两种耦合模糊控制的局地化方法研究

在集合数据同化过程中,由于远距离的观测与同化状态之间存在着虚假相关,局地化方法受到广泛关注.此外,由于集合数的限制,容易引起欠采样和协方差被低估等现象,使得滤波效果欠佳.因此,提出模糊控制算法,模糊控制算法主要用于判断观测点与状态更新点之间的距离来匹配相应的观测权重,进而调整局地化系数来更新背景误差协方差和观测误差协方差矩阵,从而得到有效的状态估计.基于背景误差协方差局地化方法和观测误差协方差局地化方法,耦合模糊控制,形成了新的算法—模糊控制的背景误差协方差局地化方法和模糊控制的观测误差协方差局地化方法.利用Lorenz-96模型,在小集合数和局地化半径下,得出模糊控制的背景误差协方差局地化方法和模糊控制的观测误差协方差局地化方法有较好的同化性能.通过分析泰勒图谱甄别出新算法与观测点具有高度的相关性以及较小的空间变异性.最后,在不同维数的模糊控制器下,新算法的有效性进一步得到验证.为今后数据同化误差处理方面提供了良好的研究平台.     

一种新的耦合模糊控制局地化的同化方法

由于在数据同化过程中远距离的观测与同化状态之间存在着虚假相关,局地化方法受到广泛关注。同时,在集合数目较少的同化情况下,观测数据难以得到有效利用,使得同化效果欠佳。因此,提出了一种新的模糊控制局地化同化方法,通过模糊控制算法判断观测点与状态更新点之间的距离,构造观测位置模糊权重。利用非线性Lorenz-96模型,比较分析模糊控制局地化同化(FLETKF)算法与模糊控制同化(FETKF)方法、局地化分析同化(LETKF)算法和集合转换卡尔曼滤波(ETKF)算法在非线性强迫参数变化时的性能,同时探讨了4种算法在不同强度下的优劣。研究结果表明,新方法能够获得更有效的观测权重,避免了远距离观测与状态变量之间的虚假相关,减小由于观测数据难以得到有效利用而带来的误差,在不同观测误差协方差情况下,随着集合数的增加,4种算法中FLETKF能够保持较好的鲁棒性,在观测误差协方差较大时,FLETKF方法的均方根误差(RMSE)相对FETKF方法的RMSE值减小98.2%,提高了同化精度,但在同化所需时间上,由于模糊控制局地化同化方法在判断观测点与状态更新点之间的距离,构造观测位置等价权重需要较长的额外时间,因此,并行计算的性能需进一步研究。     

集合卡尔曼滤波估计水文地质参数的局域化修正

集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)作为一种有效的数据同化方法,在众多数值实验中体现优势的同时,也暴露了它使用小集合估计协方差情况下精度较低的缺陷。为了降低取样噪声对协方差估计的干扰并提高滤波精度,应用局域化函数对小集合估计的协方差进行修正,即在协方差矩阵中以舒尔积的形式增加空间距离权重以限制远距离相关。在一个二维理想孔隙承压含水层模型中的运行结果表明,局域化对集合卡尔曼滤波估计地下水参数的修正十分有效,局域化可以很好地过滤小集合估计中噪声的影响,节省计算量的同时又可以防止滤波发散。相关长度较小的水文地质参数(如对数渗透系数)更容易受到噪声的干扰,更有必要进行局域化修正。     

土壤水分同化系统的敏感性试验研究

利用1998年7月6日至8月9日青藏高原GAME-Tibet试验区MS3608站点的4cm、20cm和100cm的土壤水分观测数据同化SiB2模型输出的表层、根区和深层土壤水分,探讨了一个基于集合卡尔曼滤波和简单生物圈模型的单点土壤水分同化方案。分析和评价了集合大小、同化周期、模型误差、背景场误差以及观测误差对同化系统性能的影响。结果表明:①增加集合数目可以减小土壤水分同化系统的误差,但同时又降低了运行效率;②对于集合卡尔曼滤波,初始场的估计是否准确对同化系统性能影响不大;③模型误差和观测误差的准确估计可以提高土壤水分的估计精度;④利用数据同化的方法对土壤水分的估计有显著提高。     

