데이터 동화

Data assimilation

데이터 동화는 이론(일반적으로 수치 모델의 형태)과 관측치를 최적으로 결합하는 수학 분야입니다.시스템의 최적 상태 추정치를 결정하고, 수치 예측 모델의 초기 조건을 결정하고, 관측되는 시스템의 (예: 물리적) 지식을 사용하여 희박한 관측 데이터를 보간하고, 관측된 모델의 훈련에 기초한 수치 매개변수를 설정하는 등 다양한 목표가 추구될 수 있다.목적에 따라 다른 해결 방법을 사용할 수 있습니다.데이터 동화는 분석 대상 시스템의 동적 모델을 이용한다는 점에서 다른 형태의 기계학습, 이미지 분석 및 통계 방법과 구별된다.

데이터 동화는 처음에는 수치 기상 예측 분야에서 개발되었다.수치 기상 예측 모델은 대기의 역동적인 행동을 설명하는 방정식으로, 일반적으로 컴퓨터 프로그램으로 코드화된다.이러한 모델을 사용하여 예측하기 위해서는 현재 대기 상태와 매우 유사한 모델에 대한 초기 조건이 필요합니다.단순히 점 단위 측정을 수치 모델에 삽입하는 것만으로는 만족스러운 솔루션을 제공하지 못했습니다.실제 측정에는 계측기의 품질과 측정 위치를 얼마나 정확하게 알고 있는지로 인한 오차가 포함됩니다.이러한 오류로 인해 모델에 불안정성이 발생하여 예측 기술 수준이 모두 제거될 수 있습니다.따라서 수치 모델의 안정성을 유지하면서 사용 가능한 모든 데이터를 사용하여 모델을 초기화하기 위해서는 보다 정교한 방법이 필요했다.이러한 데이터에는 일반적으로 측정과 측정이 동시에 유효한 이전 예측이 포함됩니다.이 프로세스를 반복적으로 적용하면 과거의 관측치로부터 모든 후속 예측치에 대한 정보가 축적되기 시작합니다.

데이터 동화는 수치 기상 예측 분야에서 발전했기 때문에 처음에는 지구 과학자들 사이에서 인기를 얻었다.사실, 모든 지구과학에서 가장 많이 인용된 출판물 중 하나는 [1]대기의 관측된 역사를 재구성하기 위한 데이터 동화의 적용이다.

데이터 동화 프로세스 세부 사항

전통적으로 데이터 동화는 단순한 외삽법을 사용하여 예측하기 너무 어려운 혼돈 동적 시스템에 적용되어 왔다.이러한 어려움의 원인은 초기 조건의 작은 변화가 예측 정확도에 큰 변화를 가져올 수 있기 때문이다.이것은 나비 효과로 알려져 있기도 합니다. 즉, 결정론적 비선형 시스템의 한 상태에서 작은 변화가 나중에 큰 차이를 가져올 수 있는 초기 조건에 대한 민감한 의존성입니다.

항상 데이터 동화는 일반적으로 예측(첫 번째 추측 또는 배경 정보라고도 함)을 취하며 관측치 및 예측 자체에 존재하는 일련의 관측 데이터와 추정 오류에 기반하여 예측에 보정을 적용합니다.그 당시 예측과 관측치 사이의 차이를 출발 또는 혁신이라고 한다(데이터 동화 과정에 새로운 정보를 제공하기 때문에).가중 계수는 관측치의 새로운 정보에 기초하여 예측에 얼마나 많은 보정을 해야 하는지를 결정하기 위해 혁신에 적용된다.가중계수 곱하기 혁신에 의해 결정된 예측에 대한 수정에 기초한 시스템 상태의 최선의 추정치를 분석이라고 한다.한 차원에서는 분석을 계산하는 것이 예측 및 관측 값의 가중 평균을 구성하는 것만큼 간단할 수 있다.다차원에서는 이 문제가 더욱 어려워집니다.데이터 동화에 관한 작업의 대부분은 시스템의 오류에 대한 복잡한 지식을 바탕으로 적절한 가중 계수를 적절히 추정하는 데 초점을 맞추고 있다.

