Kan vi bruke semikvalitativ observasjoner i dataassimilasjon?

Denne avhandlingen omhandler metodene for dataassimilering som blander observasjoner og en numerisk modell inn i et prognosesystem (som brukes rutinemessig i forbindelse med værmelding for eksempel) for å gjøre prognosen mer nøyaktig. Den foretrukne dataassimilasjonsmetoden for Arktisk havisvarsling heter Ensemble Kalman Filter (EnKF).

I motsetning til sin naturlige skjønnhet, har Arktis et fjernt og fiendtlig miljø, som er mer effektivt overvåket av satellitter enn ved feltekspedisjoner. Et av de mest kritiske spørsmålene i arktisk klima er: hvor tykk er havisen? Noen satellitter kan måle istykkelsen, men er teknisk begrenset til en rekke verdier. Verdiene som faller utenfor rekkevidde blir så langt ignorert av dataassimilasjonsmetoder som EnKF, selv om de gir noe informasjon i form av ulikheter: «verdien er over deteksjonsgrensen» er mer nyttig enn å ikke ha noen observasjon i det hele tatt. Vi kaller slik ulik ulikhet en "semikvalitativ" observasjon.

Oppgaven introduserer en ny dataassimilasjonsmetode kalt Ensemble Kalman Filter - Semi-Qualitative (EnKF-SQ) som er egnet til å assimilere alle verdiene både innenfor og utenfor observert rekkevidde. Den første delen av oppgaven konsentrerer seg om formuleringen og de matematiske egenskapene til EnKF-SQ, fulgt av en realskala-test ved bruk av den samme koblede ishavsmodellen som ble brukt til Arktiske operasjonelle prediksjoner. Testene viser at EnKF-SQ er i stand til å dra nytte av de semikvalitativ observasjonene og tilfører mer verdi til satellittdataene.

Personalia

Abhishek Shah (f. 1988) kommer fra Surat, Gujarat i India. Han fullførte en  integrert Master of Science in Mathematics fra Sardar Vallabhbhai National Institute of Technology, Surat (India) i juni 2012. Masteroppgaven fra Université du Québec à Montréal, Canada, omhandler dataassimilering og ekvivalensen mellom 4D-Var og Kalman-filteren.