Forecast Error Correction using Dynamic Data Assimilation

این کتاب خواننده را با روش جدیدی برای جذب داده‌ها با محدودیت‌های قطعی (ارضاء دقیق محدودیت‌های دینامیکی) آشنا می‌کند - یک استراتژی شبیه‌سازی بهینه به نام روش حساسیت پیش‌بینی (FSM)، به عنوان جایگزینی برای متغیرهای چهاربعدی معروف. روش جذب داده ها (4D-Var). 4D-Var با یک مدل پیش‌بینی زمان به جلو و یک مدل خطی مماس به عقب در زمان (TLM) کار می‌کند. هم ارزی همسان سازی داده ها از طریق 4D-Var و FSM ثابت شده است و مشکلات با استفاده از دینامیک مرتبه پایین، فرآیند جذب داده ها را با دو روش روشن می کند. مشکل جریان برگشتی بر فراز خلیج مکزیک که شامل مشاهدات هوای فوقانی و محدودیت‌های دینامیکی واقعی است، به خواننده ایده خوبی از نحوه پیاده‌سازی FSM در یک موقعیت واقعی می‌دهد.

This book introduces the reader to a new method of data assimilation with deterministic constraints (exact satisfaction of dynamic constraints)—an optimal assimilation strategy called Forecast Sensitivity Method (FSM), as an alternative to the well-known four-dimensional variational (4D-Var) data assimilation method. 4D-Var works with a forward in time prediction model and a backward in time tangent linear model (TLM). The equivalence of data assimilation via 4D-Var and FSM is proven and problems using low-order dynamics clarify the process of data assimilation by the two methods. The problem of return flow over the Gulf of Mexico that includes upper-air observations and realistic dynamical constraints gives the reader a good idea of how the FSM can be implemented in a real-world situation.