基于多源遥感土壤湿度与模型数据同化的流域径流模拟

为提升径流模拟精度,以秦淮河流域为例,采用集合平均法将SMAP、SMOS、AMSR2卫星遥感土壤湿度融合并利用地形湿度指数进行空间降尺度处理,采用卡尔曼滤波算法和栅格新安江模型进行遥感融合土壤湿度同化。对2016—2018年秦淮河流域3个流量站记录的11场洪水进行模型数据同化的结果表明：日尺度率定期洪峰、径流深相对误差合格率均为71.43%,验证期洪峰、径流深相对误差合格率分别为66.67%和100%;经同化后,8场洪水径流深误差减小,平均误差降低29.01%;8场洪水确定性系数增大,范围在0.01～0.09之间,模拟精度最高可提升11.84%;同化多源遥感土壤湿度能有效改善土壤湿度估计的准确性,进而提升径流模拟精度。     

基于数据同化的降雨数值空间分布模拟研究

降雨数值模拟是延长水文预报预见期的重要方法,但由于降雨数值模拟中驱动数据所提供的初始场和边界场条件和大气的实际状态并不是完全吻合,导致模拟结果存在误差。减小降雨数值模拟的误差是提高水文预报精度的关键问题,特别是在大气数值模式和分布式水文模型耦合模拟过程中,高精度的降雨信息是准确模拟的关键。本文基于WRF模式和三维变分数据同化方法,选取雷达反射率和GTS(Global Telecommunication System)数据作为同化资料,开展基于数据同化的降雨数值空间分布模拟研究,从降雨的空间展布和指标评价两方面对同化前后的模拟结果进行对比。结果表明:同化后的模拟数据在CSI指标和RMSE指标上都优于同化前的模拟数据,说明同化后模拟数据的误差小于同化前的误差;将同化前后的数据展布在网格图中,发现同化后的数据可以更加准确地刻画降雨的空间分布规律,说明通过数据同化方法提高了模拟降雨和实际降雨空间分布的一致性,改善了WRF模式模拟降雨空间分布的能力。     

基于CCI资料与EnKF方法的单点土壤湿度同化

土壤湿度作为天气、农林业、水循环研究中重要的地球物理参数,对气候变化有重要影响。陆面数据同化发展较晚,研究集中在同化土壤/积雪的常规观测与遥感观测来提高土壤湿度廓线/雪水当量的估计精度。卫星遥感资料的同化是一个研究热点,同化遥感数据对提高土壤湿度估计精度有积极的作用。基于CLM4.0(Common Land Model 4.0)陆面过程模式,采用集合卡尔曼滤波(EnKF)同化方法,在美国内布拉斯加州地区的Clay Center、Red Cloud及Grand Island观测站点进行了3个单点同化实验,同化的观测数据是由CDF(Cumulative Distribution Function)技术匹配调整后的卫星遥感资料——CCI(Climate Change Initiative)数据,同化分析实验时间为2008年5月1日至2008年10月31日,利用站点实测数据对0~2cm土壤湿度的同化结果与间接受其同化影响10cm处的土壤湿度估计值进行了验证。结果表明:通过单点同化卫星遥感资料的方法可以提高表层土壤湿度的估计精度,并且受其同化影响,靠近同化层的土壤,其土壤湿度的估计精度也得到提高。     

基于多源数据同化融合的尼洋河降水时空分布特征

地理位置处在我国高寒山区的尼洋河流域地面气象观测站点极少,是典型的缺资料地区,卫星降水数据产品是降水数据的重要补充。由于卫星降水数据在获取上的间接性及本身的不确定性,数据精度问题一直是阻碍其有效应用的主要因素。基于集合卡尔曼滤波(EnKF)同化算法,选取TRMM、CHIRPS、Cmorph_V1.0、PERSIANNCDR及Gldas_Noah 5种卫星降水产品,在对其与林芝站网格区域实测降水进行精度分析的基础上,进一步进行多源降水数据同化与融合。结果表明:同化后5种卫星降水产品与实测降水量的相关系数CC均在0.98以上,BIAS均在10%以下,ME在同化后均小于0.2mm/d,RMSE均小于0.6mm/d,EnKF的同化效果显著。将同化后的5种降水与原卫星降水之间的误差序列推广至全流域,从而获得全流域的5种同化降水用于融合,融合后的降水数据综合了5种降水数据产品在精度指标的各自优势,其精度和可靠性更高。利用克里金插值法对融合后的降水进行尼洋河降水时空分布特征分析,结果显示年降水量空间上由中部向四周逐渐递减,时间上呈现逐年增加的趋势。通过对卫星降水数据进行同化及融合,在提升降水数据产品精度的同时提供了满足水文模拟及水资源管理需求的时间序列数据,具有重要的应用价值。     

