An Ensemble Kalman Filter and Smoother for Satellite Data Assimilation
用于卫星数据同化的集合卡尔曼滤波与平滑方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦环境过程的卫星数据同化，未明确涉及所列宏观、微观或金融细分领域，故不作归类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于卫星数据同化的集合卡尔曼滤波与平滑方法
- 研究问题
- 如何结合卫星图像与平流扩散模型，对环境过程进行插值和预测，同时处理图像数据的高维性、测量偏差与非线性？
- 方法与思路
- 作者提出动态状态空间模型及集合卡尔曼滤波、平滑算法，分别进行在线和回顾性状态估计，并融合图像与沉积物输运模型。
- 材料陈述的贡献
- 摘要称，方法生成密歇根湖沉积物浓度及不确定性的时空图，并相对所比较的标准方法降低样本外均方根误差20%至30%。
- 阅读关注点
- 读全文应核对测量偏差和非线性的处理方式、集合近似与不确定性计算，以及样本外评估中标准方法的具体定义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；误差改善来自所述环境应用，摘要未给出评估细节，不能推断对其他过程同样有效。
原文摘要
This paper proposes a methodology for combining satellite images with advection-diffusion models for interpolation and prediction of environmental processes. We propose a dynamic state-space model and an ensemble Kalman filter and smoothing algorithm for on-line and retrospective state estimation. Our approach addresses the high dimensionality, measurement bias, and nonlinearities inherent in satellite data. We apply the method to a sequence of SeaWiFS satellite images in Lake Michigan from March 1998, when a large sediment plume was observed in the images following a major storm event. Using our approach, we combine the images with a sediment transport model to produce maps of sediment concentrations and uncertainties over space and time. We show that our approach improves out-of-sample RMSE by 20%–30% relative to standard approaches. This article has supplementary material online.