基于局地集合变换卡尔曼滤波的全球海洋资料同化系统设计及算法加速

通过对局地集合变换卡尔曼滤波(LETKF)算法的计算时间复杂度的完整分析,发现计算集合空间分析场误差协方差的逆矩阵这一过程计算量最大,耗时最长。且在并行计算环境下,该步骤CPU计算量分配不均是影响计算效率的直接原因。为解决这一问题,采用“贪心算法”设计了一套新的负载均衡策略,并使用该策略开发了一个基于LETKF和并行海洋模块2(POP2)的高性能并行海洋资料同化系统。将2004年1~2月日平均的最优插值海表温度资料(OISST)和同时期的Argo温盐剖面资料同化进入POP2。结果表明,同化有效降低了温度和盐度的均方根误差。同时,在不改变计算结果的前提下,相比原始同化系统,新系统计算性能提升1倍。在更高分辨率(0.1°×0.1°)下,该系统的计算性能仍然可以提升1倍,说明新设计的负载均衡方案稳定可靠。该方案具有很强的可扩展性和移植性,在业务预报中有广泛的应用前景。     

非线性滤波方法与陆面数据同化

陆面数据同化研究近几年成为地球科学研究的新兴领域,其中以非线性滤波为代表的数据同化方法发展迅速并得到了广泛应用。在贝叶斯理论框架内,从递推贝叶斯估计理论的角度系统地分析了扩展卡尔曼滤波、无迹卡尔曼滤波、集合卡尔曼滤波、SIR粒子滤波等非线性滤波方法的异同;针对应用比较广泛的集合卡尔曼滤波和SIR粒子滤波应用中存在的问题,论述了几种提高滤波性能的实用方法,如协方差矩阵的Localization方法、协方差矩阵的Inflation方法、双集合卡尔曼滤波方法、扰动集合、扰动大气驱动和模型参数、平方根集合卡尔曼滤波以及粒子滤波算法的改进等。最后总结讨论了各种非线性滤波方法应用中的特点、难点以及各种算法在陆面数据同化中的应用前景和发展方向。     

陆面数据同化系统误差问题研究综述

同化系统中的误差问题一直被认为是制约数据同化性能的瓶颈问题。从分析陆面数据同化系统的误差问题研究现状出发,统一定义了同化系统的误差来源及误差表现,简要综述了顺序同化方法及连续同化方法中的误差定义和相关理论问题。从误差估计的角度,重点介绍了目前研究中各种误差估计的方法和面临的困难。针对误差处理方法的研究,介绍了在集合数据...     

集合—变分数据同化方法的发展与应用

近年来,集合—变分数据同化方法已成为大气数据同化领域研究的热点问题.该方法能够综合利用集合卡尔曼滤波和变分同化的优势,是实现“集合预报和数据同化一体化”的有效途径.在分析变分同化和集合卡尔曼滤波优缺点的基础上引出集合—变分数据同化的概念;按照不同实现方式,将集合—变分同化分为协方差线性组合和增加控制变量2类,介绍了相应的研究进展,并将集合—变分同化概念拓展;然后介绍了集合—变分同化在英美两国的应用;最后回顾了集合—变分同化研究的主要问题,展望了未来的发展趋势.     

基于局域化EnKF同时同化地下水水流和溶质运移数据的渗透系数场识别研究

局域化改进集合卡尔曼滤波（EnKF）可以克服EnKF方法在使用小集合时,对参数识别精度较低的缺陷,其能同化 地下水位观测数据有效识别渗透系数场。实际工作中,溶质运移数据也较容易获得。崔凯鹏（2013）尝试增加溶质运移 数据以改进只同化水流数据对渗透系数的估计结果,但是精度提高有限。本文在其基础上修改模型,进一步增加溶质注 入井,探究同时同化水头和溶质运移数据,对渗透系数场识别效果,之后对比了局域化EnKF与非局域化EnKF参数识别结 果,并分析了溶质影响范围与参数识别的关系。结果表明：同时同化溶质运移和水头资料,比同化单一种类观测数据识别 的渗透系数精度更高;相同实现数目下,局域化EnKF比EnKF对渗透系数场的估计结果与真实场更为接近;仅考虑溶质影 响范围内的渗透系数,同化水头数据在最后时刻参数识别结果好于同化溶质运移数据参数识别结果,但差别不大。     

考虑预报偏差的迭代式集合卡尔曼滤波在地下水水流数据同化中的应用

集合卡尔曼滤波（Ensemble Kalman Filter,EnKF）方法已广泛应用于地下水水流和污染物运移模拟相关问题的求解。但前人研究多建立在同化系统预报模型是准确的基础上,忽视了模型概化的不确定性。当模型概化不准确时,将导致预报偏差,可能带来错误的系统估计。因此,文章提出考虑模型预报偏差的迭代式集合卡尔曼滤波（Bias aware Ensemble Kalman Filter with Confirming Option,Bias-CEnKF）方法。以地下水水流数据同化为例,研究模型概化存在不确定条件下,边界条件、初始条件、源汇项概化不准确时新方法的有效性。结果表明,当预报模型概化不准确时,使用标准EnKF方法进行数据同化,可能会导致滤波发散,造成同化失败。Bias-CEnKF方法不仅保留了较好的同化性能,同时减小了参数、变量、偏差项非线性关系带来的不一致性。针对文章中4种情景,Bias-CEnKF同化获得的含水层渗透系数场以及水头场均接近真实场,且预报结果可靠。本研究进一步提升了模型概化不确定时EnKF方法的适用性,为实际野外复杂条件下地下水水流数据同化问题提供了可靠的方法。     

