标签: 潜空间数据同化

数据同化（DA）整合观测数据与模型预测生成优化大气状态，其物理一致性对天气预报和气候研究至关重要。传统贝叶斯DA方法通过经验协方差结构施加物理约束，但准确性和稳健性有限。本研究提出潜空间DA（LDA）框架，利用自编码器从全球大气数据中学习潜空间并进行贝叶斯DA。LDA能捕捉非线性物理关系，无需显式建模约束即可生成平衡分析结果，在理想和真实观测场景下均提升分析质量和预报技巧，且对潜空间维度和训练数据误差具有强稳健性，具备实际应用潜力。

标签: 大气数据同化 机器学习 潜空间数据同化 物理一致性 自编码器