数据同化入门：从 OI、3D/4D-Var 到 EnKF

做新能源功率预测和资源评估的人，几乎天天都在用再分析数据：拉一段 ERA5 历史风速喂模型、用它当训练标签、回测电量。但很少有人停下来问一句——这套"全球无死角、逐小时、物理自洽"的历史气象场，到底是怎么算出来的？ 它既不是观测站直接堆出来的（观测千疮百孔），也不是模式随便跑出来的（模式会漂移）。把这两者"最优地"缝合在一起的那门技术，叫数据同化（Data Assimilation, DA）。读懂它，你就读懂了再分析数据的底层逻辑，也就更清楚手里这份数据哪里可信、哪里要留心。

关键要点

• 数据同化的本质是：把模式背景场（先验猜测）和真实观测按各自的误差大小做加权融合，得到一个比两者单独都更准、且物理自洽的"分析场"。
• 它是一个贝叶斯估计 / 最小二乘问题：背景误差协方差 B 与观测误差协方差 R 决定了"信模式多一点还是信观测多一点"。
• 方法演进有一条清晰主线：OI（最优插值）→ 3D-Var（三维变分）→ 4D-Var（四维变分，加进时间维）→ EnKF（集合卡尔曼滤波，用集合估计误差），以及当前主流的混合同化（Hybrid / 4DEnVar）。
• ERA5 这类再分析，正是"用今天最好的同化系统、回头把几十年历史重跑一遍"的产物——同化是它能成为新能源训练金标准的根本原因。
• 理解同化能改善工程判断：哪些误差来自数据源本身的客观不确定性、哪些是观测稀疏区的外推，避免把数据噪声错记到预测模型头上。

为什么需要数据同化：一个估计问题

设想你要知道某时刻全球大气的状态 x（风、温、压、湿的三维场，量级上千万到上亿维）。你手上有两份信息，谁都不完美：

• 背景场 x_b：上一轮预报积分到当前时刻的结果。它处处都有值、物理自洽，但会随时间累积误差、发生漂移。
• 观测 y：来自卫星、探空气球、地面站、飞机、船舶、浮标。它们贴近真值，但稀疏、异构、分布极不均匀——海洋和高空大片空白，而且很多观测（如卫星辐射率）并不是直接测风温压，需要通过观测算子 H 把模式变量映射到观测空间。

数据同化要做的，就是在这两份信息之间求一个最优折中。写成代价函数，就是经典的变分形式：

J(x) = (x - x_b)ᵀ B⁻¹ (x - x_b)  +  (y - H(x))ᵀ R⁻¹ (y - H(x))

第一项惩罚"偏离背景太远"，第二项惩罚"偏离观测太远"，B 和 R 分别是背景误差与观测误差的协方差矩阵。求 J 的极小值，得到的分析场 x_a 就是同化结果。B 与 R 的相对大小，本质决定了在每一点上你信模式多一点还是信观测多一点——这是整门学问的核心直觉。

方法演进：OI → 3D-Var → 4D-Var → EnKF

OI：最优插值

最早大规模业务化的方法是最优插值（Optimal Interpolation, OI）。它在每个网格点局部地、用预设的背景误差相关结构对邻近观测做加权平均。思路朴素、计算便宜，但 B 是人为静态指定的、且只能局部求解，难以全局一致地处理复杂观测算子。

3D-Var：三维变分

3D-Var 直接对上面那个代价函数 J(x) 做全局极小化，不再局限于局部插值。它能优雅地容纳非线性观测算子 H（比如卫星辐射率、雷达），是 1990s 末到 2000s 业务中心的主力。局限在于：它把一个同化窗口内的所有观测都当成"同一时刻"处理，没有用上观测的时间信息，而 B 依然是静态的。

4D-Var：四维变分

4D-Var 把时间维加了进来：在一个同化窗口（如 6 或 12 小时）内，用预报模式本身作为约束，寻找一条最贴合窗口内所有观测的模式轨迹的初始场。它隐式地利用模式动力学来传播误差信息，使分析在时空上更协调，长期是 ECMWF 等中心的旗舰方案——ERA5 用的就是 4D-Var。代价是需要模式的**伴随（adjoint）**来算梯度，工程实现与维护成本高。

