| Инд. авторы: | Климова Е.Г. |
| Заглавие: | Методы обработки пространственных данных в задачах мониторинга природных явлений, основанные на байесовском подходе |
| Библ. ссылка: | Климова Е.Г. Методы обработки пространственных данных в задачах мониторинга природных явлений, основанные на байесовском подходе // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (SDM-2019) [Электронный ресурс]: Сборник трудов всероссийской конференции (Бердск, 26.08-30.08.2019). - 2019. - Новосибирск: Институт вычислительных технологий Сибирского отделения РАН. - С.118-123. - ISBN: 978-5-905569-11-1. |
| Внешние системы: | РИНЦ: 41376545; |
| Реферат: | rus: Одной из важных задач мониторинга природных явления является задача получения значений параметров окружающей среды на некоторой регулярной сетке. В настоящее время принято решать такие задачи с привлечением всех имеющихся данных наблюдений, а также математической модели интересующего нас процесса. Математическая постановка задачи входит в набор задач так называемого обратного моделирования. В случае, если рассматривается вероятностная постановка задачи, применяется байесовский подход. На таком подходе основаны популярные алгоритмы, такие как ансамблевый фильтр Калмана, ансамблевое сглаживание Калмана, метод частиц. В докладе приводится краткий обзор современных методов, а также подходы к их практической реализации. |
| Ключевые слова: | усвоение данных; ансамблевый фильтр Калмана; спутниковые данные; |
| Издано: | 2019 |
| Физ. характеристика: | с.118-123 |
| Конференция: | Название: Всероссийская конференция с международным участием «Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов» Аббревиатура: SDM-2019 Город: Бердск, Новосибирская область Страна: Россия Даты проведения: 2019-08-26 - 2019-08-30 Ссылка: http://conf.nsc.ru/SDM-2019 |
| Цитирование: | 1. Carrassi A., Bocquet M., Bertino L., Evensen G. Data assimilation in the geosciences: An overview of methods, issuers and perspectives // Wiley interdisciplinary reviews: Climate Change. 2018. Vol. 131, is 5. e535. DOI:10.1002/wcc535. 2. Nakamura G., Potthast R. Inverse Modeling. IOP Publishing, 2015. 509 p. DOI:10.1088/978-0-7503-1218-9. 3. Evensen G. Data assimilation. The ensemble Kalman filter. Berlin, Heideberg: Spriger-Verlag, 2009. 307 p. 4. Evensen G. Analysis of iterative ensemble smoother for solving inverse problems // Computational Geosciences. 2018. Vol. 22. P. 885-908. DOI:10.1007/s10596-018-9731-y. 5. Houtekamer H.L., Zhang F. Review of the ensemble Kalman filter for atmospheric data assimilation // Monthly Weather Review. 2016. Vol. 144. P. 4489-4532. 6. Jazwinski A.H. Stochastic processes and filtering theory. N.Y.: Academic Press, 1970. 376 p. 7. Bocquet M. et al. Data assimilation in atmospheric chemistry models: current status and future prospects for coupled chemistry meteorology models // Atmospheric Chemistry and Physics. 2015. Vol. 15. P. 5325-5358. 8. Klimova E. A suboptimal data assimilation algorithm based on the ensemble Kalman filter // Quarterly Journal of the Royal Meteorological Society. 2012. Vol. 138. P. 2079-2085. 9. Klimova E.G. Application of ensemble Kalman filter in environment data assimilation // IOP Conference Series: Earth and Environmental Science. 2018. Vol. 211. P. 012049. DOI:10.1088/1755-1315/211/1/012049. 10. Климова Е.Г. Стохастический ансамблевый фильтр Калмана с трансформацией ансамбля возмущений // Сибирский журнал вычислительной математики. 2019. Т. 22, № 1. С. 27-40. 11. Thepaut J.-N. Satellite data assimilation in numerical weather prediction: an overview // Proceedings of the ECMWF Seminar on Recent development in data assimilation for atmosphere and ocean. 8-12 September 2003. P.75-96. 12. Grell G. et al. Fully coupled "online" chemistry within the WRF model // Atmos. Environment. 2005. Vol. 39. P. 6957-6975. 13. Dee D.P. et al. The ERA-interim reanalysis: Configuration and performance of the data assimilation system // Q. J. Roy. Meteorol. Soc. 2011. Vol. 137. P. 553-579. 14. Inness A. et al. The MACC reanalysis: an 8 yr data set of atmospheric composition // Atmos. Cgem. Phys. 2013. Vol. 13. P. 4073-4109. |
