يظل التقدير الدقيق لمصفوفة التغاير لخطأ الخلفية المشار إليها بـ B تحديًا حاسمًا في التنبؤ العددي بالطقس (NWP)، حيث يؤثر مباشرة على أداء استيعاب البيانات (DA) ودقة التنبؤ. على الرغم من أن طرق التوافق الهجينة بين المجموعة والتقريب (EnVar) تجمع بين مصفوفات ثابتة ومتغيرة بناءً على التدفق لتحسين الاستيعاب، إلا أن فعاليتها محدودة بالأوزان المثبتة تجريبيًا. لمعالجة هذا القيد، نقترح DRL-EnVar، وهي طريقة توافق هجينة تكيفية تعتمد على التعلم العميق المعزز. تدمج DRL-EnVar مكونات التعلم العميق (DL)، بما في ذلك وحدة الالتفاف الدوري الجديدة لاستخراج الميزات المجردة من البيانات، وتستخدم التعلم المعزز (RL) لتحسين استراتيجيات الأوزان الهجينة ديناميكيًا. يجمع النظام بشكل تكيفي بين عدة مصفوفات متغيرة تعتمد على المجموعة مع مصفوفة ثابتة أو أكثر لإنشاء مصفوفة هجينة متغيرة زمنياً B تعكس بشكل أفضل أخطاء الخلفية في الوقت الحقيقي. تظهر النتائج التجريبية أن DRL-EnVar يتفوق على مرشح كالمان للمجموعة التقليدي (EnKF) وطرق توافق التغاير الهجينة (HCDA)، خاصة تحت ملاحظات متفرقة أو تغييرات انتقالية في متغيرات الحالة. يحقق دقة توافق تنافسية أو متفوقة مع تكلفة حسابية أقل، ويمكن دمجه بمرونة في إطار استيعاب متغير ثلاثي الأبعاد (3DVar) وأربعِي الأبعاد (4DVar). بشكل عام، يقدم DRL-EnVar نهجًا جديدًا وفعالاً للتوافق التكيفي، وهو ذو قيمة خصوصًا لتحسين مهارة التنبؤ أثناء نظم الطقس الانتقالية.

استيعاب بيانات تكيفي؛طريقة توافق هجينة بين المجموعة والتقريب؛مصفوفة تغاير خطأ الخلفية؛التعلم العميق المعزز