频带比率应用于估计光径辐射率的一种新方法

频带比率是预处理卫星图像的一种有用方法,特别是对于地形影响非常重要的地区。频带比率方法首先是估计和消除光径辐射率。本文论述了一种估计光径辐射率最小方差比(MRV)的一种新方法。利用MRV技术时,基本优点是在频带比率区有最小的方差。因此,从所给出的最均匀的比率图像角度考虑,所推导出的估算是最理想的。进一步MRV方法的假设比协方差矩阵法所做假设更一般化。而且计算时间与协方差法或回归法一样,这种方法可以应用于一个大图像的某些小部分,以提供对光径辐射率空间变化的估计。本文还讨论了MRV法的误差分析。其设计满足计算机模拟。已证实光径辐射率估值的误差为正值,它受地形、噪声强度、不同波长频带地面内在辐射率比值等影响。在地形影响很强、噪声强度低、内在辐射率之比(较短波长频带与较长波长频带之比)小时,偏差相当小。     

河道洪水实时预报的半自适应模型研究

提出和讨论了基于马斯京根流量演算河道洪水实时预报的半自适应滤波模型.在该模型中量测误差系列的协方差矩阵可以通过信息更新系列实时估计出来,只有模型误差系列的协方差矩阵需要预先给出.提出了一个处理区间入流较为合理、方便的方法.通过验证和应用说明了该模型的合理性.     

用于频率域航电数据处理的伪切割线自动调平法

针对频率域航空电磁数据中存在的区块状测量误差,提出了伪切割线自动调平法。首先利用一维移动滤波滤掉高频地质异常,得到包含背景值和调平误差的中间值;通过对伪切割线求导,由突变点区间统计法判断出的调平边界突变点位置来划分待调平区域;沿伪切割线方向由边界向外延拓一定距离,确定伪切割线范围,在此范围内,对边界突变点采用中值滤波;然后在确定的伪切割线范围内积分得到背景值,背景值与中间值作差求得调平误差;最后与原始数据结合得到调平结果。该方法输入参数少,能自动划分调平区域,极大地减少了工作强度及人为误差,同时能有效地消除区块状误差,保留真实地质异常。     

用于频率域航电数据调平的区域控制法

消除航空电磁数据中的条带状误差最通用的方法是结合手工调平和以窗口滤波为主要手段的计算机自动调平技术.为解决窗口参数的选取问题,提出了区域控制法.该方法首先利用2D-DDNL(data dpendent nonlinear)滤波器原理将整个网格化的航电数据矩阵作为一个窗口,得到整个区域的背景值,作为总区域背景场控制点值,用其对这个区域进行小窗口2D-DDNL滤波得到的局部背景值进行调节,即自动改变窗口参数,使局部背景场适应总区域背景场控制点值;这样得到的背景场与原始场相减,便得到一个包含局部地质异常和条带误差的中间量;对这个中间量采用一维改进的中值滤波,分离出条带误差,进而得到最终调平结果.该方法能自动调节窗口参数大小,减少了人为干扰,自动化程度高,较好地保留了有用地质信息,为航电数据调平提供了一种新方法.     

顺序数据同化的Bayes滤波框架

数据同化是在动力学模型的运行过程中不断融合新的观测信息的方法论,Bayes理论是数据同化的基石.从原理、方法和符号系统为Bayes滤波在数据同化中的应用勾勒一个统一的框架.首先对连续数据同化和顺序数据同化的各种方法做了分类,然后给出了非线性系统顺序数据同化的Bayes递推滤波形式,并在此基础上介绍了典型的顺序数据同化方法--粒子滤波和集合Kalman滤波.粒子滤波实质上是一种基于递推Bayes估计和Monte Carlo模拟的滤波方法,而集合Kalman滤波相当于一种权值相等的粒子滤波.Bayes滤波理论为顺序数据同化提供了更广义的理论框架,从基础的数学理论上揭示了数据同化的基本原理.     

