气候代用资料在古气候场重建中能够提供有效的信息。与此同时，气候模式能够提供动力限制。数据同化(Data assimilation; DA)结合代用观测和模式的信息，已经在古气候研究中得到应用。之前的研究结果已经有了令人鼓舞的结果。离线集合卡尔曼滤波(Offline ensemble Kalman filter; OEnKF)随机从气候态中取样构造先验集合成员，而基于类比物（Analog）的离线集合卡尔曼滤波(Analog offline EnKF; AOEnKF)通过选择与观测更加接近的类比物作为先验集合成员，能够提供”流依赖“(Flow-dependent)的信息，但是用”流依赖“的类比物估计得到的背景误差协方差往往受到取样误差影响。混合同化方法混合了能够处理取样误差的静态背景误差协方差矩阵B，因此我们提出基于类比物的离线混合集合卡尔曼滤波(Hybrid gain analog offline EnKF; HGAOEnKF)。HGAOEnKF的先验集合平均是基于”流依赖“的类比物，背景误差协方差矩阵在保留类比物集合提供的”流依赖“信息的同时，通过混合静态背景误差协方差矩阵B减小取样误差的影响。因此，HGAOEnKF相比于OEnKF, AOEnKF更具有优势。对与极端年份的重建，优势更加明显。
 

数据同化,集合卡尔曼滤波,类比物