个人感觉是基于短时现场实测数据校正的数值模型预测实践问题中长期发展趋势的方法，其核心是实测数据和数值模型，目标是预测。楼主学土木的，举个桥梁的例子吧，比如基于现场实测的桥梁结构在高速列车动荷载下实测的动态响应，修正列车-轨道-桥梁耦合模型，进而预测桥梁结构剩余寿命神马的。http://blog.sciencenet.cn/blog-3005681-951877.html

看图说话：

图一：我们的目标是用模型进行预测，比如在20min时想知道80min的 i 值，我们有两个模型A和B，你会发现尽管模型的初始值和真实值Truth一样，但随着时间推移，模型值和真实值差距越来越大。怎么能提高预测的准确性呢？通常情况下，我们可以测量到 i 的值得到Data，能不能将这些观测的Data用于提高模型的准确性，这就是数据同化要做的事。

图二：我们发现图二在每个数据点上，模型的值被重置了，相当于给了另外一个初值，其他时间点上仍是模型算出来的值。以模型A来看，图二中融合了数据之后的模型A围绕在真实值周围，显然比起图一的效果更好。关于在数据点上重置的值，一种理解为模型的预测结果和观测值之间的线性组合，另一种理解是在预测值在观测数据下的后验信息。

说一个生活中的例子，天气预报通常预测接下来几个小时的天气还是比较靠谱的，比如今天晚上要下雨之类的，但是预测明天或者后天的天气，就不那么百分之百可信了。为什么？预测天气需要一个模型，通常叫数值天气预测(Numerical Weather Prediction)模型，这个模型对短时间的天气信息可以很好的预测，但是时间长了就不准了，天有不测风云嘛。我们该怎么办呢？这时各种气象站就发挥作用了，假设气象站每两个小时可以观测一些天气相关的参数比如气温、风力、湿度等，那么我们就可以把这些信息融合进模型，每隔两小时我们就可以更新模型，那么我们就可以一直保持接下来几个小时天气预测的准确性。

下面给一个比较正式的阐述：

Data Assimilation is an analysis in which the information is stored in a dynamic model, exploiting the consistency constraints inherent in physical laws and processes, combining temporal observations distributed over time with the dynamic model itself. The analysis process is to varying degrees:

1. an approximation of the true state of a physical system at a given time;

2. a comprehensive diagnosis and consisting of a physical system;

3. a reference by which to check the quality of the observations;

4. a matter of useful inputs for another task, such as the initial state of a predictive model.

“Data Assimilation: Instructive Concepts and Mathematical Examples“，Rodolfo Guzzi

（图有版权）

说白了就是观测和模型模拟的加权平均/最优。就这样，Over

真实数据，采样数据，观测数据，模型

用模型从观测数据中推导出采样数据，进而估测真实数据。

话说这个和Kalman滤波的原理是一样一样的。

附上一篇非常易懂的introduction

模型模拟值和观测值根据方差进行加权平均。如果你觉得你的观测值准确，误差值就会小一些，那么权重就大一些，反之同样。