Para penulis memperkenalkan asimilasi data implisit, mendefinisikan hukum analisis sebagai kemiringan energi dari distribusi prakiraan untuk menangani mekanisme observasi yang many-to-one, implisit, atau tidak mulus. Mereka mengusulkan Filter Aliran Terkendali Ensemble (EnCF), yang mewujudkan pembaruan ini melalui aliran terkontrol stokastik dan mempelajari kendali bergantung observasi melalui pencocokan adjoint dari gradien energi terminal.
- EnCF-LF mempelajari energi bersyarat pengganti dari sampel untuk observasi yang didefinisikan oleh simulator.
- Makalah ini membuktikan ketepatan ideal, menurunkan dekomposisi kesalahan satu langkah, dan menetapkan tidak adanya akumulasi kesalahan lokal di bawah stabilitas filter.
- Hasil numerik menunjukkan bahwa meskipun filter tipe Kalman tetap lebih disukai untuk observasi Gaussian aditif yang mulus, EnCF lebih cocok untuk model observasi non-Gaussian, many-to-one, multimodal, dan implisit.
Pendekatan ini menyediakan alternatif yang layak untuk skenario asimilasi data di mana filter ensemble yang ada gagal karena kurangnya struktur residual atau panduan likelihood.