Точное оценивание матрицы ковариации фоновой ошибки, обозначаемой как B, остается критической задачей в численном прогнозировании погоды (NWP), напрямую влияя на производительность ассимиляции данных (DA) и точность прогноза. Хотя гибридные ансамблево–вариационные (EnVar) методы сочетают статические и зависимые от потока матрицы для улучшения ассимиляции, их эффективность ограничена эмпирически фиксированными весами. Для решения этой проблемы мы предлагаем DRL-EnVar — адаптивный гибридный EnVar метод ассимиляции данных, усиленный глубоким подкрепляющим обучением. DRL-EnVar интегрирует компоненты глубокого обучения (DL), включая новый циклический сверточный модуль для извлечения абстрактных признаков из данных, и использует усиленное обучение (RL) для динамической оптимизации гибридных стратегий взвешивания. Система адаптивно комбинирует несколько ансамблевых матриц, зависящих от потока, с одной или несколькими статическими матрицами для построения изменяющейся во времени гибридной матрицы B, которая лучше отражает фактические фоновые ошибки. Экспериментальные результаты показывают, что DRL-EnVar работает лучше традиционных методов ансамблевого фильтра Калмана (EnKF) и гибридной ковариационной DA (HCDA), особенно при разреженных наблюдениях или переходных изменениях в переменных состояния. Он достигает конкурентоспособной или превосходящей точности ассимиляции при более низких вычислительных затратах и может быть гибко интегрирован как в трехмерную вариационную ассимиляцию (3DVar), так и в четырехмерную вариационную ассимиляцию (4DVar). В целом, DRL-EnVar предлагает новый и эффективный подход к адаптивной DA, особенно ценен для улучшения навыков прогноза в переходных режимах погоды.

Адаптивная ассимиляция данных;Гибридный ансамблево–вариационный метод;Ковариация фоновой ошибки;Глубокое подкрепляющее обучение