측정은 보통 그 시스템의 모델의 불완전한 표현보다는 실제 시스템으로 이루어지며, 따라서 모델화된 변수를 직접 비교할 수 있는 형태로 매핑하기 위해 관찰 연산자(일반적으로 비선형 연산자의 경우 h() 또는 선형화를 위해 H에 의해 묘사됨)라고 불리는 특별한 함수가 필요합니다.관찰.

통계적 추정으로서의 데이터 동화

일반적인 수학적 철학적 관점 중 하나는 데이터 동화를 베이지안 추정 문제로 보는 것이다.이러한 관점에서, 분석 단계는 베이즈의 정리를 적용한 것이며, 전체 동화 절차는 재귀 베이지안 추정의 한 예이다.그러나 확률론적 분석은 일반적으로 계산적으로 실현 가능한 형태로 단순화된다.포커-플랑크 방정식에 의해 정확하게 시간 내 확률 분포를 진행하는 것은 일반적인 경우이지만, 고차원 시스템에는 가능하지 않다. 따라서 대신 확률 분포의 단순화된 표현에 대해 다양한 근사치가 사용된다.종종 확률 분포는 평균과 공분산으로 표현될 수 있도록 가우스 분포로 가정되며, 이는 칼만 필터를 발생시킨다.

많은 방법은 평균으로만 확률 분포를 나타내며 미리 계산된 공분산을 입력합니다.이를 계산하기 위한 직접(또는 순차) 방법의 예를 최적 통계 보간 또는 단순 최적 보간(OI)이라고 합니다.다른 접근법은 동일한 문제를 해결하는 비용 함수를 반복적으로 해결하는 것입니다.이러한 방법을 3D-Var 및 4D-Var와 같은 변형 방식이라고 합니다.대표적인 최소화 알고리즘은 공역 구배법 또는 일반화 최소 잔차법입니다.앙상블 칼만 필터는 몬테 카를로 접근법을 사용하여 시뮬레이션 앙상블에 의한 가우스 확률 분포의 평균과 공분산을 추정하는 순차적 방법이다.최근에는 앙상블 접근법과 변동 방법의 혼합 조합이 더욱 인기를 끌고 있다(예: 유럽 중거리 일기 예보 센터(ECMWF)와 NOAA 국립 환경 예측 센터(NCEP)에서 모두 운영 예측에 사용된다).

일기 예보 응용 프로그램

수치 기상 예측 애플리케이션에서 데이터 동화는 수치 예측 모델을 초기화하기 위해 온도 및 기압과 같은 기상 변수의 관측을 사전 예측과 결합하는 방법으로 가장 널리 알려져 있다.

필요한 이유

대기는 유동적이다.수치 기상 예측의 개념은 주어진 시간에 유체의 상태를 표본으로 추출하고 미래의 어느 시점에 유체의 상태를 추정하기 위해 유체 역학 및 열역학 방정식을 사용하는 것입니다.초기 조건을 생성하기 위해 관측 데이터를 모형에 입력하는 과정을 초기화라고 합니다.육지에서는 전 세계적으로 해상도가 1km(0.6mi) 이하인 지형도를 사용하여 험준한 지형 지역 내 대기 순환을 모델링하여 내리막 바람, 산악 파도 및 유입되는 태양 [2]방사선에 영향을 미치는 관련 구름과 같은 특징을 더 잘 묘사한다.국가 기반 기상 서비스의 주요 입력은 기상 위성뿐만 아니라 다양한 대기 매개변수를 측정하여 고정 수신기에 전송하는 기상 풍선의 장치(라디오존이라고 함)의 관측이다.세계기상기구는 전 세계적으로 이러한 관측의 계측, 관측 관행 및 타이밍을 표준화하는 역할을 한다.스테이션은 METAR [3]보고서로 매시간 또는 SYNOP [4]보고서로 6시간마다 보고합니다.이러한 관측치는 불규칙한 간격으로 이루어지기 때문에 데이터 동화 및 객관적 분석 방법에 의해 처리되며, 이 방법은 품질 관리를 수행하고 모델의 수학적 [5]알고리즘에 의해 사용 가능한 위치에서 값을 얻는다.일부 글로벌 모델은 유한한 차이를 사용하며, 이 경우 세계는 일정한 간격의 [6]위도와 경도 그리드에서 이산 점으로 표현됩니다.또 다른 모델은 파장 범위를 해결하는 스펙트럼 방법을 사용합니다.그런 다음 데이터는 모형에서 [7]예측의 시작점으로 사용됩니다.

