Ocean-biogeochemical models show ty

Ocean-biogeochemical models show typically significant errors in the representation of chlorophyll concentrations. The model state can be improved by the assimilation of satellite chlorophyll data with algorithms based on the Kalman filter. However, these algorithms do usually not account for the possibility that the model prediction contains systematic errors in the form of model bias. Accounting explicitly for model biases can improve the assimilation performance. To study the effect of bias estimation on the estimation of surface chlorophyll concentrations, chlorophyll data from the Sea-viewing Wide Field-of-view Sensor (SeaWiFS) are assimilated on a daily basis into the NASA Ocean Biogeochemical Model (NOBM). The assimilation is performed by the ensemble-based SEIK filter combined with an online bias correction scheme. The SEIK filter is simplified here by the use of a static error covariance matrix. The performance of the filter algorithm is assessed by comparison with independent in situ data over the 7-year period 1998–2004. The bias correction results in significant improvements of the surface chlorophyll concentrations compared to the assimilation without bias estimation. With bias estimation, the daily surface chlorophyll estimates from the assimilation show about 3.3% lower error than SeaWiFS data. In contrast, the error in the global surface chlorophyll estimate without bias estimation is 10.9% larger than the error of SeaWiFS data.

ผลลัพธ์ (ไทย) 1:

รุ่นมหาสมุทรชีวธรณีเคมี-แสดงข้อผิดพลาดอย่างมีนัยสำคัญโดยปกติในการเป็นตัวแทนความเข้มข้นของคลอโรฟิล รัฐรูปแบบสามารถปรับปรุงโดยการดูดซึมของข้อมูลดาวเทียมที่มีคลอโรฟิลขั้นตอนวิธีการขึ้นอยู่กับตัวกรองคาลมาน แต่ขั้นตอนวิธีการเหล่านี้มักจะไม่บัญชีสำหรับความเป็นไปได้ว่าการคาดการณ์แบบมีข้อผิดพลาดอย่างเป็นระบบในรูปแบบของรูปแบบอคติบัญชีอย่างชัดเจนสำหรับอคติแบบสามารถปรับปรุงประสิทธิภาพการดูดซึม เพื่อศึกษาผลของการประเมินความลำเอียงเมื่อประมาณค่าความเข้มข้นของคลอโรฟิลผิวข้อมูลคลอโรฟิลจากทะเลกำลังดูเซ็นเซอร์สนามจากมุมมองกว้าง (SeaWiFS) ที่มีการหลอมรวมในชีวิตประจำวันในรูปแบบ nasa biogeochemical มหาสมุทร (nobm)การดูดซึมจะดำเนินการโดยวงดนตรีที่ใช้ตัวกรอง Seik รวมกับโครงการการแก้ไขอคติออนไลน์ Seik กรองมีความเรียบง่ายที่นี่โดยใช้เมทริกซ์ความแปรปรวนร่วมข้อผิดพลาดคงที่ ประสิทธิภาพการทำงานของอัลกอริทึมตัวกรองจะมีการประเมินโดยการเปรียบเทียบกับข้อมูลที่เป็นอิสระในแหล่งกำเนิดในช่วง 7 ปี 1998-2004ผลการแก้ไขอคติในการปรับปรุงที่สำคัญของความเข้มข้นของคลอโรฟิลผิวเมื่อเทียบกับการดูดซึมโดยไม่ต้องประเมินความลำเอียง ที่มีการประเมินอคติ, คลอโรฟิลพื้นผิวทุกวันประมาณการจากการแสดงการดูดซึมผิดพลาดเกี่ยวกับ 3.3% ต่ำกว่าข้อมูล SeaWiFS ในทางตรงกันข้ามข้อผิดพลาดในการประมาณการคลอโรฟิลพื้นผิวโลกโดยไม่ต้องประเมินอคติคือ 109% ขนาดใหญ่กว่าข้อผิดพลาดของข้อมูล SeaWiFS

ผลลัพธ์ (ไทย) 2:

