Sigma-Point Kalman Filter Data Assimilation Methods for Strongly Nonlinear Systems
Notice bibliographique
Résumé
Abstract Performance of an advanced, derivativeless, sigma-point Kalman filter (SPKF) data assimilation scheme in a strongly nonlinear dynamical model is investigated. The SPKF data assimilation scheme is compared against standard Kalman filters such as the extended Kalman filter (EKF) and ensemble Kalman filter (EnKF) schemes. Three particular cases—namely, the state, parameter, and joint estimation of states and parameters from a set of discontinuous noisy observations—are studied. The problems associated with the use of tangent linear model (TLM) or Jacobian when using standard Kalman filters are eliminated when using SPKF data assimilation algorithms. Further, the constraints and issues of SPKF data assimilation in real ocean or atmospheric models are emphasized. A reduced sigma-point subspace model is proposed and investigated for higher-dimensional systems. A low-dimensional Lorenz 1963 model and a higher-dimensional Lorenz 1995 model are used as the test beds for data assimilation experiments. The results of SPKF data assimilation schemes are compared with those of standard EKF and EnKF, in which a highly nonlinear chaotic case is studied. It is shown that the SPKF is capable of estimating the model state and parameters with better accuracy than EKF and EnKF. Numerical experiments showed that in all cases the SPKF can give consistent results with better assimilation skills than EnKF and EKF and can overcome the drawbacks associated with the use of EKF and EnKF.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».