Probabilistic Forecasting and Bayesian Data Assimilation

I den här boken beskriver författarna principerna och metoderna bakom probabilistisk prognostisering och Bayesiansk dataassimilering. Istället för att fokusera på specifika tillämpningsområden antar författarna en allmän dynamisk systemstrategi med ett överflöd av lågdimensionella, tidsdiskreta numeriska exempel som är utformade för att bygga intuition om ämnet. Del I förklarar det matematiska ramverket för ensemblebaserad probabilistisk prognostisering och osäkerhetskvantifiering. Del II ägnas åt Bayesianska filtreringsalgoritmer från klassiska dataassimileringsalgoritmer som Kalmanfiltrets variationstekniker och sekventiella Monte Carlo-metoder till nyare utvecklingar som ensemble Kalman-filtret och ensembletransformfilter. McKean-metoden för sekventiell filtrering i kombination med koppling av mått fungerar som ett förenande matematiskt ramverk genom hela del II. Om man bara antar en viss grundläggande förtrogenhet med sannolikhet är den här boken en idealisk introduktion för doktorander inom tillämpad matematik, datavetenskap, teknik, geovetenskap och andra framväxande tillämpningsområden. Språk: Engelska