基于EnKS和SWAT模型的闽江流域径流数据同化

地表水文过程中观测变量对状态变量的响应存在时间滞后性,为提高径流数据同化的精度,以闽江流域为研究区,基于集合卡尔曼平滑器（EnKS）和SWAT模型,构建径流数据同化方案,并与集合卡尔曼滤波（EnKF）方法进行对比,评价不同同化模型的精度,分析数据同化对不同径流分量的影响。结果表明：EnKS最优时间窗口长度在不同水文周期、流域存在差异;考虑水文模型的时间滞后性可以有效提高模型的同化精度,对比EnKF方法,EnKS方法的纳什效率系数(NSE)在七里街、沙县、竹岐3个站点上分别提升了0.03、0.12、0.03,均方根误差(RMSE)分别减小了7.43%、26.81%、4.25%;数据同化方法对不同径流分量的改进程度存在空间异质性和时间异质性,在高渗透率土壤和陡坡区域EnKS方法能使壤中流获得更显著的改进,丰水期EnKS方法对地表径流的改进较枯水期更明显。     

基于数据同化的深水湖库水温中短期预报

深水湖库的水温分布与演化影响着水体运动、生化反应和水生生物的新陈代谢过程,在中短期时间尺度上预报水温变化对湖库水质管理与生态环境安全十分必要。本文基于集合卡尔曼滤波算法与CE-QUAL-W2模型,构建可综合考虑模型参数、边界条件以及观测数据不确定性的湖库水温数据同化系统,利用水库调度数据与气象数据作为预报条件,将该系统应用于大黑汀水库进行1～10 d的中短期水温预报。结果表明：当集合数为100、模拟误差和观测误差分别为10%和1%时,同化系统能够兼顾较高的计算效率与模拟精度。同时校正模型参数和状态变量,能够使数据同化系统在不同水深处的水温模拟精度较无数据同化模拟结果提升41.2%～68.8%。随着预报期由1 d延长至10 d,各水深的预报误差由0.22～0.35℃增大至0.77～1.09℃。无论水库处于分层期或混合期,数据同化系统均能够在预报期内的气象条件及水库调度等内外部因素驱动下维持较高的准确性,高精度的水温中短期预报方法可以为湖库供水与生态安全提供理论与技术支撑。     

改进的TVGM模型在辽东中小河流洪水预报的应用

辽东地区中小河流站点占全省总数的50%,区域降雨径流非线性显著,传统线性模型预报精度均难以达到理想效果。为提升预报精度,本文以桥头水文站为例,探讨改进的非线性时变增益模型(TVGM模型)在区域预报的适用性。结果表明:改进的模型由于增加降雨强度及初期土壤含水量两个变量,洪水模拟精度综合评定可达乙级标准,相比于模型改进前,径流深及洪峰误差均值分别降低13.5%和9.9%,预报精度及预见期均得到明显改善。     

白洋淀浮游生物群落动态变化与生物量模拟研究

为探究白洋淀浮游生物群落结构动态特征及其关键影响因子，基于2017年秋，2018年春、夏3个季节的水环境因子与浮游生物野外采样调查结果，采用冗余分析(ＲDA)、广义可加模型(GAMs)等方法探究了白洋淀不同季节的浮游生物群落动态变化，建立了浮游植物生物量与环境因子的非线性关系并进行了率定验证。结果表明:与1992年白洋淀干淀后重新蓄水时相比，浮游植物与浮游动物物种数分别下降了59%与37%，优势群落从绿藻门转化为蓝藻门。根据ＲDA排序结果可知，温度、透明度是影响浮游生物丰度的关键环境因子。运用GAMs构建了环境因子与浮游植物生物量的定量模型，最优模型结构为Biomass-phy～s(T)+s(TN)+s(Cond)+s(Biomass-zoo)+s(Biomass-pro)+te(Biomass-pro_TN)+te(Biomass-pro_Cond)+te(Biomass-pro_Biomass-zoo)。将2019年6月采样数据进行模型验证，计算模拟效果良好，实现了对浮游植物生物量的定量模拟，能够为白洋淀生态恢复与保护提供决策支持。     

