Datenassimilation (DA) ist ein Sammelbegriff für mathematische Methoden, die Modelle konsequent mit Beobachtungen kombinieren. Mithilfe der DA können Informationen aus Beobachtungen genutzt werden, um Wissen über unbeobachtete, z.B. nicht beobachtbare Größen abzuleiten. Dafür werden  physikalische oder statistische Zusammenhänge zwischen beobachteten und unbeobachteten Größen ausgenutzt (Abb. 1).

DA in unserer Sektion konzentriert sich hauptsächlich auf geodätische Beobachtungen, z.B. Erdrotation, Satellitengravimetrie und Satellitenaltimetrie [Saynisch et al., 2011a, 2015]. Darüber hinaus testen wir  mit so genannten Observing System Simulation Experiments (OSSE) neue Technologien auf ihren potenziellen Nutzen für die jeweilige Forschungsgemeinschaft, wie z. B. die neu entstehende GNSS-Reflektometrie-Technologie.

Die Beobachtungen werden mit modernsten numerischen Modellen der Erdsysteme kombiniert, z. B. Atmosphäre, Ozeane, Mantel und Kryosphäre [Neef und Matthes, 2012, Irrgang et al., 2017, Bernales et al., 2017].

Vor einer erfolgreichen Assimilation müssen realistische Fehlerbilanzen abgeleitet werden. Einerseits beschreiben diese Bilanzen realistische Statistiken der Beobachtungen, z.B. von GRACE [Dobslaw et al., 2016] oder GNSS-R [Semmling et al., 2016]. Andererseits müssen diese Bilanzen die Unsicherheiten und Sensitivitäten der verwendeten numerischen Modelle darstellen, siehe Abb. 2 [z.B. Zhang et al., 2017, Dill et al., 2015].

Für die Modellfehlerabschätzung führen wir numerisch aufwendige Ensemble-Berechnungen durch [z.B. Irrgang et al., 2016]. Im Rahmen von Benchmark-Untersuchungen basieren diese Ensembles idealerweise auf sehr unterschiedlichen Modellen [Saynisch et al., 2017, Sachl et al., 2017]. Die Ensemble-Informationen werden anschließend in modernen Ensemble-Kalman-Filtern verwendet [Irrgang et al., 2017]. Aufgrund der typischen Hochdimensionalität von Modellen der Erdsystemkomponenten müssen die Ensemble-Generierung und die Kalman-Filter auf kleinen, aber dynamisch optimalen Teilräumen arbeiten [z.B. Nerger et al., 2005].

Zusätzlich zu Kalman-Filter-Techniken werden in Sektion 1.3 auch eine Reihe von adjungierten DA Methoden verwendet [Saynisch et al., 2011b, 2015].

Durch das internationale GEROS-ISS-Projekts konnten wir erstmals demonstrieren, welchen Informationsgewinn GNSS-Reflektometrie-Messungen für die ozeanographische Forschung liefern können. Außerdem konnten wir genaue Empfehlungen bezüglich offener Fragen der Beobachtungsdichte und -genauigkeit geben [Saynisch et al., 2015, Wickert et al., 2016].  Das SMART-Cable-Projekt zielt darauf ab, Telekommunikationskabel mit ozeanographischen Sensoren auszustatten. Im Rahmen des Projektes konnte eine Strategie für die Kabelverlegung vorgeschlagen werden, die auf der Assimilationswirkung des jeweiligen Kabels basiert. Das Dynamic Earth-SPP leistet Pionierarbeit bei der Untersuchung des Potenzials der derzeit laufenden Satelliten-Magnetometer-Mission Swarm für ozeanische Assimilationszwecke [Irrgang et al., 2017, Saynisch et al., 2017].

