Là encore, comme pour le 3D-VAR, une version incrémentale permet de réduire la dimension du vecteur de contrôle, en ne travaillant plus sur la condition initiale mais sur l'incrément = ([11]). En effet, le 4D-VAR tel que nous venons de le voir a de nombreux inconvénients : la dimension est très élevée (de l'ordre de au moins), l'écriture du code adjoint (et éventuellement de l'adjoint au second ordre, si nécessaire) est fastidieuse, mais nécessaire dans tous les algorithmes quadri-dimensionnels que nous étudions ici, y compris dans le 4D-PSAS. Les matrices de covariance d'erreur ne sont à aucun moment fournies par l'algorithme, mais ce n'est pas le but de cet algorithme variationnel. Enfin, la fonction coût est non linéaire et le coût de chaque itération (résolution des équations directes et adjointes) rend la minimisation difficile.
La fonctionnelle incrémentale est la suivante :
En choisissant quelques modes de grande variabilité (quelques dizaines), il est possible de ramener le problème initial (comme traité par le 4D-VAR) de très grande taille à un problème de taille très raisonable, résoluble par l'algorithme 4D-VAR incrémental. De plus, comme dans les autres algorithmes variationnels, il est toujours possible d'arrêter la minimisation effective de la fonctionnelle bien avant convergence, lorsque le temps de calcul atteint une éventuelle limite fixée. Ce sont les principaux avantages de cette méthode, et c'est pour cela que de nombreux organismes de météorologie l'ont adopté dans leur système de prévision ([37], [45], [35]).