รุ่นโอเชี่ยน biogeochemical แสดงข้อผิดพลาดที่สำคัญโดยทั่วไปในการแสดงความเข้มข้นของคลอโรฟิลล์ สถานะของแบบจำลองสามารถปรับปรุง โดยการผสมกลมกลืนของข้อมูลดาวเทียมของคลอโรฟิลล์กับอัลกอริทึมตามตัวกรอง Kalman อย่างไรก็ตาม อัลกอริทึมเหล่านี้มักจะไม่บัญชีสำหรับสามารถคาดเดารูปแบบประกอบด้วยข้อผิดพลาดของระบบในรูปแบบของรูปแบบความโน้มเอียงที่ บัญชีสำหรับรุ่นยอมอย่างชัดเจนสามารถปรับปรุงประสิทธิภาพผสมกลมกลืน ขนบธรรมเนียมเพื่อศึกษาผลของการประเมินตั้งการประเมินของความเข้มข้นผิวคลอโรฟิลล์ คลอโรฟิลล์ข้อมูลจากเขตข้อมูลของมุมมองดูทะเลกว้างเซนเซอร์ (SeaWiFS) เป็นประเพณีประจำวันเป็นนาซ่าโอเชี่ยน Biogeochemical จำลอง (NOBM) ผสมกลมกลืนที่ดำเนินการ โดยใช้วงดนตรี SEIK ตัวรวมกับแผนการแก้ไขตั้งออนไลน์ ตัว SEIK ภาษาที่นี่ โดยใช้เมทริกซ์ความแปรปรวนร่วมคงผิดพลาด มีประเมินประสิทธิภาพการทำงานของอัลกอริทึมตัวกรอง by comparison with อิสระใน situ ข้อมูลผ่าน 1998–2004 ระยะเวลา 7 ปี ผลการแก้ไขที่ตั้งในการปรับปรุงอย่างมีนัยสำคัญของความเข้มข้นคลอโรฟิลล์ผิวเมื่อเทียบกับการผสมกลมกลืนโดยไม่ประเมินตั้ง ตั้งประเมิน ประเมินคลอโรฟิลล์ผิวทุกวันจากการผสมกลมกลืนแสดงประมาณ 3.3% ต่ำกว่า SeaWiFS ข้อมูลที่ผิดพลาด ในทางตรงกันข้าม ข้อผิดพลาดการผลิตคลอโรฟิลล์ผิวโลกโดยการประมาณการที่ตั้งเป็น 109% มากกว่าข้อผิดพลาดของข้อมูล SeaWiFS

ผลลัพธ์ (ไทย) 3:

รุ่นของมหาสมุทร - biogeochemical แสดงโดยปกติแล้วข้อผิดพลาดอย่างมีนัยสำคัญในการเป็นตัวแทนของความเข้มข้นคโล - โระฟิล รัฐรุ่นที่สามารถปรับตัวดีขึ้นโดยเอาอย่างของข้อมูลคโล - โระฟิลสัญญาณดาวเทียมที่พร้อมด้วยอัลกอริธึมที่ใช้แผ่นกรอง kalman ได้ แต่ถึงอย่างไรก็ตามอัลกอริธึมเหล่านี้มักจะไม่แอคเคาท์สำหรับความเป็นไปได้ที่การทำนายของรุ่นที่มีข้อผิดพลาดอย่างเป็นระบบในรูปแบบของการทำงานรุ่นคิดเป็นสัดส่วนอย่างชัดเจนสำหรับอคติรุ่นจะสามารถปรับปรุง ประสิทธิภาพ การทำงานเอาอย่างนี้ เพื่อการศึกษาที่มีผลการประเมินผลการทำงานในกะของพื้นผิวคโล - โระฟิลความเข้มข้น,คโล - โระฟิลข้อมูลจากทะเล - วิวทิวทัศน์ในมุมกว้างฟิลด์ - ของ - ดูเซนเซอร์( seawifs )ได้รับหมายถึงในทุกวันโดยเข้าไปในอวกาศของมหาสมุทร biogeochemical รุ่น( nobm )อิดริสที่จะมีการดำเนินการโดยตัวกรอง seik คณะพื้นเมือง - ตามที่ใช้งานร่วมกับโครงสร้างการแก้ไขการทำงานแบบออนไลน์ แผ่นกรอง seik ที่ง่ายขึ้นที่นี่โดยการใช้ของ Matrix covariance เกิดข้อผิดพลาดแบบคงที่ ประสิทธิภาพ การทำงานของอัลกอริธึมตัวกรองจะประเมินจากการเปรียบเทียบกับข้อมูลในที่เดิมเป็นอิสระในช่วงระยะเวลา 7 ปีที่ 1998-2004การแก้ไขการทำงานได้ผลในการปรับปรุงอย่างมีนัยสำคัญของความเข้มข้นคโล - โระฟิลพื้นผิวที่เมื่อเทียบกับในการเอาอย่างได้โดยไม่มีการประเมินผล ด้วยความนับถือความมีอคติความลำเอียงหรือประเมินคโล - โระฟิลพื้นผิวทุกวันจากอิดริสจะแสดงข้อมูลเกี่ยวกับ 3.3% ลดลงเกิดข้อผิดพลาดกว่า seawifs ในทางตรงข้ามเกิดข้อผิดพลาดในคโล - โระฟิลพื้นผิวโลกให้ประมาณการโดยไม่มีอคติมีประมาณ 10ข้อมูล 9% มีขนาดใหญ่กว่าเกิดข้อผิดพลาดของ seawifs .