把图像修复技术接入集合分数滤波，在仅有部分观测时追踪表面准地转动力学

作者构建了集成图像修复的集合分数滤波（EnSF）方法，用于处理部分观测下的高维非线性数据同化问题。 原始 EnSF 已在全观测情形下得到验证，但它不使用协方差矩阵来刻画被观测与未被观测状态变量之间的依赖关系，因此扩展到部分观测场景并非易事；本文通过引入图像修复技术来预测未被观测状态，补上了这一环节。 摘要说明该方法在每个滤波步先用扩散模型把似然信息融入分数函数以估计被观测状态，再用图像修复方法预测未被观测状态变量，属于方法层面的设计说明。

EnSF 依赖专门设计的无训练扩散模型来求解高维非线性数据同化问题。 与需要训练的机器学习同化方法相比，这里强调的是无需训练即可使用的扩散模型设计。 摘要以“exclusively designed training-free diffusion models”描述该扩散模型，未给出训练细节或对比实验数据。

作者通过追踪表面准地转（SQG）模型动力学，在多种情形下展示了带修复的 EnSF 的性能。 把图像修复与分数滤波结合后，验证场景从全观测扩展到部分观测，覆盖多种情形。 摘要称其为“successful proof of concept”，即在 SQG 动力学上的概念验证，未在摘要中给出具体误差指标或样本规模。

该结果面向的是部分观测条件下的数据同化设定，具体在表面准地转（SQG）模型动力学上以多种情形做了概念验证，适用于希望在不使用协方差矩阵刻画观测与未观测变量依赖关系的前提下、借助图像修复预测未观测状态的研究者。作者表示这一成功概念验证为更深入研究、把现代图像修复技术用于实际地球科学与天气预报问题开辟了道路。

摘要未给出具体的误差指标、对比基线或观测稀疏程度等定量信息，因此带修复的 EnSF 相对其他方法在部分观测下的精度提升幅度仍待正文确认；不同图像修复技术之间的差异、以及从 SQG 概念验证走向实际天气预报系统的可行性，也是读者需要继续关注的问题。