We have submitted a secular variation (SV) candidate model for the thirteenth generation of International Geomagnetic Reference Field model (IGRF-13) using a data assimilation scheme and a magnetohydrodynamic (MHD) dynamo simulation code. This is the first contribution to the IGRF community from research groups in Japan. A geomagnetic field model derived from magnetic observatory hourly means, and CHAMP and Swarm-A satellite data, has been used as input data to the assimilation scheme. We adopt an ensemble-based assimilation scheme, called four-dimensional ensemble-based variational method (4DEnVar), which linearizes outputs of MHD dynamo simulation with respect to the deviation from a dynamo state vector at an initial condition. The data vector for the assimilation consists of the poloidal scalar potential of the geomagnetic field at the core surface and flow velocity field slightly below the core surface. Dimensionless time of numerical geodynamo is adjusted to the actual time by comparison of secular variation time scales. For SV prediction, we first generate an ensemble of dynamo simulation results from a free dynamo run. We then assimilate the ensemble to the data with a 10-year assimilation window through iterations, and finally forecast future SV by the weighted sum of the future extension parts of the ensemble members. Hindcast of the method for the assimilation window from 2004.50 to 2014.25 confirms that the linear approximation holds for 10-year assimilation window with our iterative ensemble renewal method. We demonstrate that the forecast performance of our data assimilation and forecast scheme is comparable with that of IGRF-12 by comparing data misfits 4.5 years after the release epoch. For estimation of our IGRF-13SV candidate model, we set assimilation window from 2009.50 to 2019.50. We generate our final SV candidate model by linear fitting for the weighted sum of the ensemble MHD dynamo simulation members from 2019.50 to 2025.00. We derive errors of our SV candidate model by one standard deviation of SV histograms based on all the ensemble members.

中文翻译：

---

基于MHD发电机模拟和4DEnVar数据同化的IG​​RF-13候选长期变化模型

我们使用数据同化方案和磁流体动力学 (MHD) 发电机模拟代码提交了第十三代国际地磁参考场模型 (IGRF-13) 的长期变化 (SV) 候选模型。这是日本研究团体对 IGRF 社区的首次贡献。源自磁观测站每小时平均值的地磁场模型以及 CHAMP 和 Swarm-A 卫星数据已被用作同化方案的输入数据。我们采用了一种基于集合的同化方案，称为四维基于集合的变分方法 (4DEnVar)，该方案将 MHD 发电机模拟的输出线性化，该方案相对于初始条件下与发电机状态向量的偏差。同化的数据向量由地磁场在核心表面的极向标量势和核心表面稍下方的流速场组成。数值大地发电机的无量纲时间通过比较多年变化时间尺度调整为实际时间。对于 SV 预测，我们首先从自由发电机运行中生成发电机模拟结果的集合。然后我们通过迭代将集合同化到具有 10 年同化窗口的数据中，最后通过集合成员未来扩展部分的加权和来预测未来的 SV。2004.50 至 2014.25 同化窗口方法的后报证实，使用我们的迭代集合更新方法，线性近似适用于 10 年同化窗口。我们通过比较发布时代后 4.5 年的数据不匹配，证明我们的数据同化和预测方案的预测性能与 IGRF-12 的预测性能相当。为了估计我们的 IGRF-13SV 候选模型，我们设置了 2009.50 到 2019.50 的同化窗口。我们通过线性拟合 2019.50 至 2025.00 的集合 MHD 发电机模拟成员的加权和来生成最终的 SV 候选模型。我们通过基于所有集成成员的 SV 直方图的一个标准偏差推导出 SV 候选模型的误差。我们通过线性拟合 2019.50 至 2025.00 的集合 MHD 发电机模拟成员的加权和来生成最终的 SV 候选模型。我们通过基于所有集成成员的 SV 直方图的一个标准偏差推导出 SV 候选模型的误差。我们通过线性拟合 2019.50 至 2025.00 的集合 MHD 发电机模拟成员的加权和来生成最终的 SV 候选模型。我们通过基于所有集成成员的 SV 直方图的一个标准偏差推导出 SV 候选模型的误差。