EnKF优化土壤湿度方程中参数的性能研究.pdfVIP

第30 卷 第12期 自 然 资 源 学 报 Vol.30 No. 12 2015 年12月 JOURNAL OF NATURAL RESOURCES Dec., 2015 EnKF 优化土壤湿度方程中参数的性能研究 a a a b 李 超 ，惠建忠 ，唐千红 ，杨霏云 （中国气象局a. 公共气象服务中心，b. 气象干部培训学院，北京 100081） 摘要：集合卡尔曼滤波（EnKF ）是一种灵活有效的序贯数据同化方法，解决参数优化问题具有 优势：一是可以显式地考虑多源不确定性，从而避免对参数的过度调整来弥补其他来源的误差 而产生次优参数；二是实时处理最新更新的观测数据，从而不需要存储和同时处理所有历史数 据；三是使用集合和蒙特卡罗方法来表征和预报相关误差统计量，不需要封闭解逼近，易于实 施。论文借助一维土壤湿度模型，通过观测系统模拟试验的方式，评估EnKF 对水力学函数参 数的优化效果。结果表明，敏感参数更易得到最优估值，优化效果不受初始猜测及观测误差设 置等的影响。和直观想法相反，增加同化频率可能会使估值结果不稳定。 关 键 词：土壤湿度；参数估计；集合卡尔曼滤波 中图分类号：S152.7 文献标志码：A 文章编号：1000-3037(2015) 12-2131-10 DOI ：10.11849/zrzyxb.2015.12.014 参数在陆面过程模拟中扮演着重要的角色，陆面模式模拟的效果不仅取决于模型的 [1-2] 物理参数化方案、初始场和驱动数据的质量，也取决于参数的代表性和准确性 。参数 的不确定是造成陆面模式模拟不准确的主要来源之一，对参数的合理校准可以改进陆面 [3-6] 模式的模拟效果 。 [7-9] 土壤湿度是农业、水文、气象和环境预测的重要状态变量 。各种全局和局部的优 [10-17] 化算法被发展和应用于土壤湿度方程中的参数估计 。但是，这些方法将模拟结果的不 确定性主要归于模型的参数，不显式地考虑输入、输出和模型结构的不确定性。在标定 的过程中忽略某些误差项或者是将误差项联合成一项考虑，实际上是通过调整参数来补 [18] 偿其他来源的误差 ，从而产生次优的参数估计。并且，批处理的标定过程对运算和存 储要求也较高。需要一个更稳健的方法来全面考虑参数估计问题中的多源不确定性，以 保障模拟和预报的精度。 Evensen[19] 基于卡尔曼滤波提出了集合卡尔曼滤波 （Ensemble Kalman filter ，En- KF ），具有显著特点：一是显式地考虑输入、输出和模型结构的不确定性；二是序贯地 处理观测的时间序列，即只处理最新更新的观测数据。以土壤湿度为目标的集合卡尔曼 [20-32] 滤波的研究关注状态变量的估计和预测 ，即假定模型参数是已知的。 本文应用EnKF 优化土壤湿度方程中的水力学参数，试图在解决传统优化算法对不 确定性处理的缺点上做尝试，并分析集合大小、同化时间间隔、误差统计量的不准确设 置、多参数估计等因素对优化性能的影响。 收稿日期：2015-01-08 ；修订日期：2015-05-18。 基金项目：中国气象局公共气象服务中心业务服务专项基金(M2015021) ；中国气象局公益性行业(气象)科研专 项(GYHY201306052) 第一作者简介：李超 （1981- ），女，河北邯郸人，工程师，博士，主要研究EnKF 数据同化、气象数据挖掘。 E-m