수치 모델에서 사용하기 위해 관측 데이터를 수집하기 위해 다양한 방법이 사용됩니다.사이트는 대류권을 통과하여 성층권으로 [8]잘 올라가는 기상 풍선을 타고 전파를 발사한다.기상 위성의 정보는 기존의 데이터 소스를 사용할 수 없는 경우에 사용됩니다.커머스는 항공기[9] 항로를 따라 파일럿 보고서를 제공하고 선박 항로를 [10]따라 선박 보고서를 제공합니다.연구 프로젝트에서는 정찰기를 사용하여 열대성 [11][12]저기압과 같은 관심 있는 기상 시스템을 비행합니다.정찰 항공기는 또한 추운 계절에 외양 상공을 비행하여 예측 가이던스에 상당한 불확실성을 초래하거나 하류 [13]대륙 상공에서 향후 3~7일 동안 높은 영향을 미칠 것으로 예상된다.해빙은 1971년 [14]예측 모델에서 초기화되기 시작했다.모델 초기화에 해수면 온도를 포함시키려는 노력은 1972년 태평양의 [15]높은 위도에서 날씨를 조절하는 역할을 하기 때문에 시작되었습니다.

역사

루이스 프라이 리처드슨

1922년 루이스 프라이 리처드슨은 날씨를 수치로 예측하는 첫 시도를 발표했다.리처드슨은 비에르네스의 원시 [16]방정식의 정수적 변화를 이용하여 중앙 유럽의 두 지점에서 6시간 동안 대기 상태를 수작업으로 예측했으며,[17] 그렇게 하는데 최소 6주가 걸렸다.그의 예측은 표면 압력의 변화가 145밀리바(4.3inHg)가 될 것이라고 계산했는데, 이는 두 자릿수 차이로 부정확한 비현실적인 값이다.큰 오차는 그의 [16]분석에서 초기 조건으로 사용된 압력장과 풍속장의 불균형으로 인해 발생했으며, 이는 데이터 동화 계획의 필요성을 나타낸다.

원래 "주관적 분석"은 기상학자들이 운영 전문 지식을 사용하여 수치 기상 예측(NWP) 예보를 조정하는 데 사용되었다.그 후 자동화된 데이터 동화를 위해 "객관적 분석"(예: 크레스만 알고리즘)이 도입되었다.이러한 객관적 방법들은 단순한 보간 접근법을 사용하였고[why?], 따라서 3DDA (3차원 데이터 동화) 방법이었다.

나중에 MM5 모델과 같이 "누딩"이라고 불리는 4DDA (4차원 데이터 동화) 방법이 개발되었다.그것들은 뉴턴 이완(뉴턴의 두 번째 공리)의 단순한 아이디어에 기초하고 있다.계산된 기상 변수와 관측 값의 차이에 비례하는 항을 모델의 동적 방정식의 오른쪽에 도입합니다.음수 부호가 있는 이 항은 계산된 상태 벡터를 관측치에 더 가깝게 유지합니다.누드는 [citation needed]공분산으로부터 얻는 것이 아니라 게인 매트릭스를 규정하는 칼만-부시 필터(칼만 필터의 연속 시간 버전)의 변형으로 해석할 수 있다.

