什么是 集合卡尔曼滤波（Ensemble Kalman Filter）？
集合卡尔曼滤波（Ensemble Kalman Filter）是一种序贯数据同化方法，它让状态集合经过动态模型传播，并在 Kalman 风格的观测更新中使用样本协方差。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
传播集合并估计样本协方差
从表示状态不确定性的 Member x_k-1^(i) 开始，让每个成员经过模型，再计算 Forecast Mean 与 Sample Anomaly。样本协方差替代标准 Kalman Filter 维护的稠密协方差；无论状态维度多大，N 个成员给出的协方差秩最多为 N-1。
Evensen 1994 年论文在非线性海洋模型中提出用 Monte Carlo 预测误差统计进行序贯同化。该方法避免演化完整协方差矩阵，但原始应用结果不能证明它对任意系统都实现精确非线性贝叶斯滤波。
选择有效的 Analysis Update
Stochastic EnKF 为每个成员扰动观测，并使用 Forecast Sample Covariance 得到的增益更新。确定性的 Ensemble Square Root Filter 与 Transform Filter 不添加观测扰动，而是变换 Ensemble Anomaly。这些变体在线性理想极限下匹配相同矩，却具有不同的有限集合采样行为和实现细节。
Analysis 后的成员通常保持等权，它们不是带 Importance Weight 的 Particle Filter 样本。标准 EnKF Analysis 使用高斯线性回归更新，因此非线性观测算子可能需要明确近似、迭代变体或其他滤波家族。
用 Localization 与 Inflation 控制采样误差
Evensen 的理论与实现综述系统讨论了 Analysis 选择、模型误差和集合诊断。高维小集合会虚构远距离相关；Covariance Localization 用声明的空间、时间或图距离假设衰减这些相关。乘性或加性 Inflation 可补偿 Spread 低估，也可能掩盖模型偏差。
应报告集合规模、Analysis 变体、Localization Kernel 与半径、Inflation 规则、观测顺序、Spread-Error 关系、Innovation 统计、秩或有效维度、重复随机种子波动与成本。调参必须使用留出时段，不能复用声称预测改善的观测。
主要特点
- 传播状态集合而不是稠密协方差矩阵
- 根据 Ensemble Anomaly 估计预测协方差
- 采用随机或确定性的 Kalman 风格 Analysis Update
- 可处理状态维度远大于集合规模的问题
- 通过 Localization 与 Inflation 管理有限集合误差
- 对非线性非高斯问题仍是高斯回归近似
常见用途
- 数值天气与海洋资料同化
- 高维环境系统状态估计
- 油藏与地下模型更新
- 昂贵模拟器的状态和参数联合估计
- 基于集合动力学模型的不确定性预测
示例
Loading code...常见问题
集合卡尔曼滤波与粒子滤波有什么区别？
EnKF 成员通过样本协方差高斯回归更新，Analysis 后通常保持等权。Particle Filter 使用 Likelihood Weight 与 Resampling 近似更广泛的后验形状，但在高维状态中往往付出更高成本。
EnKF 为什么需要协方差局地化？
当状态维度远大于集合规模时，样本协方差会在遥远或无关变量之间产生噪声相关。Localization 根据需要论证和调节的空间、时间或图距离假设抑制这些相关。
EnKF 的协方差膨胀有什么作用？
Inflation 增加 Ensemble Spread，以补偿采样误差、低估的模型不确定性或重复同化造成的收缩。过度膨胀会过度响应观测并掩盖结构性模型偏差，因此必须同时检查 Spread 与实际预测误差。
随机与确定性 EnKF 更新等价吗？
在线性理想条件下，它们瞄准相同 Kalman Analysis 矩，但有限集合行为不同。Stochastic EnKF 添加观测扰动噪声；Square-root 变体确定性变换 Anomaly，并依赖明确的变换约定。
如何验证 Ensemble Kalman Filter？
应使用已知 Kalman 矩的线性高斯案例、重复集合随机种子、秩与 Spread 诊断、Innovation 一致性、留出预测误差、Localization/Inflation 敏感性，以及更简单或粒子基线。