En este estudio, el filtro de Kalman de transformación local no sesgada (LUTKF) propuesto en el estudio anterior estima el estado del modelo de Investigación y Pronóstico del Tiempo (WRF) a través de un análisis local. Se asimilan observaciones reales para investigar el rendimiento del análisis del sistema WRF-LUTKF. El modelo WRF, como un modelo regional de predicción numérica del tiempo (NWP), se utiliza ampliamente para explicar el estado atmosférico en campos meteorológicos de mesoescala, como la predicción operativa y aplicaciones de investigación atmosférica. Para el LUTKF basado en el filtro de Kalman de puntos sigma (SPKF), el estado del sistema no lineal se estima propagando miembros del conjunto a través de la transformación no sesgada (UT) sin hacer suposiciones de linealización para modelos no lineales. El objetivo principal de este estudio es examinar la viabilidad de las asimilaciones de datos de mesoescala para el algoritmo LUTKF utilizando el modelo WRF y observaciones reales. Similar al filtro de Kalman de transformación de conjunto local (LETKF), al suprimir el impacto de observaciones distantes en las variables de estado del modelo a través de esquemas de localización, el LUTKF puede eliminar correlaciones espurias a larga distancia en la covarianza de fondo, que son inducidas por el error de muestreo debido al tamaño finito del conjunto; por lo tanto, el LUTKF utilizado en el sistema WRF-LUTKF puede ejecutar eficientemente la asimilación de datos con un tamaño de conjunto pequeño. Los resultados de las pruebas de asimilación de datos demuestran que el LUTKF puede proporcionar un rendimiento de análisis confiable al estimar el estado del modelo WRF con observaciones reales. Los experimentos con varios tamaños de conjunto muestran que el LETKF puede proporcionar mejores resultados de estimación con un tamaño de conjunto más grande, mientras que el LUTKF puede lograr resultados de asimilación precisos y confiables incluso con un tamaño de conjunto más pequeño.