콜모고로프의 초기 사상을 발전시킨 "통계적 보간"(또는 "최적 보간") 방법을 도입한 L. 간딘(1963)에 의해 큰 발전이 이루어졌다.이는 3DDA 방법이며 "첫 번째 추측" 필드(이전 예측)와 "참 필드" 오류의 공분산 함수의 공간 분포에 대한 정보를 활용하는 회귀 분석의 한 유형이다.이러한 기능은 전혀 알려져 있지 않습니다.그러나 다른 근사치를 [citation needed]가정했다.

최적의 보간 알고리즘은 Kalman Filtering(KF) 알고리즘의 축소 버전으로, 공분산 행렬이 동적 방정식에서 계산되지 않고 미리 결정됩니다.

KF 알고리즘을 NWP 모델용 4DDA 툴로 도입하려는 시도는 나중에 이루어졌다.그러나 풀 버전은 엄청난 수의 추가 방정식(~N*N~10**12, 여기서 N=Nx*Ny*Nz는 상태 벡터 크기, Nx~100, Ny~100, Nz~100, Nz~100, Nz~100)의 해법을 필요로 하기 때문에 이는 어려운 작업이었다.이러한 어려움을 극복하기 위해 근사 또는 차선의 칼만 필터가 개발되었습니다.여기에는 앙상블 칼만 필터와 RRSQRT([18]Reduced-Ranked Kalman 필터)가 포함됩니다.

4DDA 방법의 또 다른 중요한 발전은 J.-L. 라이온스와 G. 마르쿠크의 이전 연구에 기초한 르 디메와 탈라랑(1986)의 연구에서 최적 제어 이론(변형 접근법)을 이용한 것이며, 후자는 환경 모델링에 그 이론을 최초로 적용한 것이다.변동적 접근법의 중요한 장점은 기상장이 NWP 모델의 동적 방정식을 만족하는 동시에 기능을 최소화하여 관측치와의 차이를 특징짓는다는 것이다.따라서, 제한된 최소화 문제가 해결된다.3DDA 변형 방법은 사사키(1958)에 의해 최초로 개발되었다.

Lorenc(1986)가 보여주었듯이, 위에서 언급한 모든 4DDA 방법은 어느 정도 한계 등가이며, 즉 일부 가정에서는 동일한 비용 함수를 최소화한다.그러나 실제 적용에서 이러한 가정은 결코 충족되지 않으며, 다양한 방법은 다르게 수행되며 일반적으로 어떤 접근법(칼만 필터링 또는 변형)이 더 나은지 명확하지 않다.또한 최소화할 함수의 전역 최소값에 대한 계산 방법의 수렴과 같은 고급 DA 기법을 적용할 때 근본적인 질문이 발생한다.예를 들어, 비용 함수나 솔루션이 요구되는 집합은 볼록하지 않을 수 있다.현재 가장 성공적인[19][20] 4DDA 방법은 하이브리드 증분 4D-Var로, 앙상블을 사용하여 데이터 동화 시간 창 시작 시 기후학적 배경 오차 공분산을 증가시키지만, 배경 오차 공분산은 NWP 예측 모델의 단순화된 버전에 의해 시간 창 동안 진화한다.이 데이터 동화 방법은 기상청 [21][22]등의 예보 센터에서 운영상 사용된다.

비용 함수

데이터 동화의 분석을 생성하는 과정에는 비용 함수의 최소화가 수반되는 경우가 많습니다.일반적인 비용 함수는 관측치의 정확성에 의해 가중된 관측치에서 분석 값의 편차에 대한 제곱합과 예측 필드의 정확성에 의해 가중된 분석 필드의 제곱합이다.따라서 분석이 일반적으로 신뢰할 [citation needed]수 있는 것으로 알려진 관측치와 예측치에서 너무 멀리 떨어지지 않도록 하는 효과가 있습니다.

