非饱和土壤水的集合卡尔曼滤波Ⅰ:状态向量与非饱和流算法的选择

土壤水运动是水分循环中的基本过程,但土壤水预测面临着参数获取难、预测精度差等挑战。数据同化技术为土壤水参数估计和精确预报提供了一种新的方法。本文建立了基于3种不同非饱和水流求解方法的集合卡尔曼滤波(En KF)算法,针对状态向量的选择和正演模型的选择两个问题,研究了非饱和土壤水En KF的计算性能。研究结果表明:对于非线性非饱和水流问题,同时更新水头和参数比仅仅更新水头能够取得更好的预测效果,特别是当多参数未知时;En KF本质上是Monte Carlo方法,极端样本容易导致Picard-h和Picard-mix算法的崩溃,因此传统的HYDRUS程序与复杂非饱和土壤水的数据同化兼容性不佳;当同时同化水头和参数时,如果极端的样本值能够快速得以更新,Picard-h和Picard-mix算法在数据同化模拟中的适用性能得以提升;但由于观测信息对参数的校正能力取决于特定的问题和条件,Ross算法是执行非饱和土壤水数据同化模拟的更好选择。     

非饱和土壤水的集合卡尔曼滤波Ⅱ:不一致性问题解决方法比较

集合卡尔曼滤波(En KF)能够便捷地根据观测信息改进土壤水的预测精度,但在非线性问题中存在不一致性问题:当同时更新变量(水头或含水率)和非饱和水力参数时,En KF会导致参数和变量之间不再服从Richards方程关系。本文以Borden试验场的饱和渗透系数数据为基础,构造土柱试验,研究了不一致性对土壤水数据同化带来的破坏以及相应的迭代型解决方案。研究结果表明:在非均匀土壤中,En KF可能会引发强烈的不一致性,对含水率预测和参数估计的精度造成破坏;不一致性的峰值位置与水流锋面保持一致,且受边界条件影响;对于同类型的观测与待求参数,不一致性一般是随着观测点数量与待求参数数量的比例的增大而减小;当观测与水头或含水率之间具有强烈的非线性时(如强烈的干湿交替),推荐采用能在保证计算效率的前提下有效降低不一致性影响的CEn KF或MREn KF方法;当观测信息相对充足,不一致性可忽略时,En KF方法更具优势。