Bayesian Reduced-Resolution Data Assimilation

شبیه سازی عددی مشکلات ژئوفیزیکی همیشه منجر به استفاده از یک مش می شود که بیشتر از آنچه لازم است برای حل همه فرآیندهای فیزیکی مهم که توسط مجموعه ای از معادلات دیفرانسیل پویا حاکم توصیف شده است، مورد استفاده قرار می گیرد. بدین ترتیب، این مش مشی از دست دادن پدیده های فیزیکی مهمی است که ابزارهای مشاهده ای که برای به دست آمدن داده ها استفاده می شود را می بیند. عملکرد الگوریتم جذب داده ها را می توان با حسابداری برای این فرایندهای فیزیکی گمشده بهبود داد. ما خلاصه کار اخیر را شرح می دهیم که نحوه استفاده درست از قانون حاکم بر بیس را در زمانی که مدل سعی در پیش بینی یک نسخه ی کوتاه از یک وکتور با وضوح بسیار بالاتر دارد و مشاهداتی که در حال به دست آمدن هستند، مشاهده می کند که عناصر این بردار دولتی با وضوح بالا . سپس ما یک سیستم همسویی با داده های مونت کارلو (مونت کارلو) را توصیف می کنیم که از این نظریه در یک مسئله ساده استفاده می کند که ویژگی آن این است که جذب داده ها با وضوح پایین بسیار ضعیف عمل می کند مگر اینکه نظریه ی فوق الذکر به درستی به آن پرداخته شود.