地球科学数据同化（一）.docx

地球科学数据同化（一）一门称为“数据同化”的新学科，结合基础数学和地球科学，影响到地球科学几乎所有的应用领域，包括大气、海洋、陆面、冰冻圈、水文，以及石油天然气工业。气候和洪水预测技术的进步离不开数据同化技术的发展。在过去二十年里，数值气候预测和气象变化研究有了巨大进步，归因于三个领域进步：模型、观测方法，以及非常重要的是改进了观测数据的利用——应用数据同化方法。在石油天然气工业中，数据同化可望整合地球物理和油藏管理，整合地震成像和油藏动态模拟。几年前，我在调研油藏地球物理新技术时，读过一篇题为《Should we be using Data Assimilation to Combine Seismic Imaging and Reservoir Modeling（我们应该使用数据同化结合地震成像和油藏建模吗）? 》的网络资料，作者是KAUST（阿卜杜拉国王科技大学）的Ibrahim Hoteit教授。我们这里介绍数据同化的基本概念，主要基于该网络资料。　何谓数据同化？词“同化”（英文assimilation）让人联想到从生物学、社会学到物理科学的不同含义。在这个词的所有用法和意义中，均包含了“整合”的概念。整合什么？动态数据。动态意味着规律或方程或方程组，一般指物理定律或模型。动态数据同化的含义是融合数据到模型，或匹配数据和模型。在估算动态系统（大气，海洋，水文，油藏）的4D状态时，作为信息源的观测数据往往很稀疏、有很多噪音，其数值模型也很不完美，有许多模型参数未知。数据同化是结合模型和观测数据对动态系统状态进行最佳估算的新方法。数据同化是“反问题”——以模型动态作为（弱）约束。图1是在油藏地球物理研究中，结合模型和4维地震观测信息的情景。图1 结合油藏模型和4维地震观测信息数据同化问题，可以用基本数学公式表示。动态模型表示为： (k=0,1,2,)观测信息表示为： (k=0,1,2,)其中，是状态，模型（转换）算子；是观测数据，是观测算子； 和 分别是模型和观测误差。数据同化技术可分成两类: 最小平方(确定性) 和贝叶斯理论(随机)。最小平方公式——调整一组“控制变量”，以拟合模型的轨迹与在一个给定的时间内可用的数：在上式中，mk表示控制矢量（任何模型参数），以模型动力学约束（Wy和Wb分别表示数据和背景加权）。执行共轭计算梯度：递归贝叶斯公式——给定直至估算时的所有观测，确定状态pdf（概率分布函数）。在预测步骤结合分析pdf与模型在校正步骤，利用观测数据更新预测pdf:在上述提到的网络资料中，Ibrahim Hoteit介绍了贝叶斯同化的一个示例——墨西哥湾（GOM)环流演变预测项目。该项目是由BP提供资金, 与NCAR （美国国家大气研究中心）Anderson和MIT（麻省理工学院）的Heimbach协作，采用1/10o GOM海洋模型，状态维数 ~ 2.107，观测数据集包括卫星SSH（海面高度）和 SST（海表温度），每周预测 GOM 环流。麻省理工学院的海洋环流模型是Boussinesq近似下缩解不可压缩流体的Navier-Stokes方程的并行程序。这些方程主要的方程涉及表示风速和扩散、粘性项的动量方程，表示盐度和温度的示踪方程，表示密度的状态方程等，显示数据同化系统的复杂性。　基于卡尔曼滤波的数据同化的贝叶斯解，考虑具有高斯噪音的线性模型状态高斯概率分布函数，只需要确定概率分布函数的均值和协方差。卡尔曼滤波基于前面观测递归地提供状态的估算，采用两个步骤（图2）: 预测步骤（得到估算和不确定性）和分析步骤（利用新数据校正预测）。　集合卡尔曼滤波设计用于从带噪音的测量数据估计动态系统状态向量。集合卡尔曼滤波 (EnKF)是基于蒙特卡罗Monte-Carlo方法——用矢量集合表示不确定性:图2 卡尔曼滤波算法示意图集合卡尔曼滤波基于样本的“集合”得到预测状态分布的重要特性，如均值和协方差。对于油藏，集合每个成员代表油藏模型可能的状态。集合的平均则表示预测的状态，集合的散布代表预测的不确定性。集合卡尔曼滤波虽然是一种近似的序贯Monte Carlo模拟算法，但具有良好的渐近性质。集合卡尔曼滤波示意图见图3（a），使用50个集合的每周的SSH分析的一个例子见图3（b）。我们在下一个博文将给出集合卡尔曼滤波有关公式，并进一步讨论。（a）（b）图3 集合卡尔曼滤波示意图（a）和SSH 估算例子（b）