Der systematische Prozess, Beobachtungen mit einer Vorab‑Modellschätzung des Systemzustands zu kombinieren, um eine verbesserte, intern konsistente Anfangsbedingung oder Analyse für Vorhersage‑ und Reanalyseanwendungen zu erzeugen.

Prinzip

Formulierung der Zustandsschätzung als Optimierung oder Bayessche Aktualisierung, die Beobachtungsfehler, Modellhintergrundfehler und deren Kovarianzen berücksichtigt; Implementierung mittels variationeller Methoden, Ensemble‑Filtern oder hybriden Ansätzen zur Minimierung des Analysefehlers.

Demonstration

Satellitenradianzen, Druckmessungen an Bodenstationen und Radiosonden‑Temperaturprofile werden über biaskorrigierte Beobachtungsoperatoren in ein Assimilationssystem eingespeist, das die dreidimensionale atmosphärische Analyse aktualisiert, mit der eine Wettervorhersage initialisiert wird.

Fehlanwendung

Das direkte Einfügen roher Beobachtungen ohne Berücksichtigung von Repräsentativitätsfehlern oder instrumentellen Bias kann den Modellzustand korruptieren; die Übergewichtung eines Datentyps kann zu künstlichen Anpassungen und verringerter Vorhersagegüte führen.

Konsequenz

Effektive Datenassimilation verringert den Anfangsbedingungsfehler, verbessert die Vorhersagegüte insbesondere für kurze bis mittlere Vorhersagezeiten und erzeugt kohärente Analysen, die für den operativen Einsatz, die Erzeugung von Ensembleläufen und Reanalysen geeignet sind.

Umkehrung

Ein frei laufendes Modell, das ohne Beobachtungsupdates aus einem Vorabzustand initialisiert wird, zeigt die Folge fehlender Assimilation: stärkere Hintergrunddrift und typischerweise schnellere Fehlerzunahme in Vorhersagen im Vergleich zu assimilierten Läufen.

Abgrenzung

Gilt für Methoden, die Beobachtungen und Modellhintergrund verschmelzen, um den Systemzustand zu schätzen; ausgenommen sind nachgelagerte Bias‑Korrekturen von Vorhersagen, Modellabstimmungen ohne Bezug zur Zustandsschätzung und rein statistische Nachverarbeitungen nach der Vorhersageerzeugung.

Semantische Spannung

Es besteht Spannung zwischen Assimilation und maschinellen Lernmethoden für Beobachtungsoperatoren oder Nachverarbeitung: Beide können Vorhersagen verbessern, doch zielt Assimilation auf die Zustandsverbesserung in physikalischer Konsistenz, während ML‑Nachbearbeitung eine explizite Zustandskorrektur umgehen kann.

Synthese

Datenassimilation ist das prinzipienbasierte Zusammenführen von Beobachtungen und Modellhintergrund mittels statistischer oder variationeller Verfahren, um die bestmögliche Schätzung des Systemzustands für Initialisierung und Analyse zu erzeugen, wobei Fehler und Kovarianzen explizit berücksichtigt werden.