For coupled numerical models with different components (domains), there are two kinds of assimilation strategies applied for producing ocean analysis and initial condition of predictions: the strongly coupled data assimilation (SCDA) and weakly coupled data assimilation (WCDA). The former needs to accurately estimate cross‐component error covariances, which is much challenging, especially when a small ensemble size's Kalman filter‐based algorithm is used and a coupled model has the components of different spatiotemporal scales. In this study, we propose a new scheme for the ensemble adjustment Kalman filter (EAKF) to address cross‐component localization, a critical issue in estimating the cross‐component error covariance in SCDA, based on a two‐scale Lorenz ’96 coupled mode with different temporal and spatial scales. Emphasis places on designing the cross‐component localization factors in the framework of multiple spatial scales. The result shows that the SCDA can provide much more accurate estimations of the states than the WCDA when the new proposed cross‐component localization is used. A further analysis reveals that the advantage of the SCDA over the WCDA is attributed to the assimilation of observations from the small‐scale model in the coupled system, whereas the contribution of the assimilation of observations from the large‐scale model is not obvious. This study offers a useful technique to develop SCDA system in operational prediction models, which is being pursued in the prediction community.

中文翻译：

---

基于二阶Lorenz模型的强耦合集合数据同化的本地化

对于具有不同成分（域）的耦合数值模型，有两种同化策略可用于进行海洋分析和预测的初始条件：强耦合数据同化（SCDA）和弱耦合数据同化（WCDA）。前者需要准确估计跨组件误差协方差，这极具挑战性，尤其是当使用小整体大小的基于Kalman滤波器的算法并且耦合模型具有不同时空尺度的组件时。在这项研究中，我们提出了一种用于整体调整卡尔曼滤波器（EAKF）的新方案，以解决跨组件局部化问题，这是基于两尺度Lorenz '96耦合模式估算SCDA中跨组件误差协方差的关键问题具有不同的时空尺度。重点放在在多个空间尺度的框架中设计跨组件本地化因子。结果表明，当使用新提出的跨组件本地化方法时，SCDA可以提供比WCDA更准确的状态估计。进一步的分析表明，SCDA优于WCDA的优势归因于耦合系统中小规模模型的观测值的同化，而大规模模型中观测值的同化的贡献并不明显。这项研究提供了一种在操作预测模型中开发SCDA系统的有用技术，该技术正在预测社区中进行。结果表明，当使用新提出的跨组件本地化方法时，SCDA可以提供比WCDA更准确的状态估计。进一步的分析表明，SCDA优于WCDA的优势归因于耦合系统中小规模模型的观测值的同化，而大规模模型中观测值的同化的贡献并不明显。这项研究提供了一种在操作预测模型中开发SCDA系统的有用技术，该技术正在预测社区中进行。结果表明，当使用新提出的跨组件本地化方法时，SCDA可以提供比WCDA更准确的状态估计。进一步的分析表明，SCDA优于WCDA的优势归因于耦合系统中小规模模型的观测值的同化，而大规模模型中观测值的同化的贡献并不明显。这项研究提供了一种在操作预测模型中开发SCDA系统的有用技术，该技术正在预测社区中进行。然而，大型模型对观测值的同化作用并不明显。这项研究提供了一种在操作预测模型中开发SCDA系统的有用技术，该技术正在预测社区中进行。然而，大型模型对观测值的同化作用并不明显。这项研究提供了一种在操作预测模型中开发SCDA系统的有用技术，该技术正在预测社区中进行。