基于最大特征值估计的C3算法及应用

第三代相干体算法(C3算法)具有分辨率高、压制噪声能力强的优点,但是该算法需要计算协方差矩阵的特征值,所以耗时较多。为提高大矩阵特征值分解的运算速度,提出了一种估计最大特征值的快速收敛算法,通过运用A2k矩阵的迹来构造一种收敛速度更快的特征值估计方法,并给出了这种方法的误差估计表达式,实现计算精度的有效控制。文中还讨论了地震数据体边缘补地震道方法,解决了将递推算法应用到平面方向时空间窗越过边界的问题。实例表明,本算法的计算效率明显高于常规的C3算法。     

基于蒸散发数据同化的径流过程模拟

采用集合卡尔曼滤波算法,以遥感反演的蒸散发作为观测数据,构建一种基于新安江模型的蒸散发同化系统;根据同化后的蒸散发,采用粒子群算法估计新安江模型的土壤张力水蓄量,进而改进模型的径流模拟效果。选取地表能量平衡系统模型进行汉江流域蒸散发（ET_SEBS）反演,采用基于GRACE水储量距平数据的水量平衡蒸散发（ET_GRACE）进行验证,结果显示ET_SEBS总体表现好于蒸散发产品ET_GLDAS、ET_Zhang、ET_MODIS,且相关系数（R）、均方根误差（E_RMS）、偏差（B）为0.93、11.93 mm/月、-3.47 mm/月,表明SEBS模型能够较好地估算蒸散发。将同化方案在旬河流域进行应用,结果显示同化后径流的纳什效率系数（E_NS）为0.85,较同化前0.81明显提高,且模型对枯水期径流的低估问题有一定改善,对径流峰值模拟效果提高明显。     

基于集合卡尔曼平滑算法的土壤水分同化

为研究观测资料稀少情况下土壤质地及有机质对土壤水分同化的影响,发展了集合卡尔曼平滑(Ensemble Kalman Smooth, EnKS)的土壤水分同化方案。利用黑河上游阿柔冻融观测站2008年6月1日至10月29日的观测数据,使用EnKS算法将表层土壤水分观测数据同化到简单生物圈模型(Simple Biosphere Model 2, SiB2)中,分析不同方案对土壤水分估计的影响,并与集合卡尔曼滤波算法(EnKF)的结果进行比较。研究结果表明,土壤质地和有机质对表层土壤水分模拟结果影响最大而对深层的影响相对较小;利用EnKF和EnKS算法同化表层土壤水分观测数据,均能够显著提高表层和根区土壤水分估计的精度,EnKS算法的精度略高于EnKF且所受土壤质地和有机质的影响小于EnKF;当观测数据稀少时,EnKS算法仍然可以得到较高精度的土壤水分估计。     

基于EnKF融合地球物理数据刻画含水层非均质性

含水层非均质性的刻画是模拟地下水中污染物运移的关键。以渗透系数为研究对象,构建了综合集合卡尔曼滤波方法、有效电阻率模型与地下水运移模型的同化框架,通过融合地球物理观测数据与污染物浓度观测数据来推估渗透系数的空间分布。基于理想算例,验证了该同化框架刻画含水层非均质渗透系数场的有效性,并针对不同初始参数信息与观测类型对比了耦合与非耦合水文地球物理方法的适用性。研究结果表明:基于集合卡尔曼滤波方法同化多种类型的观测数据,可有效地推估非均质参数空间分布。当初始信息较准确时,耦合方法的参数推估精度更高;初始信息存在偏差时,非耦合方法有更好的同化效果。由于非耦合方法计算成本较低且对初始信息缺失时适用性更强,在实际应用中可先基于非耦合方法初步估计参数,再利用耦合方法进一步提高参数推估精度。融合多种类型观测数据可有效提高参数推估效果。     

评估集合卡曼滤波反演土壤湿度廓线的性能

集合卡曼滤波由于易于使用而被广泛地应用到陆面数据同化研究中,它是建立在模型为线性、误差为正态分布的假设上,而实际土壤湿度方程是高度非线性的,并且当土壤过干或过湿时会发生样本偏斜.为了全面评估它在同化表层土壤湿度观测来反演土壤湿度廓线的性能,特引入不需要上述假设的采样重要性重采样粒子滤波,比较非线性和偏斜性对同化算法的影响.结果显示:不管是小样本还是大样本,集合卡曼滤波都能快速、准确地逼近样本均值,而粒子滤波只有在大样本时才能缓慢地趋近;此外,集合卡曼滤波的粒子边缘概率密度及其偏度和峰度与粒子滤波完全不同,前者粒子虽不完全满足正态分布,但始终为单峰状态,而后者粒子随同化推进经历了单峰到双峰再到单峰的变化.