由于采用模型集成模拟不同背景的概率分布函数并实现贝叶斯定理，集合卡尔曼滤波(EnKF)目前被广泛应用在天气及气候研究中。但在实际应用中，EnKF存在两点不足：一是低频背景流中误差统计表现不足；二是在高分辨率耦合地球系统模式中模型集成对于计算资源/的高要求。基于此，本研究提出了一种多时间尺度、高效的近似集合卡尔曼滤波算法（MSHea-EnKF）。该方法是基于单模型解决方案的时间序列采样数据的回归实现的一种多时间尺度过滤的组合。验证实验表明，随着平稳和缓慢变化背景统计数据的改进表现，与有限大小的EnKF相比，MSHea-EnKF只需要一小部分计算机资源。此外，本研究进一步发现, 如果拥有足够的计算机资源，可以通过第二阶段EnKF的过滤使用一小组MSHea-EnKFs进一步提高该算法的效率。这使得将多源观测结果同化到任何高分辨率耦合地球系统模型中成为现实，解决了当前计算资源不足的问题。该成果发表在Journal of Advances in Modeling Earth Systems上。
图:MSHea-EnKF与EnKF χ2（a、c） 和ω（b、d）误差的时间序列分析
使用单一模拟的历史模拟结果制作滤波所需的成员集合，不同尺度滤波的集合成员的采样使用不同的时间间隔进行区分。实验结果表明，新方法同时对模拟结果的低频部分和高频部分同时进行修正，模式的准静态和低频模态被有效约束的基础上，高频模态的原始自然差异较小；因此在高频尺度使用由历史资料制作的近似集合进行卡曼滤波同化就可以与使用多模拟制作真集合的传统卡曼滤波方法得到相当的同化效果，而计算资源则较传统方法可以节省一个数量级以上。
图：使用模拟的历史资料制作集合成员及随向前积分集合成员的采样变化