Observation impact, domain length and parameter estimation in data assimilation for flood forecasting

پیش بینی دقیق آب و هوای، اطلاعات حیاتی در مورد رفتار آب سیلاب جریان را فراهم می کند. با استفاده از تجزیه و تحلیل اطلاعات با یک فیلتر کالمن کانسپت گروهی، ما پیش بینی های یک مدل هیدرودینامیکی عددی را با مشاهدات مصنوعی سطح آب ترکیب می کنیم. ما نشان می دهیم که دوباره سازی این مدل با سطوح تصحیح شده آب می تواند یک شوک اولیه را ایجاد کند و راه حل رمان ساده ای را نشان دهد. در هماهنگی با دیگران، ما دریافتیم که اگرچه جذب میتواند با دقت صحت آب را در زمانهای مشاهده درست کند، پیشبینی اصلاح شده به سرعت پیشبینی میشود. کار جدید ما نشان می دهد که زمان اتخاذ شده برای پیش بینی استراحت به پرونده حلقه باز بستگی به طول دامنه دارد؛ تأثیر مشاهدات در یک حوزه دیگر طولانی تر است. ما نشان می دهیم که به طور مشترک اصلاح پارامتر اصطکاک کانال و همچنین سطح آب به طور چشمگیری پیش بینی را بهبود می بخشد. ما همچنین نشان می دهیم که به روز رسانی ارزش پارامتر اصطکاک کانال می تواند تعادل در جریان را جبران کند.