Key points are not available for this paper at this time.
데이터 동화는 이전(또는 배경) 정보와 관측치를 결합하여 주어진 시간 창에서 동적 시스템의 초기 상태를 추정합니다. 일반적인 응용은 수치 기상 예측에서 이전 예측과 대기 관측치를 사용하여 수치 기상 예측을 위한 초기 조건을 얻는 것입니다. 4차원 변분 데이터 동화(4D-Var)에서 이 문제는 비선형 최소제곱 문제로 정식화되며, 일반적으로 클래식한 가우스-뉴턴(GN) 방법의 변형을 사용하여 해결됩니다. 그러나 우리는 초기화가 잘못되면 GN이 수렴하지 않을 수 있음을 보여줍니다. 특히, 관측치에 비해 배경 정보의 불확실성이 더 클 경우 또는 4D-Var에서 더 많은 관측치를 허용하는 긴 시간 창을 사용할 때 이러한 상황이 발생할 수 있음을 보여줍니다. GN이 직면하는 어려움은 이후 예측을 위한 초기 상태 조건의 부정확으로 이어질 수 있습니다. 이를 극복하기 위해, 우리는 긴 시간 창의 4D-Var 문제에 두 가지 수렴 GN 변형(선형 탐색 및 정규화)을 적용하고, 정해진 계산 시간 및 비용 예산 내에서 GN에 비해 보다 정확한 추정을 찾는 경우를 조사합니다. 우리는 이러한 방법이 초기 상태의 추정을 개선할 수 있음을 보여주며, 이는 더 정확한 예측으로 이어질 수 있습니다.
Cartis et al. (Mon,)은 이 문제를 연구했습니다.