迭代集合卡尔曼滤波方法的性能比较研究

针对数据同化过程中模型的非线性问题,通过分析对比得出了一种适合强非线性系统的迭代集合Kalman滤波(IEnKF)。在Lorenz\|63模型的框架内,比较分析集合Kalman滤波(EnKF)、迭代集合Kalman滤波(IEnKF)和迭代扩展卡Kalman滤波(IEKF)在集合数、观测误差方差、放大因子和模型步长不同时同化性能差异,由此探讨这3种方法的优劣。研究结果表明:随着集合数的增加,3种算法的同化性能都得到了一定的改善;放大因子的增大,使其同化性能变差且EnKF呈现出多重波峰波谷的现象;3种方法的均方误差(RMSE）随观测误差方差和模型步长的增大而增大,其同化精度都变差;而IEnKF同化性能最优,更具有鲁棒性。     

陆面数据同化系统的研究综述

大气、海洋数据同化系统的完善和发展,促进了陆面数据同化系统的研究。本世纪初,随着北美(全球)陆面数据同化系统的建立,利用卫星、雷达数据同化地表土壤水分、地表温度、能量通量等工作正逐步展开。与此同时,陆面数据同化的研究也已经成为当前陆面过程和水文过程研究的热点。以北美(全球)陆面数据同化系统、欧洲陆面数据同化系统、中国西部陆面数据同化系统为例,对当前陆面数据同化系统的基本框架作了详细介绍;并指出了当前陆面数据同化系统发展中有待解决的若干问题。     

小集合数条件下的数据同化策略研究

基于集合的数据同化方法近年来得到广泛的重视和研究,已经逐步实验在业务大气数据同化系统中来替代变分类方法。集合Kalman滤波方法高度依赖于集合的大小,集合数过小会带来欠采样,协方差低估,滤波发散和远距离的虚假相关等问题。局地化技术可以有效改善小集合带来的相关问题。在Lorenz-96模型的基础上,研究有无局地化的效果差异,探讨小集合条件下的局地化技术的优劣性;提出一种基于功率谱密度（PSD）判断集合数据同化效果的办法。实验证明：在有限集合数下,采用Kalman增益值和PSD可以评价同化效果,结合局地化技术,可以获得效率更高的同化算法。     

基于Lorenz-63模型的状态与参数同时估计方法对比研究

模型状态同化精度受多种方面因素的影响,针对状态同化中模型参数的不确定性问题,状态与参数同时估计为此提供了一种较好的解决方案,即在进行状态同化的过程中得到合理的参数估计值。在Lorenz-63模型的基础上构建状态与参数同时估计框架,比较分析增广集合卡尔曼滤波(AEnKF,Augmented Ensemble Kalman Filter)、双重集合卡尔曼滤波(DEnKF,Dual Ensemble Kalman Filter)和同时优化与同化方法(SODA,Simultaneous Optimization and Data Assimilation)在集合数、观测误差和观测数不同时的参数和状态估计结果差异,由此探讨3种方法的优劣及适用性。研究结果表明:3种方法都能较好地估计模型的状态和参数,AEnKF的误差在集合数不大于20时最大,随着集合数增加降低的速率最小;3种方法的RMSE值随观测误差的增大而增大,但算法间差异不大;观测数变为1时3种方法的结果都变差,其中AEnKF最明显。     

融合支持向量机算法的数据驱动型数据同化方法研究

数据驱动建模是从数据中探究状态变量的时空演化关系。数据驱动型数据同化方法是探索使用数据驱动模型替代传统（基于物理的）模型,实现优化融合观测信息与模型模拟的同化方法。研究将数据驱动的支持向量机回归预测模型应用于集合卡尔曼滤波过程中,使用模拟预测方法对动力学系统进行非参数采样得到系统轨迹的代表性样本集,从样本集中重构动力学系统。提出一种支持向量机回归机器学习模拟预测策略的数据驱动数据同化方法,并将其应用于经典模式驱动同化系统。采用Lorenz-63和Lorenz-96非线性模型进行数值实验。通过改变样本集大小、噪声方差和观测步长等敏感性参数比较数据同化性能。结果表明：对于较大的样本集,该组合方法优于一般的顺序数据同化方法,从而证明新方法的有效性。     

基于水声信道的海洋环境信息数据同化方法研究

水声信道的仿真与海洋中各参数密切相关。海洋参数获取的准确性在很大程度上决定了水声信道仿真的准确性。海洋参数的获取是关系到水声特性和信号传播研究的重要物理量。海洋环境参数的获取有多种方法,例如,浮标直接观测或根据以往资料和经验进行预测等。数据同化技术可以对不同方式获取的信息进行同化,并将不同性质的数据进行有效组合,以提高海洋参数估计的精度。研究了基于海洋环境信息的数据同化方法,对浮标观测直接获得的海洋温度数据集利用数据同化方法进行改进。考虑到获取观测数据的难度,采用Argo实时数据中心提供的数据集。通过仿真模拟分析了同化后的海温与直接获得的观测数据之间的差异,对直接观测得到的海温进行了修正,给出了同化后的结果。结果表明,数据同化技术能够综合考虑不同观测手段中各观测要素的不确定性,通过考虑数据获取时的误差,可以精准地估计海洋温度,为海洋温度的准确获取提供了有力的数据支撑。     

