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.     

EnKF同化的背景误差协方差矩阵局地化对比研究

在集合数据同化中,背景场误差的协方差估计特别重要。通常有限个成员的集合在估计背景误差协方差矩阵时会引入伪相关,从而造成协方差被低估、滤波发散。虽然协方差膨胀的经验性方法能一定程度缓解协方差被低估的问题,但不能消除协方差的伪相关问题。因此,结合EnKF方案探讨2种消除伪相关的局地化方法(协方差局地化方法和局地分析方法),分析这2种局地化方法对背景误差协方差矩阵、增益矩阵、集合转换矩阵以及同化结果的影响。实验结果表明:局地化方法不仅能消除背景误差协方差矩阵的伪相关,还可以增加背景误差协方差矩阵的秩;在"弱"同化强度下,2种局地化方法的增益矩阵和集合转换矩阵相等;随着同化强度的增大,增益矩阵和集合转换矩阵的差异会变大;在不同的同化强度下,2种局地化方法各具特色,相对而言,协方差局地化方法在更新集合均值和集合扰动上具有较强的鲁棒性。研究结论有助于背景场误差协方差的精细分析和估计。     

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。     

模式时间关联误差对集合平方根滤波估算土壤湿度的影响

为了定量评估模式时间关联误差对NOAH陆面模式同化表层土壤湿度观测估算土壤湿度廓线的影响,采用集合平方根滤波(En SRF)与状态增广相结合的技术,开展同时更新状态变量和订正模式偏差的观测系统模拟试验,结果表明:同化时若不对存在较大系统性偏差的模式时间关联误差进行处理,En SRF就不能有效估算土壤湿度廓线,而采用状态增广和En SRF相结合的技术,可以在更新土壤湿度时同步订正模式偏差,土壤湿度估算精度明显提高。敏感性试验进一步表明:模式偏差大小、同化时间间隔和观测误差会以不同方式对同化结果造成影响。     

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.     

基于集合卡尔曼滤波的多相流模型参数估计——以室内二维砂箱中重质非水相污染物入渗为例

重质非水相有机污染物(DNAPL)泄漏到地下后,其运移与分布特征受渗透率非均质性影响显著。为刻画DNAPL污染源区结构特征,需进行参数估计以描述水文地质参数的非均质性。本研究构建了基于集合卡尔曼滤波方法(EnKF)与多相流运移模型的同化方案,通过融合DNAPL饱和度观测数据推估非均质介质渗透率空间分布。通过二维砂箱实际与理想算例,验证了同化方法的推估效果,并探讨了不同因素对同化的影响。研究结果表明:基于EnKF方法同化饱和度观测资料可有效地推估非均质渗透率场;参数推估精度随观测时空密度的增大而提高;观测点位置分布对同化效果有所影响,布置在污染集中区域的观测数据对于参数估计具有较高的数据价值。     

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。     

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。     

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。     

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。     

水动力学模型与集合卡尔曼滤波耦合的实时校正多变量分析方法

为减少非恒定水流计算中的不确定性,在水流随机运动系统状态空间模型基础上,应用集合卡尔曼滤波(EnKF)技术建立了非恒定水流分析的实时更新(校正)方法。该方法适用于非线性的随机微分方程,过程和观测噪声可以是非正态分布。同时,为充分利用水位、流量等误差量级相差巨大的观测中所蕴含的有效信息,导出了EnKF多变量分析格式。以明渠单峰洪水过程的合成数据为例,考察了运用建立的实时更新方法分析预报一维洪水演进的性能。重点对比了采用不同精度等级下的水位和流量观测资料进行滤波的效果。在中国现行标准规定的允许观测误差范围内,以水位观测进行一维洪水动力学模型的滤波分析可有效地控制误差、估计流量、识别水流运动系统状态。长江干流清溪场至万县江段实际洪水计算还证实:该方法通过插入即时观测,可实时更新模型状态,给出与实际更为接近的计算。     

土壤湿度观测、模拟和估算研究

总结土壤湿度的观测手段和土壤湿度数据集建立的现状,详细阐述与土壤湿度模拟有关的方程离散化求解、物理和生化过程、陆面过程模式比较和陆面模式参数优化等方面的研究进展;综述估算土壤湿度廓线的数据同化方法,仔细比较集合卡曼滤波(EnKF)和四维变分(4-D Var)2类目前流行的同化算法,并对估算土壤湿度廓线的研究工作进行全面评估;最后,对土壤湿度观测、模拟和同化中需继续努力的方向进行了思索和展望。     

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.     

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.     

一个基于模拟退火法的陆面数据同化算法

陆面数据同化系统是近年来兴起的新领域。我们发展了一个实验型的陆面数据同化方案,它使用一种启发式优化算法——模拟退火法极小化目标泛函。与变分法和Kalman滤波方法比较,这一算法具有独立于目标泛函的优点,可处理模型和观测算子的非线性和不连续性。使用GAME—Tibet实验中的土壤水分观测值进行单点数值实验,成功地将土壤水分观测同化到陆面过程模型SiB2中。结果表明,与不进行同化相比,土壤水分的估计值有较大改善。     

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。     

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...     

基于模糊理论的混凝土热力学参数识别方法

根据混凝土内部温度观测数据,建立了基于模糊理论的混凝土热力学参数识别方法。根据观测点的温度观测数据的误差特性,建立了模糊优化的目标函数。将热传导反问题作为非线性优化问题处理,然后采用BFGS方法求解。由于温度观测误差的随机特性,分析了混凝土热力学参数识别结果的统计特性。数值计算结果表明,在考虑到温度观测误差的条件下,所建立的参数反演方法能够有效地识别出混凝土的热力学参数。     

数据同化算法研究现状综述

近年来,全球环境变化对人类生存影响日益突出,为了加强对陆地—大气—海洋的监测,全球对地观测系统计划(GEOSS)和全球环境与安全监测计划(GMES)等相继被提出。数据同化算法作为连接观测数据与模型模拟预测的关键桥梁也得到了迅速发展,显著标志新的数学研究成果不断被引入数据同化算法中。在国家重大科技基础设施项目"航空遥感系统——地球科学数据处理软件系统"需求背景条件下,梳理遥感数据同化算法的国内外发展现状,明确数据同化算法开发的技术主线和重点内容,稳步推进数据同化算法理论研究和软件开发。     

基于水文模型的蒸散发数据同化实验研究

流域蒸散发定量估算一直是水科学领域的研究前沿,水文模型和遥感反演是当前估算区域蒸散发的常用手段。研究通过数据同化,集成水文模型和遥感模型的优势,耦合遥感蒸散发到水文模型中以实现多源数据下的蒸散发数据同化。选择北京市沙河流域为研究区,分布式时变增益水文模型作为模型算子,基于集合卡尔曼滤波同化算法,利用双层遥感模型模拟的蒸散发同化水文模型,并基于地面通量站观测的日蒸散发进行验证。结果表明,同化结果与观测数据相比平均绝对百分比误差较同化前减少,精度进一步提升,且当遥感观测输入频繁时精度改善明显。研究证明基于水文模型的蒸散发数据同化系统,是一种可实现输出精度更高和时序连续的区域蒸散发的新型模式。该成果将进一步丰富创新蒸散发估算的学科内容,为准确理解区域水循环规律提供科学依据。