背景誤差共分散行列 B の正確な推定は数値天気予報（NWP）において重要な課題であり、データ同化（DA）の性能と予報精度に直接影響を与えます。ハイブリッドアンサンブル–変分（EnVar）法は静的行列と流れ依存行列を組み合わせて同化を改善しますが、その有効性は経験的に固定された重みによって制約されています。この制約を解決するために、深層強化学習を導入した適応型ハイブリッドEnVar DA法であるDRL-EnVarを提案します。DRL-EnVarは、新しい循環畳み込みモジュールを含む深層学習（DL）コンポーネントを統合し、強化学習（RL）を用いてハイブリッド重み付け戦略を動的に最適化します。本システムは、複数のアンサンブルベースの流れ依存行列と1つ以上の静的行列を適応的に組み合わせ、リアルタイムの背景誤差をより良く反映する時間変動型ハイブリッド行列 B を構築します。実験結果は、DRL-EnVarが従来のアンサンブルカルマンフィルタ（EnKF）およびハイブリッド共分散DA（HCDA）手法よりも優れていることを示しており、特に観測データが稀薄な場合や状態変数の遷移変化時に顕著です。競争力のある、またはそれ以上の同化精度を低い計算コストで達成し、3次元変分同化（3DVar）および4次元変分同化（4DVar）フレームワークの両方に柔軟に統合可能です。総じて、DRL-EnVarは適応的DAへの新しく効率的なアプローチを提供し、特に遷移的な気象状態での予報能力向上に価値があります。

適応型データ同化；ハイブリッドアンサンブル–変分法；背景誤差共分散；深層強化学習