数据同化
数据同化
数据同化是把观测数据与数值模型结合起来估计系统状态的方法。它不是简单平均多源数据，而是在模型动力学、观测误差和初始条件不确定性之间求一个更可靠的分析场。
观察
- 在数值天气预报中，天气和气候预测可被理解为初值问题：初始状态的小误差会被混沌系统放大，因此同化观测以修正初始条件是预报能力的核心环节。
- 数据同化处理的是观测与模型之间的张力。卫星、雷达、浮标、探空和传感器提供局部、有噪声、有缺口的观测；数值模型提供连续物理约束，但模型参数和初始状态也有误差。
- 变分方法把同化写成优化问题，通过最小化目标函数估计状态；滤波器方法更偏顺序贝叶斯更新，其中集合卡尔曼滤波器用 ensemble 表达不确定性。
- 数据同化也用于参数估计和再分析。它可以用观测约束经验参数，也可以在缺少直接观测的位置生成连续状态估计，形成可用于研究和应用的再分析产品。
- 潜空间数据同化 是机器学习进入这个传统问题后的分支：先学习低维 latent representation，再在潜空间中处理状态估计和物理一致性。
- PepWeather 这类气象 AI 产品把同化、集合预报和不确定性校准连接到风险定价、出行保障和补偿机制，说明数据同化不只服务科学预测，也进入商业决策系统。
边界
- 数据同化不能消除混沌系统的不确定性，只能在观测、模型和先验假设之间降低状态估计误差。
- 再分析产品不是“真实观测”的简单替代；它们仍受模型结构、同化方案和观测覆盖影响。
- 当同化思想被类比到导航、健康或金融时，应区分严格数学同化与宽泛的信息融合隐喻。
相关页面
证据
- 原始资料快照（本地归档）
- 潜空间数据同化