배경 오차 공분산 행렬 B의 정확한 추정은 수치 기상 예측(NWP)에서 중요한 과제로 남아 있으며, 데이터 동화(DA) 성능과 예보 정확도에 직접적인 영향을 미칩니다. 하이브리드 앙상블-변분(EnVar) 방법은 정적 및 유동 의존 행렬을 결합하여 동화를 개선하지만, 경험적으로 고정된 가중치로 인해 효과에 한계가 있습니다. 이 한계를 해결하기 위해 우리는 딥 강화 학습으로 향상된 적응형 하이브리드 EnVar DA 방법인 DRL-EnVar를 제안합니다. DRL-EnVar는 데이터에서 추상적 특징을 추출하는 새로운 순환 합성곱 모듈을 포함한 딥 러닝(DL) 구성 요소를 통합하고, 강화 학습(RL)을 활용하여 하이브리드 가중치 전략을 동적으로 최적화합니다. 이 시스템은 여러 앙상블 기반 유동 의존 행렬과 하나 이상의 정적 행렬을 적응적으로 결합하여 실시간 배경 오차를 더 잘 반영하는 시간 가변 하이브리드 행렬 B를 구성합니다. 실험 결과 DRL-EnVar는 희박한 관측 또는 상태 변수의 과도기적 변화 시 전통적인 앙상블 칼만 필터(EnKF) 및 하이브리드 공분산 DA(HCDA) 방법보다 우수한 성능을 보입니다. 계산 비용을 낮추면서 경쟁력 있거나 우수한 동화 정확도를 달성하고, 3차원 변분 동화(3DVar)와 4차원 변분 동화(4DVar) 프레임워크 모두에 유연하게 통합될 수 있습니다. 전반적으로 DRL-EnVar는 적응형 DA에 대한 새롭고 효율적인 접근 방식을 제공하며, 특히 과도기 기상 상태에서 예보 기술 향상에 가치가 있습니다.

적응형 데이터 동화;하이브리드 앙상블-변분 방법;배경 오차 공분산;딥 강화 학습