3D-Var

서 B는 배경 오차 공분산을 R(\는 관측 오차 공분산을 나타냅니다.

4D-Var

H가 선형 연산자(행렬)인 .

장래의 발전

NWP 모델에 대한 데이터 동화 방법을 신속하게 개발하는 요인에는 다음이 포함된다.

  • 관측치를 활용하면 현재 다양한 공간 척도(지구적 규모에서 고도로 국지적 규모까지)와 시간 척도에서 예측 기술의 개선이 유망하다.
  • 이용 가능한 다양한 종류의 관측치(소다, 레이더, 위성)의 수가 빠르게 증가하고 있다.

기타 응용 프로그램

물 및 에너지 이동 모니터링

일반 데이터 동화도(Alpilles-ReSeDA)[23]

데이터 동화는 1980년대와 1990년대에 토양, 식물 및 대기 사이의 에너지 이동을 모니터링하기 위해 여러 HAPEX(수문 및 대기 파일럿 실험) 프로젝트에서 사용되었다.예:

- HAPEX-MobilHy,[24] HAPEX-Sahel,[25]

- 프랑스 남동부 알필레스 지역에서 실시된 FP4-ENV 프로그램의[28] 유럽 프로젝트인 "Alpilles-ReSeDA"(원격 감지 데이터 동화) [26][27]실험(1996-97년).이 프로젝트의 [23]최종 보고서에서 발췌한 흐름도 다이어그램(오른쪽)은 원격 감지 데이터와 보조 정보에서 캐노피 상태, 방사 플럭스, 환경 예산, 양 및 품질 생산과 같은 관심 변수를 추론하는 방법을 보여준다.이 다이어그램에서 작은 청록색 화살표는 모델이 실제로 실행되는 [citation needed][29]방식을 나타냅니다.

기타 예측 어플리케이션

데이터 동화 방법은 현재 다른 환경 예측 문제(예: 수문 예측)[citation needed]에도 사용되고 있다.베이지안 네트워크는 [30]산사태와 같은 자연재해를 평가하기 위해 데이터 동화 접근법에 사용될 수도 있다.

태양계의 다른 행성에 대한 우주선 데이터가 풍부하기 때문에, 데이터 동화는 지구 밖에서도 외계 행성의 대기 상태를 재분석하기 위해 적용되고 있다.화성은 지금까지 데이터 동화가 적용된 유일한 외계 행성이다.이용 가능한 우주선 데이터에는 특히 NASA의 화성탐사선(Mars Global Surveyor)과 NASA의 화성 정찰궤도선(Mars Reconnaissance Orbiter)에 탑재된 화성기후탐사선(Mars Climate Sounder)에서 온도와 먼지/물/얼음 광학적 두께가 포함되어 있다.데이터 동화의 두 가지 방법, 즉 화성 대기의 전역 순환 모델을 전진 모델로 사용하는 분석 보정 체계와 두 개의 앙상블 칼만 필터 [32][33]체계가 이러한 데이터 세트에 적용되었다.화성 분석 보정 데이터 동화(MACDA) 데이터 세트는 영국 대기 데이터 [34]센터에서 공개적으로 이용할 수 있다.

데이터 동화는 모든 예측 문제에 대한 과제의 일부입니다.

편향된 데이터를 처리하는 것은 데이터 동화의 심각한 과제입니다.편견을 다루는 방법의 추가 개발은 특히 유용할 것이다.동일한 변수를 관측하는 계측기가 여러 개 있는 경우 확률 분포 함수를 사용하여 상호 비교하는 [citation needed]것이 유익할 수 있습니다.

