Data Assimilation: The Ensemble Kalman Filter

Adta Assimilation به طور جامع شبیه سازی داده ها و روش های معکوس، از جمله تخمین حالت سنتی و تخمین پارامتر را پوشش می دهد. این متن و مرجع بر روی روش‌های مختلف شبیه‌سازی داده‌ها، مانند روش‌های تغییر محدودیت‌های ضعیف و قوی و فیلترها و صاف‌کننده‌ها تمرکز دارد. با استفاده از چندین مثال نشان داده می‌شود که چگونه روش‌های مختلف را می‌توان از یک مبنای نظری مشترک استخراج کرد، و همچنین چگونه آنها متفاوت هستند و/یا با یکدیگر مرتبط هستند، و کدام ویژگی‌ها آنها را مشخص می‌کند.

این ارائه می‌دهد. چارچوب ریاضی و مشتقات به روشی که برای هر رشته ای که دینامیک با اندازه گیری ها ادغام می شود رایج است. سطح ریاضیات متوسط ​​است، اگرچه نیاز به دانش آمار فضایی پایه، آمار بیزی و حساب تغییرات دارد. خوانندگان همچنین از معرفی روش های ریاضی استفاده شده و مشتقات دقیق، که باید به راحتی دنبال شوند، در سراسر کتاب آورده شده است. کدهای مورد استفاده در چندین آزمایش شبیه‌سازی داده‌ها در یک صفحه وب در دسترس هستند.

تمرکز روی روش‌های مجموعه، مانند فیلتر کلمن و نرم‌تر، همچنین آن را به یک مرجع قوی برای استخراج، پیاده‌سازی تبدیل می‌کند. و کاربرد چنین تکنیک هایی بسیاری از مطالب جدید، به ویژه مربوط به فرمول‌بندی و حل مسائل ترکیبی پارامترها و برآورد حالت و ویژگی‌های کلی الگوریتم‌های مجموعه، برای اولین بار در اینجا در دسترس هستند.

ویرایش دوم شامل بازنویسی جزئی است. از فصول 13 و 14 و پیوست. علاوه بر این، یک فصل کاملاً جدید در مورد "همبستگی های جعلی، بومی سازی و تورم" و یک بحث نمونه گیری به روز شده و بهبود یافته در فصل 11 وجود دارد.

Data Assimilation comprehensively covers data assimilation and inverse methods, including both traditional state estimation and parameter estimation. This text and reference focuses on various popular data assimilation methods, such as weak and strong constraint variational methods and ensemble filters and smoothers. It is demonstrated how the different methods can be derived from a common theoretical basis, as well as how they differ and/or are related to each other, and which properties characterize them, using several examples.

It presents the mathematical framework and derivations in a way which is common for any discipline where dynamics is merged with measurements. The mathematics level is modest, although it requires knowledge of basic spatial statistics, Bayesian statistics, and calculus of variations. Readers will also appreciate the introduction to the mathematical methods used and detailed derivations, which should be easy to follow, are given throughout the book. The codes used in several of the data assimilation experiments are available on a web page.

The focus on ensemble methods, such as the ensemble Kalman filter and smoother, also makes it a solid reference to the derivation, implementation and application of such techniques. Much new material, in particular related to the formulation and solution of combined parameter and state estimation problems and the general properties of the ensemble algorithms, is available here for the first time.

The 2nd edition includes a partial rewrite of Chapters 13 an 14, and the Appendix. In addition, there is a completely new Chapter on "Spurious correlations, localization and inflation", and an updated and improved sampling discussion in Chap 11.