基于PINNs的圣维南方程组数据同化方法

为提高河道水位流量数据同化的智能化水平,基于物理信息神经网络(PINNs)提出了圣维南方程组的数据同化方法。采用双输出网络结构解决双输出方程组的同化问题,以模拟的实测数据作为边界条件和初始条件,通过消融试验验证网络中加入时空映射缩放和平衡权重系数对同化模型的有效性,以及所提出同化方法在部分测值缺失情况下的鲁棒性。结果表明,一维非恒定流圣维南方程组的数据同化结果与Preissmann四点隐式差分法结果一致,且随着同化断面数量的增加,所获得的同化精度也稳步提升;基于PINNs的圣维南方程组数据同化方法有效,对非恒定流模拟具有较强的适应性。     

水文集合数据同化系统参数对同化效应的影响研究

集合数据同化近年来被引入水文研究中,并得到了较为广泛的应用。而集合数和误差是该类算法同化时的重要变量,影响同化的效果和决定计算的消耗。以一个水文模型蒸散发数据同化系统(Evapotranspiration Data Assimilation System,EDAS)为例,借助均方根误差(Root Mean Square Error,RMSE)、皮尔逊相关系数(Pearson Correlation Coefficient,PCC)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)等作为评价指标,利用移动步距法研究了集合数、误差的大小变化过程对数据同化结果的影响。研究发现,当集合数大于100时、模型误差方差和观测误差方差分别稳定在0. 05和0. 006时同化结果较为合理。研究成果可为集合同化的参数分析与率定提供借鉴。     

An Experimental Study on Evapotranspiration Data Assimilation Based on the Hydrological Model

The accurate estimation of watershed evapotranspiration (ET) has been a research hotspot in the field of hydrology and water resources for a long time. This study aims to develop a new comprehensive method integrating the advantages of the hydrological model and remote sensing data for improving the daily ET processes simulation. For the purpose, a data assimilation (DA) approach was established on the basis of a physical-based hydrological model, Distributed Time Variant Gain Model (DTVGM). Due to the calculation of ET by using soil moisture recurrence relations in distributed hydrology model, ET was expressed by state variables, in combine with the remote sensing data of ET through a two-layer model, by using ensemble Kalman filter (EnKF) for ET assimilation and constructed a ET assimilation system based on DTVGM, obtained more accurate continuous time series values of ET. Applied in Beijing Shahe River Basin, the DA approach made the simulation shift towards the remote sensing results. According to the verification based on the measurement data of the flux station, the mean absolute percentage error of the DA-based ET was reduced from 25.8 to 8.2 % in No. 1 hydrological unit. The DA approach improved the ET simulation accuracy of hydrological model, and provides a new effective method for daily ET estimation.     

Improved thermal structure simulation and optimized sampling strategy for Lake Erie using a data assimilative model

Lake Erie has experienced substantial environmental issues (e.g., hypoxia, harmful algal blooms) for decades, which are closely related to the lake’s thermal characteristics. While three-dimensional (3D) hydrodynamic models have been widely applied to Lake Erie, challenges remain due to model representation of physical processes, errors and uncertainty in boundary conditions and forcing terms. The Great Lakes region has a relatively dense and long-term observational record, and these observational data have been used for model initialization and verification, but have not been incorporated into 3D model simulations through data assimilation (DA) to create reanalysis products or improve short-term forecasts. In this work, we developed and evaluated DA to improve thermal structure simulation of Lake Erie. Moored instrument data and satellite data are incorporated into a data-assimilative hydrodynamic model for analysis and evaluation. Results show that DA can effectively improve the model performance to create reanalysis fields when the DA formulation is appropriately developed in recognition of the dynamic complexities and anisotropic error covariances of Lake Erie. The data assimilative model also improves forecasting accuracy and restrains forecasting uncertainty to an acceptable level on a timescale of 1–7 days after being unleashed from DA. Lastly, data sampling strategies based on an error correlation map are examined. Results show the method can effectively reduce the sampling effort while still achieving similar model skills with potential for optimal design of an observation network or field sampling strategy.     

