数据同化理论与方法

本书主要分为4个主要部分。第一部概述了数据 同化的起源和本质，第二部分针对单变量条件下的 主流数据同化方法的基本原理进行介绍，第三部分 则结合典型样例介绍多变量条件下的主流数据同化 方法的基本原理进行介绍。

第0章 导言和概述 0.1 练习 0.2 示例 第1部分 数据同化，标量分析 第1章 数据同化简介 1.1 经验分析：目标映射 1.2 经验分析：逐步订正法 1.3 张弛逼近法（Nudging） 第2章 直观的表述：最小二乘法估计与变分法 2.1 最小二乘法估计 2.2 实用有限抽样和最小方差估计 2.3 变分（代价函数）法 2.4 练习 第3章 概率论的表述：最大似然估计和贝叶斯定理 3.1 最大似然估计 3.2 贝叶斯定理 3.3 练习 第4章 序列同化和卡尔曼滤波 4.1 观测增量 4.2 顺序数据同化 4.3 示例 4.4 练习 第5章 集合卡尔曼滤波 5.1 标量案例 5.2 练习 第6章 集合平方根滤波：一维案例 6.1 抽样误差及其对方差估计的影响 6.2 集合平方根滤波 6.3 示例 6.4 练习 第2部分 数据同化，多变量分析 第7章 多变量统计数据同化：OI 7.1 OI：两个观测的示例 7.2 一般OI模拟：全球领域 7.3 观测算子 7.4 示例 7.5 关于OI更深入的问题 7.6 使用多元回归推导OI 7.7 练习 第8章 变分方法Ⅰ：三维变分 8.1 三维变分 8.2 01、3D-VAR和PSAS的等价性 8.3 最大似然解与贝叶斯推导 8.4 练习 第9章 集合卡尔曼滤波：多变量构想 9.1 扩展卡尔曼滤波（EKF） 9.2 集合卡尔曼滤波器（EnKF） 9.3 集合调整卡尔曼滤波的数据同化方法 9.4 一种基于最优观测时间窗口的耦合数据同化方法 9.5 参数估计