EnKF：集合卡尔曼滤波

变分方法的一大软肋是 B 静态。集合卡尔曼滤波（Ensemble Kalman Filter, EnKF）换了个思路：同时跑一组（几十到上百个）略有扰动的预报成员，用成员之间的离散度直接估计当下的、随流动演变的背景误差协方差（即"flow-dependent B"）。它不需要伴随、天然给出不确定性，但成员数有限会带来采样噪声，需要**协方差膨胀（inflation）与局地化（localization）**等技巧来稳住。

混合同化：两条路线的合流

当下主流（包括多数业务中心）走的是混合同化：把 EnKF 给出的随流动变化的误差结构，注入到变分框架里，得到 4DEnVar / Hybrid-4D-Var 之类的方案——既保留变分对复杂观测的处理能力，又借集合获得动态、贴合实际的背景误差。这也是过去十余年再分析与业务预报质量稳步抬升的重要推手之一。

再分析：把同化"倒着"用在历史上

业务预报是向前同化：每天用最新观测更新初始场，再积分出未来。再分析则是向后同化：冻结一套当前最先进、版本一致的同化系统（ERA5 即基于 4D-Var），把过去几十年的历史观测重新喂一遍，逐窗口同化、积分、再同化，从而得到一套时间一致、物理自洽、无缝无断层的历史气象场。ERA5 数据集本身覆盖 1940 年至今。

这正是再分析比"原始观测堆叠"更适合做新能源训练底座的根本原因：它在观测稀疏的年代和区域，用模式动力学做了物理上合理的外推；在观测密集处，又被真实观测牢牢锚定。也正因如此，使用时要心里有数——观测稀疏的早期年代、远洋与高空，分析更依赖模式背景，不确定性更高；这类信息在再分析的不确定性集合（如 ERA5 的 EDA）里有量化体现，做资源评估的 P50/P90 时值得纳入考量。

落地：与运梦气象 API 的关系

理解同化，对工程选型有两点直接帮助。

其一，训练与回测用再分析。在运梦气象 API 上，历史底座固定走 dataSourceId = era5（ERA5 再分析，运梦平台可取历史范围为 1950 年至今）。它是 4D-Var 同化的产物，时间一致、物理自洽，最适合给功率预测模型当特征与标签。

其二，误差归因更清醒。读懂"分析场 = 背景 + 观测的加权融合"后，复盘预测偏差时就能把"气象输入里客观存在、源于观测稀疏与同化外推的不确定性"，与"后处理和特征工程真正能改善的部分"分开看，资源投放不会错位。

至于上线预报，运梦对外口径采用德国气象局作为业务预报源，与历史再分析互补，完成"历史评估 + 未来预测"的闭环。想直接上手，可从 运梦气象 API 的 ERA5 产品页 开始；想先把再分析这件事整体读懂，推荐配合 ERA5 完全解读 一起看。

常见问题

数据同化和"插值"是一回事吗？

不是。普通插值只在观测之间做空间填充，不含物理约束；数据同化是把模式背景场和观测按各自误差大小做最优融合，结果既贴近观测又保持物理自洽，并能填补观测完全空白的区域。

4D-Var 和 EnKF 哪个更好？

各有所长。4D-Var 擅长处理复杂非线性观测、时空协调好，但需要模式伴随、维护成本高；EnKF 天然给出随流动变化的误差和不确定性、无需伴随，但受集合规模限制需要膨胀与局地化。当下主流是把两者合流的混合同化（4DEnVar）。

ERA5 用的是哪种同化方法？

ERA5 基于4D-Var变分同化系统生产，并配套一套集合（EDA）来估计不确定性。它用版本一致的现代同化系统，把历史观测回头重跑，得到时间一致、物理自洽的再分析场。

为什么观测稀疏的地方再分析也有值？这值可信吗？

因为同化在没有观测处会更多依赖模式背景场（物理外推），所以"有值"。但这类区域和早期年代的分析不确定性更高，建议结合再分析自带的不确定性信息谨慎使用，做资源评估时为 P90 折扣多留余量。

做新能源，理解同化有什么实际用处？

它帮你看清误差来源：哪些是数据源本身（观测稀疏、同化外推）带来的客观不确定性、无法靠模型消除，哪些才是后处理能改善的。误差归因清晰了，工程资源才不会投错地方。