欧洲陆面数据同化系统组成,系统设计和原理简介

随着技术的进步,地球系统科学的发展,地——气系统的复杂性的进一步研究,对地表物理场精度的需求越来越高。而观测和模拟作为获得地表数据的两种基本手段,由于其各自的局限性,其精度已经不能满足进一步研究的需求,在这样的背景下,陆面数据同化系统逐步发展起来。本文主要介绍了世界主要的陆面数据同化系统之一——欧洲陆面数据同化系统。此系统采用的强迫数据是根据欧洲的实际情况由欧洲中心自行生产的一套数据,同时在欧洲不同的机构它们采用了不同的陆面过程作为欧洲陆面数据同化系统的核心,它们还将卡尔曼滤波和变分方法结合生产了一套独特的同化方法。并对此系统进行了验证和实例应用。     

基于数据同化的图像融合方法研究

数据同化凭借其在数值预报中将观测数据与理论模型相结合的特点,目前广泛应用于遥感图像处理及图像融合领域。文中介绍了数据同化的含义和数据同化系统的构成,并分析了其应用于图像融合的原理;结合现有的研究成果着重分析了数据同化框架下结合不同优化算法的图像融合方法,并对其进行分类比较,给出了各方法的优缺点和研究成果及应用;最后在总结了各种基于数据同化的图像融合方法普遍存在的问题的基础上,探讨了进一步发展与研究的方向。     

粒子滤波算法在数据同化中的应用研究进展

数据同化能将观测数据和模型模拟有机结合,优势互补,成为全球环境变化研究的重要方法之一。在数据同化算法的发展过程中,粒子滤波算法不受模型线性和误差高斯分布假设的约束,成为当前数据同化算法研究的重点。通过对粒子滤波算法在数据同化中应用研究进展的相关文献进行收集、整理和归纳,总结了粒子滤波算法的优势及在数据同化中的应用,并分析了粒子滤波算法应用于数据同化时所存在的主要问题和相应的解决方法,最后展望了未来的研究重点及发展趋势,为深入开展粒子滤波算法研究、使之更好地应用于数据同化领域提供理论依据。     

基于双EnKF的土壤水分与土壤属性参数同时估计

为提高土壤水分数据同化结果的精度,将基于双集合卡尔曼滤波(Dual Ensemble Kalman Filter,DEnKF)的状态-参数估计方案与简单生物圈模型(simple biosphere model 2,SiB2)相结合,同时更新土壤水分和优化模型参数(土壤属性参数)。选用2008年6月1日~10月29日黑河上游阿柔冻融观测站为参考站,开展了同化表层土壤水分观测数据的实验。研究结果表明:DEnKF可同时优化土壤属性参数和改进土壤水分估计,该方法对表层土壤水分估计的精度0.04高于EnKF算法的精度0.05。当观测数据稀少时,DEnKF算法仍然可以得到较高精度的土壤水分估计,3层土壤水分的估计精度在0.02~0.05之间。     

Assimilation of remotely sensed data for improved latent and sensible heat flux prediction: A comparative synthetic study

Predicted latent and sensible heat fluxes from Land Surface Models (LSMs) are important lower boundary conditions for numerical weather prediction. While assimilation of remotely sensed surface soil moisture is a proven approach for improving root zone soil moisture, and presumably latent (LE) and sensible (H) heat flux predictions from LSMs, limitations in model physics and over-parameterisation mean that physically realistic soil moisture in LSMs will not necessarily achieve optimal heat flux predictions. Moreover, the potential for improved LE and H predictions from the assimilation of LE and H observations has received little attention by the scientific community, and is tested here with synthetic twin experiments. A one-dimensional single column LSM was used in 3-month long experiments, with observations of LE, H, surface soil moisture and skin temperature (from which LE and H are typically derived) sampled from truth model run outputs generated with realistic data inputs. Typical measurement errors were prescribed and observation data sets separately assimilated into a degraded model run using an Ensemble Kalman Filter (EnKF) algorithm, over temporal scales representative of available remotely sensed data. Root Mean Squared Error (RMSE) between assimilation and truth model outputs across the experiment period were examined to evaluate LE, H, and root zone soil moisture and temperature retrieval. Compared to surface soil moisture assimilation as will be available from SMOS (every 3 days), assimilation of LE and/or H using a best case MODIS scenario (twice daily) achieved overall better predictions for LE and comparable H predictions, while achieving poorer soil moisture predictions. Twice daily skin temperature assimilation achieved comparable heat flux predictions to LE and/or H assimilation. Fortnightly (Landsat) assimilations of LE, H and skin temperature performed worse than 3-day moisture assimilation. While the different spatial resolutions of these remote sensing data have been ignored, the potential for LE and H assimilation to improve model predicted LE and H is clearly demonstrated.     

基于扩展卡尔曼滤波的测量系统数据分析

为消除误差和随机干扰对测量数据的影响。利用扩展卡尔曼滤波算法对测量数据进行处理,并提出基于扩展卡尔曼滤波算法的不可信点判断方法对测量数据进行野值剔除。两种方法结合运用,可以在保留数据特征的基础上,提高数据的精度,更好地反映测量目标的性能。     

Data assimilation: From photon counts to Earth System forecasts

Data assimilation - the set of techniques whereby information from observing systems and models is combined optimally - is rapidly becoming prominent in endeavours to exploit Earth Observation for Earth sciences, including climate prediction. This paper explains the broad principles of data assimilation, outlining different approaches (optimal interpolation, three-dimensional and four-dimensional variational methods, the Kalman Filter), together with the approximations that are often necessary to make them practicable. After pointing out a variety of benefits of data assimilation, the paper then outlines some practical applications of the exploitation of Earth Observation by data assimilation in the areas of operational oceanography, chemical weather forecasting and carbon cycle modelling. Finally, some challenges for the future are noted.