연산 능력의 증가로 인해 수치 예측 모델은 더 높은 분해능을 가지며, 현재 작동 대기 모델은 1km의 수평 분해능으로 실행된다(예: 독일 국립 기상청, 독일 기상청 (Deutscher Wetterdienst),DWD 영국 기상청 (Met Office)).수평 분해능의 증가는 예를 들어 대기 모델에서 그리드 스케일 또는 구름의 대류를 해결하기 위해 비선형 모델의 더 혼란스러운 특징을 해결하기 시작했다.모형과 관측 연산자의 비선형성 증가는 데이터 동화에 새로운 문제를 야기합니다.다수의 변형 앙상블 칼만 필터와 같은 기존 데이터 동화 방법과 선형 또는 근접 선형 모델로 잘 확립된 변형 방법이 비선형 모델에서 평가되고 있다.

고차원 문제에 대한 입자 필터와 하이브리드 데이터 동화 [35]방법 등 많은 새로운 방법이 개발되고 있다.

다른 용도로는 아폴로 계획의 궤도 추정, GPS, 대기 화학 등이 있다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ Kalnay, Eugenia; and coauthors (1996). "The NCEP/NCAR 40-Year Reanalysis Project". Bulletin of the American Meteorological Society. 77 (March): 437–471. Bibcode:1996BAMS...77..437K. doi:10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2. ISSN 1520-0477. S2CID 124135431.
  2. ^ Stensrud, David J. (2007). Parameterization schemes: keys to understanding numerical weather prediction models. Cambridge University Press. p. 56. ISBN 978-0-521-86540-1.
  3. ^ National Climatic Data Center (2008-08-20). "Key to METAR Surface Weather Observations". National Oceanic and Atmospheric Administration. Retrieved 2011-02-11.
  4. ^ "SYNOP Data Format (FM-12): Surface Synoptic Observations". UNISYS. 2008-05-25. Archived from the original on 2007-12-30.
  5. ^ Krishnamurti, T N (1995). "Numerical Weather Prediction". Annual Review of Fluid Mechanics. 27: 195–225. Bibcode:1995AnRFM..27..195K. doi:10.1146/annurev.fl.27.010195.001211. S2CID 122230747.
  6. ^ Chaudhari, H. S.; Lee, K. M.; Oh, J. H. (2007). "Weather prediction and computational aspects of icosahedral-hexagonal gridpoint model GME". In Kwon, Jang-Hyuk; Periaux, Jacques; Fox, Pat; Satofuka, N.; Ecer, A. (eds.). Parallel computational fluid dynamics: parallel computings and its applications : proceedings of the Parallel CFD 2006 Conference, Busan city, Korea (May 15–18, 2006). Elsevier. pp. 223–30. ISBN 978-0-444-53035-6. Retrieved 2011-01-06.
  7. ^ "The WRF Variational Data Assimilation System (WRF-Var)". University Corporation for Atmospheric Research. 2007-08-14. Archived from the original on 2007-08-14.
  8. ^ Gaffen, Dian J. (2007-06-07). "Radiosonde Observations and Their Use in SPARC-Related Investigations". Archived from the original on 2007-06-07.
  9. ^ Ballish, Bradley A; Kumar, V. Krishna (2008). "Systematic Differences in Aircraft and Radiosonde Temperatures". Bulletin of the American Meteorological Society. 89 (11): 1689. Bibcode:2008BAMS...89.1689B. doi:10.1175/2008BAMS2332.1.
  10. ^ National Data Buoy Center (2009-01-28). "The WMO Voluntary Observing Ships (VOS) Scheme". National Oceanic and Atmospheric Administration. Retrieved 2011-02-15.
  11. ^ 403rd Wing (2011). "The Hurricane Hunters". 53rd Weather Reconnaissance Squadron. Retrieved 2006-03-30.
  12. ^ Lee, Christopher (2007-10-08). "Drone, Sensors May Open Path Into Eye of Storm". The Washington Post. Retrieved 2008-02-22.
