앙상블 데이터 동화에서 시스템 오류를 고려하기 위한 방법 평가

앙상블 변동의 추상적 인플레이션은 표현되지 않은 오류 출처를 고려하기 위해 앙상블 칼만 필터에서 사용됩니다. 저자들은 관측이 앙상블 확산을 줄이는 정도에 비례하여 사후 앙상블을 인플레이션하는 곱셈 인플레이션 알고리즘을 제안합니다. 이로 인해 밀집 관측 영역에서 더 많은 인플레이션이 발생합니다. 이는 사후 앙상블 분산이 이러한 영역에서 샘플링 오류의 영향을 더 많이 받기 때문에 정당화됩니다. 이 알고리즘은 Zhang et al.이 제안한 “사전으로의 이완” 알고리즘과 유사하지만, 사후 앙상블 변동 대신 사후 앙상블 확산을 사전으로 이완합니다. 새로운 인플레이션 알고리즘은 모델 오류가 포함된 환경에서 이차 수준의 원시 방정식 모델을 사용하여 Zhang et al.의 방법과 단순 상수 공분산 인플레이션을 비교합니다. 새로운 방법이 다소 더 나은 성능을 보이나, Zhang et al.의 방법은 앙상블 확산이 더 빠르게 성장하는 더 균형 잡힌 분석을 생성합니다. 새로운 곱셈 인플레이션 알고리즘과 가법 인플레이션을 결합하면 별도의 방법을 사용할 때보다 우수한 것으로 나타났습니다. 모델 오류가 없는 대규모 및 소규모 앙상블을 포함한 테스트는 곱셈 인플레이션이 샘플링 오류와 같은 표현되지 않은 관찰 네트워크 의존 동화 오류를 고려하는 데 더 적합하며, 관찰 네트워크에 의존하지 않는 모델 오류는 가법 인플레이션으로 더 잘 처리되는 것으로 나타났습니다. 가법 및 곱셈 인플레이션의 조합은 표현되지 않은 배경 오류의 보다 정교한 확률 처리를 평가하기 위한 기준선을 제공할 수 있습니다. 이는 가법 인플레이션을 모델 오류의 매개변수화로 하는 확률적 운동 에너지 후방산란 방식의 성능 비교를 통해 입증됩니다.