Die genaue Schätzung der Hintergrundfehlerkovarianzmatrix, bezeichnet als B, bleibt eine kritische Herausforderung in der numerischen Wettervorhersage (NWP) und beeinflusst direkt die Leistung der Datenassimilation (DA) und die Vorhersagegenauigkeit. Obwohl hybride Ensemble-Variations-Methoden (EnVar) statische und flussabhängige Matrizen kombinieren, um die Assimilation zu verbessern, ist ihre Wirksamkeit durch empirisch festgelegte Gewichtungen begrenzt. Um diese Einschränkung zu adressieren, schlagen wir DRL-EnVar vor, eine adaptive hybride EnVar-DA-Methode, die durch tiefes Verstärkungslernen verbessert wird. DRL-EnVar integriert Deep-Learning-Komponenten (DL), einschließlich eines neuartigen zyklischen Faltungsmoduls zur Extraktion abstrakter Merkmale aus Daten, und verwendet Verstärkungslernen (RL), um hybride Gewichtungsstrategien dynamisch zu optimieren. Das System kombiniert adaptiv mehrere ensemblebasierte flussabhängige Matrizen mit einer oder mehreren statischen Matrizen, um eine zeitlich variable hybride Matrix B zu erstellen, die Hintergrundfehler in Echtzeit besser widerspiegelt. Experimentelle Ergebnisse zeigen, dass DRL-EnVar besser als der traditionelle Ensemble-Kalman-Filter (EnKF) und hybride Kovarianz-DA-Methoden (HCDA) abschneidet, insbesondere bei spärlichen Beobachtungen oder Übergangsänderungen in Zustandsvariablen. Es erreicht eine konkurrenzfähige oder überlegene Assimilationsgenauigkeit bei geringeren Rechenkosten und kann flexibel sowohl in dreidimensionale variationale Assimilations- (3DVar) als auch vierdimensionale variationale Assimilationsrahmen (4DVar) integriert werden. Insgesamt bietet DRL-EnVar einen neuartigen und effizienten Ansatz für adaptive DA, der besonders wertvoll zur Verbesserung der Vorhersagefähigkeiten während Übergangswetterlagen ist.

Adaptive Datenassimilation;Hybride Ensemble-Variational-Methode;Hintergrundfehlerkovarianz;Tiefes Verstärkungslernen