  13. ^ National Oceanic and Atmospheric Administration (2010-11-12). "NOAA Dispatches High-Tech Research Plane to Improve Winter Storm Forecasts". Retrieved 2010-12-22.
  14. ^ Stensrud, David J. (2007). Parameterization schemes: keys to understanding numerical weather prediction models. Cambridge University Press. p. 137. ISBN 978-0-521-86540-1.
  15. ^ Houghton, John Theodore (1985). The Global Climate. Cambridge University Press archive. pp. 49–50. ISBN 978-0-521-31256-1.
  16. ^ a b Lynch, Peter (2008). "The origins of computer weather prediction and climate modeling". Journal of Computational Physics. 227 (7): 3431–3444. Bibcode:2008JCoPh.227.3431L. doi:10.1016/j.jcp.2007.02.034.
  17. ^ Lynch, Peter (2006). "Weather Prediction by Numerical Process". The Emergence of Numerical Weather Prediction. Cambridge University Press. pp. 1–27. ISBN 978-0-521-85729-1.
  18. ^ 톨링앤콘, 1994년[full citation needed]
  19. ^ "Abstract: Mesoscale ensemble 4DVAR and its comparison with EnKF and 4DVAR (91st American Meteorological Society Annual Meeting)". 27 January 2011.
  20. ^ http://hfip.psu.edu/EDA2010/MZhang.pdf[베어 URL PDF]
  21. ^ Barker, Dale; Lorenc, Andrew; Clayton, Adam (September 2011). "Hybrid Variational/Ensemble Data Assimilation" (PDF).
  22. ^ "Numerical weather prediction models".
  23. ^ a b Baret, Frederic (June 2000). "ReSeDA: Assimilation of Multi-Sensor & Multi-Temporal Remote Sensing Data to Monitor Soil & Vegetation Functioning" (PDF) (final report, European contract number ENV4CT960326). Avignon: Institut national de la recherche agronomique. p. 59. Retrieved 8 July 2019.
  24. ^ André, Jean-Claude; Goutorbe, Jean-Paul; Perrier, Alain (1986). "HAPEX—MOBLIHY: A Hydrologic Atmospheric Experiment for the Study of Water Budget and Evaporation Flux at the Climatic Scale". Bulletin of the American Meteorological Society. 67 (2): 138. Bibcode:1986BAMS...67..138A. doi:10.1175/1520-0477(1986)067<0138:HAHAEF>2.0.CO;2.
  25. ^ Goutorbe, J.P; Lebel, T; Dolman, A.J; Gash, J.H.C; Kabat, P; Kerr, Y.H; Monteny, B; Prince, S.D; Stricker, J.N.M; Tinga, A; Wallace, J.S (1997). "An overview of HAPEX-Sahel: A study in climate and desertification". Journal of Hydrology. 188–189: 4–17. Bibcode:1997JHyd..188....4G. doi:10.1016/S0022-1694(96)03308-2.
  26. ^ Prevot L, Baret F, Chanzy A, Olioso A, Wigneron JP, Autret H, Baudin F, Bessemoulin P, Bethenod O, Blamont D, Blavoux B, Bonnefond JM, Boubkraoui S, Bouman BA, Braud I, Bruguier N, Calvet JC, Caselles V, Chauki H, Clevers JG, Coll C, Company A, Courault D, Dedieu G, Degenne P, Delecolle R, Denis H, Desprats JF, Ducros Y, Dyer D, Fies JC, Fischer A, Francois C, Gaudu JC, Gonzalez E, Goujet R, Gu XF, Guerif M, Hanocq JF, Hautecoeur O, Haverkamp R, Hobbs S, Jacob F, Jeansoulin R, Jongschaap RE, Kerr Y, King C, Laborie P, Lagouarde JP, Laques AE, et al. (July 1998). "Assimilation of Multi-Sensor and Multi-Temporal Remote Sensing Data, to Monitor Vegetation and Soil: the Alpilles-ReSeDA project" (PDF). Seattle, WA, USA: IGARSS'98, International Geoscience and Remote Sensing Symposium. Retrieved 8 July 2019. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)
