der Effekt der Vereinfachung der Entwicklung der Vorhersagefehlerkovarianz isoliert wird. Der vereinfachte Filter liefert Analysen, die nahezu optimal sind und stellt eine bedeutende Verbesserung gegenüber OI dar.