數據同化(data assimilation)是指在考慮數據時空分布以及觀測場和背景場誤差的基礎上,在數值模型的動態運行過程中融合新的觀測數據的方法。它是在過程模型的動態框架內,通過數據同化算法不斷融合時空上離散分布的不同來源和不同解析度的直接或間接觀測信息來自動調整模型軌跡,以改善動態模型狀態的估計精度，提高模型預測能力。數據同化是一種最初來源於數值天氣預報，為數值天氣預報提供初始場的數據處理技術，現在已廣泛套用於大氣海洋領域。
基本介紹
- 中文名：數據同化
- 來源於：數值天氣預報
- 廣泛套用於：大氣海洋領域
- 包括：模擬自然界真實過程的動力模型
1基本概念,2算法分類,“分析-預報”循環,數據同化與卡爾曼濾波器,
1基本概念
數據同化是一種最初來源於數值天氣預報，為數值天氣預報提供初始場的數據處理技術。已廣泛套用於大氣海洋領域。
由於數據同化可以套用於地球系統科學研究的多個領域，因此不同領域專家對數據同化的內涵與外延有各自的表述。綜合起來可以概括定義數據同化包括4個基本要素：模擬自然界真實過程的動力模型；狀態量的直接或間接觀測數據；不斷將新觀測的數據融入過程模型計算中、校正模型參數、提高模型模擬精度的數據同化算法；驅動模型運行的基礎參量數據。
資料同化的主要任務是將各種不同來源，不同誤差信息，不同時空解析度的觀測資料融合進入數值動力模式，依據嚴格的數學理論，在模式解與實際觀測之間找到一個最優解，這個最優解可以繼續為動力模式提供初始場，以此不斷循環下去，使得模式的結果不斷地向觀測值靠攏。
2算法分類
按數據同化算法與模型之間的關在線上制，數據同化算法大致可分為順序數據同化算法和連續數據同化算法兩大類。
連續數據同化算法定義一個同化的時間視窗T，利用該同化視窗內的所有觀測數據和模型狀態值進行最優估計，通過疊代而不斷調整模型初始場，最終將模型軌跡擬合到在同化視窗周期內獲取的所有觀測上，如三維變分和四維變分算法等。
順序數據同化算法又稱濾波算法，包括預測和更新兩個過程。預測過程根據t時刻狀態值初始化模型，不斷向前積分直到有新的觀測值輸入，預測t+1時刻模型的狀態值；更新過程則是對當前t+1時刻的觀測值和模型狀態預測值進行加權，得到當前時刻狀態最優估計值。根據當前t+1時刻的狀態值對模型重新初始化，重複上述預測和更新兩個步驟，直到完成所有有觀測數據時刻的狀態預測和更新，常見的算法有集合卡爾曼濾波和粒子濾波算法等。
“分析-預報”循環
數據同化過程主要為兩個步驟的循環。第一步可以稱為分析，其中實際系統的觀測量與模型產生的預報值相比較/融合，得到系統狀態的最佳估計。在第二步，根據觀測數據和模型兩者包含的不確定度信息，平衡二者得到關於未來系統狀態的預報值（具體時間點由下一批觀測值給出）。這就完成了一個分析-預報循環。
數據同化與卡爾曼濾波器
可以用卡爾曼濾波器來比喻數據同化過程。其中“分析”步驟類似於觀測值與它的預估值的作差；預報步驟則相當於系統狀態的最優估計。數據同化與通常的最優控制過程之不同在於，其自由度數量龐大，根本無法得到其協方差矩陣。 數據同化常用於涉及大規模時效性數據處理的過程，如現代天氣預報。