  27. ^ Eibl, B; Mauser, W; Moulin, S; Noilhan, J; Ottle, C; Paloscia, S; Pampaloni, P; Podvin, T; Quaracino, F; Roujean, J.L; Rozier, C; Ruisi, R; Susini, C; Taconet, O; Tallet, N; Thony, J.L; Travi, Y; Van Leewen, H; Vauclin, M; Vidal-Madjar, D; Vonder, O.W (1998). "Comparison of the albedo derived from MOS-B and WIFS with NOAA-AVHRR". IGARSS '98. Sensing and Managing the Environment. 1998 IEEE International Geoscience and Remote Sensing. Symposium Proceedings. (Cat. No.98CH36174) (PDF). pp. 2402–4. doi:10.1109/IGARSS.1998.702226. ISBN 978-0-7803-4403-7. S2CID 55492076.
  28. ^ "ReSeDA". cordis.europa.eu. Retrieved 8 July 2019.
  29. ^ Olioso A, Prevot L, Baret F, Chanzy A, Braud I, Autret H, Baudin F, Bessemoulin P, Bethenod O, Blamont D, Blavoux B, Bonnefond JM, Boubkraoui S, Bouman BA, Bruguier N, Calvet JC, Caselles V, Chauki H, Clevers JW, Coll C, Company A, Courault D, Dedieu G, Degenne P, Delecolle R, Denis H, Desprats JF, Ducros Y, Dyer D, Fies JC, Fischer A, Francois C, Gaudu JC, Gonzalez E, Gouget R, Gu XF, Guerif M, Hanocq JF, Hautecoeur O, Haverkamp R, Hobbs S, Jacob F, Jeansoulin R, Jongschaap RE, Kerr Y, King C, Laborie P, Lagouarde JP, Laques AE, Larcena D, Laurent G, Laurent JP, Leroy M, McAneney J, Macelloni G, Moulin S, Noilhan J, Ottle C, Paloscia S, Pampaloni P, Podvin T, Quaracino F, Roujean JL, Rozier C, Ruisi R, Susini C, Taconet O, Tallet N, Thony JL, Travi Y, van Leewen H, Vauclin M, Vidal-Madjar D, Vonder OW, Weiss M, Wigneron JP (19–21 March 1998). D. Marceau (ed.). Spatial Aspects in the Alpilles-ReSeDA Project (PDF). International Workshop on Scaling and Modelling in Forestry: Applications in Remote Sensing and GIS. University of Montreal, Montréal, Québec, Canada. pp. 93–102. Retrieved 8 July 2019.
  30. ^ Cardenas, IC (2019). "On the use of Bayesian networks as a meta-modelling approach to analyse uncertainties in slope stability analysis". Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards. 13 (1): 53–65. doi:10.1080/17499518.2018.1498524. S2CID 216590427.
  31. ^ "Archived copy". July 2019. Archived from the original on 2011-09-28. Retrieved 2011-08-19.{{cite web}}: CS1 maint: 제목으로 아카이브된 복사(링크)
  32. ^ http://www.eps.jhu.edu/~httpshoffman/pages/https.https.[인용필수]
  33. ^ "marsclimatecenter.com". marsclimatecenter.com. Retrieved 2022-04-19.
  34. ^ http://badc.nerc.ac.uk/home/[인용필수]
  35. ^ Vetra-Carvalho, Sanita; P. J. van Leeuwen; L. Nerger; A. Barth; A.M. Umer; P. Brasseur; P. Kirchgessner; J-M. Beckers (2018). "State-of-the-art stochastic data assimilation methods for high-dimensional non-Gaussian problems". Tellus A. 70 (1): 1445364. Bibcode:2018TellA..7045364V. doi:10.1080/16000870.2018.1445364.

추가 정보

외부 링크

다음과 같은 날씨 예측에서 변동 동화가 구현되는 방법의 예:

동화의 다른 예: