A estimativa precisa da matriz de covariância do erro de fundo denotada como B continua sendo um desafio crítico na previsão numérica do tempo (NWP), influenciando diretamente o desempenho da assimilação de dados (DA) e a precisão da previsão. Embora os métodos híbridos ensemble–variacionais (EnVar) combinem matrizes estáticas e dependentes do fluxo para melhorar a assimilação, sua eficácia é limitada por pesos empiricamente fixos. Para superar essa limitação, propomos o DRL-EnVar, um método híbrido adaptativo EnVar DA aprimorado por aprendizado profundo por reforço. O DRL-EnVar integra componentes de aprendizado profundo (DL), incluindo um novo módulo de convolução cíclica para extrair características abstratas dos dados, e emprega aprendizado por reforço (RL) para otimizar dinamicamente as estratégias de ponderação híbridas. O sistema combina adaptativamente múltiplas matrizes baseadas em ensemble dependentes do fluxo com uma ou mais matrizes estáticas para construir uma matriz híbrida variável no tempo B que reflete melhor os erros de fundo em tempo real. Resultados experimentais demonstram que o DRL-EnVar apresenta desempenho superior aos métodos tradicionais do filtro de Kalman ensemble (EnKF) e assimilação híbrida de covariância (HCDA), especialmente sob observações esparsas ou mudanças transitórias nas variáveis de estado. Ele alcança uma precisão de assimilação competitiva ou superior com menor custo computacional e pode ser integrado de forma flexível em ambos os frameworks de assimilação variacional tridimensional (3DVar) e quadridimensional (4DVar). No geral, o DRL-EnVar oferece uma abordagem nova e eficiente para DA adaptativa, particularmente valiosa para melhorar a habilidade de previsão durante regimes climáticos transitórios.

Assimilação de dados adaptativa;Método híbrido ensemble–variacional;Covariância do erro de fundo;Aprendizado profundo por reforço