使用何种数据同化方法及其时机：释放海岸建模中观测数据的潜力

摘要 海岸线预测对于沿海管理至关重要。在来自不同来源的数据量不断增加的时代，利用观测数据确保海岸线预报的可靠性显得尤为重要。数据同化已成为弥合偶发和不精确的时空观测与描述沿海动力学物理学的数学方程之间差距的有力工具。本研究旨在通过评估考虑不同观测数据特征和初始系统知识的数据同化算法的有效性，以最大化这一潜力，指导海岸线模型尽可能接近实际结果。将两种统计算法（随机集合和扩展卡尔曼滤波器）和一种变分算法（4D-Var）纳入平衡横向模型和一维纵向模型中。进行双重实验程序，以确定这些同化算法在准确性、数据收集活动的长度和采样频率方面的观测要求。同样，评估了所需的初始系统知识和同化方法在合成情景下跟踪系统非平稳性的能力。结果表明，在存在噪声观测的情况下，卡尔曼滤波器的变体优于4D-Var。然而，4D-Var在初始系统知识方面要求较少，并且对于横向过程更准确地跟踪非平稳参数化。这些发现是在两个由不同过程主导、用于校准的不同数据来源的实际海滩上进行演示的。在此贡献中，迄今为止同化的海岸过程在海岸线建模中得到了扩展，4D-Var算法首次应用于海岸线建模领域，并提供了有关在可用观测数据和系统知识方面最有利的同化方法的指导。