稀疏观测下的数据同化
Data Assimilation with Sparse Observations
浏览论文内容
中文总结 AI 辅助
针对稀疏且不频繁观测下的数据同化，证明松弛逼近法在任何正参数下均能严格减小误差并延长有限的可预测性时域。
中文摘要 AI 辅助
通过松弛逼近法（也称连续数据同化，CDA）进行数据同化，若方法参数足够大且观测在时间上足够频繁、空间上足够密集，则误差呈指数衰减并具有无限可预测性时域。我们考虑参数适中且观测稀疏、不频繁的互补情形。我们证明，对于任意数据和任意（正的）参数，同化都能严格减小误差并严格延长（现为有限的）可预测性时域。
英文摘要
Data assimilation by nudging (also called CDA) yields exponentially decaying errors and an infinite predictability horizon if the method parameter is large enough and the observations are frequent enough in time and dense enough in space. We consider the complementary case of moderate parameters and sparse and infrequent observations. We prove that assimilation with any data and any(positive) parameter strictly decreases errors and strictly increases the (now finite) predictability horizon.
发表机构
- University of Florida（佛罗里达大学）
- University of Pittsburgh（匹兹堡大学）
机构由 AI 辅助整理，请以论文原文为准。
