This work proposes a robust and non-Gaussian version of the shrinkage-based knowledge-aided EnKF implementation called Ensemble Time Local H_∞ Filter Knowledge-Aided (EnTLHF-KA). The EnTLHF-KA requires a target covariance matrix to integrate previously obtained information and knowledge directly into the data assimilation (DA). The proposed method is based on the robust H_∞ filter and on its ensemble time-local version the EnTLHF, using an adaptive inflation factor depending on the shrinkage covariance estimated matrix. This implies a theoretical and solid background to construct robust filters from the well-known covariance inflation technique. The proposed technique is implemented in a synthetic assimilation experiment, and in an air quality application using the LOTOS-EUROS model over the Aburrá Valley to evaluate its potential for non-linear and non-Gaussian large systems. In the spatial distribution of the PM_2.5 concentrations along the valley, the method outperforms the well-known Local Ensemble Transform Kalman Filter (LETKF), and the non-robust knowledge-aided Ensemble Kalman filter (EnKF-KA). In contrast to the other simulations, the ability to issue warnings for high concentration events is also increased. Finally, the simulation using EnTLHF-KA has lower error values than using EnKF-KA, indicating the advantages of robust approaches in high uncertainty systems.@en

In this paper, we propose an efficient and practical implementation of the ensemble Kalman filter via shrinkage covariance matrix estimation. Our filter implementation combines information brought by an ensemble of model realizations, and that based on our prior knowledge about the dynamical system of interest. We perform the combination of both sources of information via optimal shrinkage factors. The method exploits the rank-deficiency of ensemble covariance matrices to provide an efficient and practical implementation of the analysis step in EnKF based formulations. Localization and inflation aspects are discussed, as well. Experimental tests are performed to assess the accuracy of our proposed filter implementation by employing an Advection Diffusion Model and an Atmospheric General Circulation Model. The experimental results reveal that the use of our proposed filter implementation can mitigate the impact of sampling noise, and even more, it can avoid the impact of spurious correlations during assimilation steps.

@en

La denominada misión HIPAE (Helicopter-borne In-situ Pollution Assessment Experiment) desarrolló una prueba de concepto dentro de una aeronave de la Fuerza Aérea Colombiana, sobrevolando el Valle de Aburrá para transportar dos tipos de contadores de partículas PM2.5 y PM10, así como dos versiones de las plataformas en desarrollo llamadas Simple para medir variables meteorológicas (humedad relativa, presión barométrica, temperatura), altitud, geo-posición y ocho tipos de gases CO2, H2, NO2, NH3, C2H6OH, CH4, C4H10, C3H8. Adicionalmente, un experimento con nano filtros demostró su capacidad para capturar material particulado, el cual fue analizado mediante microscopía electrónica de barrido combinada con espectroscopía de rayos-X (EDX). Los resultados de EDX arrojaron información valiosa sobre la morfología y química a nivel de partícula en la atmósfera urbana por encima de la altura de las estaciones de medición tradicionales. Fué posible visualizar en los datos altas concentraciones de compuestos de aerosol y gases como CO, NO2 y CH4, cuyos valores fueron menores en áreas rurales y forestales en comparación con áreas urbanas según lo esperado. La plataforma Simple mostró un comportamiento adecuado manteniéndose dentro de sus niveles de incertidumbre, indicando la utilidad de los datos adquiridos como primer paso a siguiente ejercicio para ser utilizadas en aeronaves comerciales o militares con el objetivo de suministrar constantemente, a los modelos meteorológicos y químicos de transporte, información in-situ para actividades de asimilación de datos basadas en ensamble, tanto secuencial (EnKF) como variacionalmente (4DenVar), como en actividades de fusión de datos para la toma de decisiones. @en