La estimación precisa de la matriz de covarianza del error de fondo denotada como B sigue siendo un desafío crítico en la predicción numérica del tiempo (NWP), influyendo directamente en el rendimiento de la asimilación de datos (DA) y la precisión del pronóstico. Aunque los métodos híbridos ensemble–variacionales (EnVar) combinan matrices estáticas y dependientes del flujo para mejorar la asimilación, su efectividad está limitada por pesos fijados empíricamente. Para abordar esta limitación, proponemos DRL-EnVar, un método DA híbrido adaptativo ensemblista basado en aprendizaje profundo por refuerzo. DRL-EnVar integra componentes de aprendizaje profundo (DL), incluyendo un nuevo módulo cíclico de convolución para extraer características abstractas de los datos, y emplea el aprendizaje por refuerzo (RL) para optimizar dinámicamente las estrategias de ponderación híbridas. El sistema combina adaptativamente múltiples matrices basadas en conjunto dependientes del flujo con una o más matrices estáticas para construir una matriz híbrida variable en el tiempo B que refleja mejor los errores de fondo en tiempo real. Los resultados experimentales demuestran que DRL-EnVar funciona mejor que los métodos tradicionales del filtro de Kalman en conjunto (EnKF) y la asimilación híbrida de covarianza (HCDA), especialmente bajo observaciones escasas o cambios transicionales en las variables de estado. Logra una precisión de asimilación competitiva o superior con un menor coste computacional, y puede integrarse de manera flexible tanto en los marcos de asimilación variacional tridimensional (3DVar) como cuatridimensional (4DVar). En general, DRL-EnVar ofrece un enfoque novedoso y eficiente para la DA adaptativa, especialmente valioso para mejorar la habilidad predictiva durante regímenes meteorológicos transicionales.

Asimilación adaptativa de datos;Método híbrido ensemble–variacional;Covarianza del error de fondo;Aprendizaje profundo por refuerzo