• Assimilation of oceanic magnetic signals
• Estimating global ocean heat content from tidal magnetic signals with machine learning
• Assimilation of GNSS-R based satellite altimetry data with a regional high resolution ocean modell
• Assimilation of SMART Cables
• Assimilation of Earth Rotation and the Ocean's Circulation (EROC)
• Assimilation of Co-Amplitudes in the Barotopic Tidal Modul
• Assimilation of satellite gravimetry observations into a global ocean circulation model
• Deep learning-based downscaling of satellite gravimetry for the estimation of high-resolution terrestrial water storage
• SCENIC-Projekt

Schachtschneider, R., Saynisch-Wagner, J., Klemann, V., Bagge, M., Thomas, M. (2022): An approach for constraining mantle viscosities through assimilation of palaeo sea level data into a glacial isostatic adjustment model. - Nonlinear Processes in Geophysics, 29, 1, 53-75. https://doi.org/10.5194/npg-29-53-2022

Dill, R., Saynisch-Wagner, J., Irrgang, C., Thomas, M. (2021): Improving atmospheric angular momentum forecasts by machine learning. - Earth and Space Science, 8, 12, e2021EA002070. https://doi.org/10.1029/2021EA002070

Drinkorn, C., Saynisch-Wagner, J., Uenzelmann-Neben, G., Thomas, M. (2021): Decadal climate sensitivity of contouritic sedimentation in a dynamically coupled ice-ocean-sediment model of the North Atlantic. - Palaeogeography Palaeoclimatology Palaeoecology, 572, 110391. https://doi.org/10.1016/j.palaeo.2021.110391

Saynisch-Wagner, J., Baerenzung, J., Irrgang, C., Hornschild, A., Thomas, M. (2021): Tide induced magnetic signals and their errors derived from CHAMP and Swarm satellite magnetometer observations. - Earth Planets and Space, 73, 234. https://doi.org/10.1186/s40623-021-01557-3 

Irrgang, C., Dill, R., Boergens, E., Saynisch-Wagner, J., Thomas, M. (2020): Self-validating deep learning for recovering terrestrial water storage from gravity and altimetry measurements. - Geophysical Research Letters, 47, 17, e2020GL089258. https://doi.org/10.1029/2020GL089258

Irrgang, C., Saynisch-Wagner, J., Thomas, M. (2020): Machine Learning‐Based Prediction of Spatiotemporal Uncertainties in Global Wind Velocity Reanalyses. - Journal of Advances in Modeling Earth Systems, 12, 5, e2019MS001876. https://doi.org/10.1029/2019MS001876

Irrgang, C., Saynisch, J., Thomas, M. (2019): Estimating global ocean heat content from tidal magnetic satellite observations. - Scientific Reports, 9, 7893. https://doi.org/10.1038/s41598-019-44397-8

Saynisch, J., Irrgang, C., Thomas, M. (2018): On the Use of Satellite Altimetry to Detect Ocean Circulation's Magnetic Signals. - Journal of Geophysical Research, 123, 3, 2305-2314. https://doi.org/10.1002/2017JC013742

Saynisch, J., Irrgang, C., Thomas, M. (2018): Estimating ocean tide model uncertainties for electromagnetic inversion studies. - Annales Geophysicae, 36, 1009-1014. https://doi.org/10.5194/angeo-36-1009-2018

J. Bernales, I. Rogozhina, and M. Thomas. Melting and freezing under antarctic ice shelves from a combination of ice-sheet modelling and observations. J. Glaciology, 63(240):731–744, 2017.

R. Dill, V. Klemann, Z. Martinec, and M. Tesauro. Applying local green’s func- tions to study the influence of the crustal structure on hydrological loading displacements. J. Geodyn., 88(Supplement C):14–22, 2015.

H. Dobslaw, I. Bergmann-Wolf, E. Forootan, C. Dahle, T. Mayer-Gürr, J. Kusche, and F. Flechtner. Modeling of present-day atmosphere and ocean non-tidal de-aliasing errors for future gravity mission simulations. J. Geodesy, 90(5): 423–436, 2016.

