L'estimation précise de la matrice de covariance des erreurs de fond, notée B, reste un défi critique dans la prévision numérique du temps (NWP), influençant directement la performance de l'assimilation des données (DA) et la précision des prévisions. Bien que les méthodes hybrides ensemble–variationnelle (EnVar) combinent des matrices statiques et dépendantes du flux pour améliorer l'assimilation, leur efficacité est limitée par des poids empiriquement fixes. Pour surmonter cette limitation, nous proposons DRL-EnVar, une méthode DA hybride adaptative basée sur l'apprentissage par renforcement profond. DRL-EnVar intègre des composants d'apprentissage profond (DL), incluant un nouveau module de convolution cyclique pour extraire des caractéristiques abstraites à partir des données, et utilise l'apprentissage par renforcement (RL) pour optimiser dynamiquement les stratégies de pondération hybride. Le système combine de manière adaptative plusieurs matrices dépendantes du flux basées sur l'ensemble avec une ou plusieurs matrices statiques pour construire une matrice hybride B variable dans le temps, reflétant mieux les erreurs de fond en temps réel. Les résultats expérimentaux démontrent que DRL-EnVar surpasse les méthodes traditionnelles du filtre de Kalman ensembliste (EnKF) et d'assimilation hybride de covariance (HCDA), particulièrement sous des observations rares ou des changements transitionnels des variables d'état. Il atteint une précision d'assimilation compétitive ou supérieure avec un coût computationnel réduit, et peut être intégré de manière flexible dans les cadres d'assimilation variationnelle tridimensionnelle (3DVar) et quadridimensionnelle (4DVar). Dans l'ensemble, DRL-EnVar offre une approche nouvelle et efficace de DA adaptative, particulièrement précieuse pour améliorer la compétence des prévisions lors des régimes météorologiques transitionnels.

Assimilation de données adaptative;Méthode hybride ensemble–variationnelle;Covariance des erreurs de fond;Apprentissage par renforcement profond