Atmosfer ve okyanus bilimlerinde veri asimilasyonu alanında önemli bir ilerleme kaydedildi. Araştırmacılar, ensemble Kalman filtrelerinin performansını artırmak için makine öğrenmesi tabanlı yenilikçi bir yaklaşım geliştirdi.
Veri asimilasyonu, sayısal model tahminlerini gözlemlerle birleştirerek en uygun durum kestirimi yapmayı amaçlar. Ensemble tabanlı yöntemler, özellikle yüksek boyutlu ve doğrusal olmayan dinamik sistemlerde yaygın olarak kullanılır ancak performansları büyük ölçüde ensemble boyutuna bağlıdır.
Yeni sistem, çok katmanlı algılayıcı (MLP) fonksiyonu kullanarak sınırlı ensemble verilerinden elde edilen hata kovaryansları ile büyük ensemble setlerinden elde edilenler arasındaki farkı tahmin ediyor. Bu tahmin edilen kovaryans fark terimi, ensemble Kalman filtre algoritmasına entegre edilerek sistemin doğruluğu artırılıyor.
Bu gelişme, hava durumu tahminlerinden iklim modellemesine kadar geniş bir uygulama alanında hesaplama maliyetini düşürürken yüksek doğruluğu korumanın mümkün olduğunu gösteriyor. Özellikle operasyonel meteoroloji sistemleri için büyük önem taşıyan bu yenilik, gerçek zamanlı tahminlerde verimliliği artırma potansiyeli sunuyor.