C. Irrgang, J. Saynisch, and M. Thomas. Utilizing oceanic electromagnetic induction to constrain an ocean general circulation model: A data assimilation twin experiment. J. Adv. Model. Earth Sys., 9(3):1703–1720, 2017.

C. Irrgang, J. Saynisch, and M. Thomas. Ensemble simulations of the magnetic field induced by global ocean circulation: Estimating the uncertainty. J. Geophys. Res, 121(3):1866–1880, 2016.

L. J. Neef and K. Matthes. Comparison of Earth rotation excitation in data- constrained and unconstrained atmosphere models. J. Geophys. Res., 117 (D02107):1–17, 2012.

L. Nerger, W. Hiller, and J. Schröter. A comparison of error subspace Kalman filters. Tellus Ser. A: Dyn. Meteorol. Oceanol., 57(5):715–735, 2005.

L. Sachl, Z. Martinec, J. Velimsk, A. Grayver, C. Irrgang, A. Kuvshinov, J. Petereit, J. Saynisch, D. Einspigel, and N. R. Schnepf. Benchmark study of global EM induction codes forced by ocean circulation electric currents. Geo- phys. J. Int., submitted:1–19, 2017.

J. Saynisch and M. Thomas. Ensemble Kalman-Filtering of Earth rotation observations with a global ocean model. J. Geodyn., 62:24–29, 2012.

J. Saynisch, M. Wenzel, and J. Schröter. Assimilation of Earth rotation parameters into a global ocean model: length of day excitation. J. Geodesy, 85(2): 67–73, 2011a.

J. Saynisch, M. Wenzel, and J. Schröter. Assimilation of Earth rotation pa- rameters into a global ocean model: excitation of polar motion. Nonlinear Process. Geophys., 18(5):581–585, 2011b.

J. Saynisch, I. Bergmann-Wolf, and M. Thomas. Assimilation of GRACE de- rived oceanic mass distributions with a global ocean circulation model. J. Geodesy, 89(2):121–139, 2015.

J. Saynisch, J. Petereit, C. Irrgang, and M. Thomas. Impact of oceanic warm- ing on electromagnetic oceanic tidal signals: A CMIP5 climate model-based sensitivity study. Geophys. Res. Lett., 44(10):4994–5000, 2017.

J. Saynisch, M. Semmling, J. Wickert, and M. Thomas. Potential of space-borne GNSS reflectometry to constrain simulations of the ocean circulation. Ocean Dyn., 65(11):1441–1460, 2015.

A. M. Semmling, V. Leister, J. Saynisch, F. Zus, S. Heise, and J. Wickert. A Phase-Altimetric Simulator: Studying the Sensitivity of Earth-Reflected GNSS Signals to Ocean Topography. IEEE Trans. Geosci. Remote Sensing, 54(11):6791–6802, 2016.

Jens Wickert, Estel Cardellach, Manuel Martin-Neira, Jorge Bandeiras, Laurent Bertino, Ole Baltazar Andersen, Adriano Camps, Nuno Catarino, Bertrand Chapron, Fran Fabra, Nicolas Floury, Giuseppe Foti, Christine Gommenginger, Jason Hatton, Per Hoeg, Adrian Jaggi, Michael Kern, Tong Lee, Zhijin Li, Hyuk Park, Nazzareno Pierdicca, Gerhard Ressler, Antonio Rius, Josep Rosello, Jan Saynisch, Francois Soulat, C. K. Shum, Maximilian Semmling, Ana Sousa, Jiping Xie, and Cinzia Zuffada. GEROS-ISS: GNSS REflectometry, Radio Occultation, and Scatterometry Onboard the International Space Station. IEEE J. Sel. Top. Appl. Earth Observ. Remote Sens., 9(10, SI): 4552–4581, 2016.

L. Zhang, H. Dobslaw, T. Stacke, A. Güntner, R. Dill, and M. Thomas. Validation of terrestrial water storage variations as simulated by different global numerical models with grace satellite observations. Hydrol. Earth Syst. Sci., 21(2):821–837, 2017. 

• OMCT-Modell