基于多源遥感数据的森林生物量估算模型研究

探讨了利用光学遥感图像HJ1B和多极化L波段微波遥感数据ALOS/PALSAR建立森林生物量估算模型的方法,利用统计回归方法建立了4种模型:1利用雷达图像ALOS/PALSAR后向散射系数和实测生物量建立的生物量回归模型;2利用多光谱图像HJ1B进行混合像元分解(spectral mixture analysis,SMA)后的组分图像与雷达图像ALOS/PALSAR进行图像融合建立的生物量回归模型;3利用多光谱图像HJ1B进行混合像元分解后的组分图像与实测生物量建立的生物量回归模型;4利用HJ1B图像的NDVI指数与实测生物量建立的生物量回归模型。对4种模型估算的生物量进行了对比分析。结果表明:第2种方法融合后图像与森林地上生物量之间存在较好的定量关系,估算生物量与实测生物量一致性较好,估算生物量精度优于其他模型结果。利用光学和微波图像协同遥感能够有效地提高森林生物量估算的精度,但并非所有的融合方法都能提高生物量估算的精度。利用雷达和光学图混合像元分解法进行植被生态系统监测研究具有一定的应用潜力。     

Spatial-temporal variability of in situ cyanobacteria vertical structure in Western Lake Erie: Implications for remote sensing observations

Remote sensing has provided expanded temporal and spatial range to the study of harmful algal blooms (cyanoHABs) in western Lake Erie, allowing for a greater understanding of bloom dynamics than is possible through in situ sampling. However, satellites are limited in their ability to specifically target cyanobacteria and can only observe the water within the first optical depth. This limits the ability of remote sensing to make conclusions about full water column cyanoHAB biomass if cyanobacteria are vertically stratified. FluoroProbe data were collected at nine stations across western Lake Erie in 2015 and 2016 and analyzed to characterize spatio-temporal variability in cyanobacteria vertical structure. Cyanobacteria were generally homogenously distributed during the growing season except under certain conditions. As water depth increased and high surface layer concentrations were observed, cyanobacteria were found to be more vertically stratified and the assumption of homogeneity was less supported. Cyanobacteria vertical distribution was related to wind speed and wave height, with increased stratification at low wind speeds (<4.9 m/s) and wave heights (<0.27 m). Once wind speed and wave height exceeded these thresholds the assumption of vertically uniform cyanobacteria populations was justified. These findings suggest that remote sensing can provide adequate estimates of water column cyanoHAB biomass in most conditions; however, the incorporation of bathymetry and environmental conditions could lead to improved biomass estimates. Additionally, cyanobacteria contributions to total chlorophyll-a were shown to change throughout the season and across depth, suggesting the need for remote sensing algorithms to specifically identify cyanobacteria.     

ASTER卫星影像在太湖水质空间分异分析中的应用

利用ASTER卫星影像针对太湖的部分水域水质进行研究,首先根据夏季与影像同期太湖水体主要为竺山湖水域和梅梁湖水域中的水质实测数据,进行聚类分析和主成分分析,发现太湖水体主要受到悬浮物和藻类物质的污染,其他污染指标与它们之间存在着紧密的联系,所以针对水质的遥感分析也以这两类污染指标为主。对太湖的部分水域水质的遥感影像进行处理,用水体指数掩膜将水体从背景中分离,监督分类将水体按污染物成分与含量不同分成6类:近岸水(相对干净水体)、泥沙污染(泥沙较多)、泥沙和藻类混合、混沙水(泥沙少量)、混藻水(藻类少量)和藻类污染(藻类较多)。分类的总精度为84.796 5%,Kappa系数为0.817 4,统计出各污染类型水域的面积,发现太湖的污染物主要为泥沙类,其次为藻类。在太湖沿岸水域受泥沙污染较严重,且具有一定的扩散趋势;太湖中、东部受藻类的污染较严重。用NDVI提取藻类污染区,结果与监督分类的相符。最后结合遥感图像水体周围状况以及实际统计资料对太湖水质的污染成因作了分析。     

贵州百花湖叶绿素a高光谱监测模型研究

为对百花湖的叶绿素a浓度进行高光谱模型监测,以更高效和在更大范围内监测湖水富营养化状况,结合百花湖水体的具体情况,对湖区水体布置采样点进行监测,获取了2012年4月和12月的实测水体高光谱数据和叶绿素a浓度数据。通过对获取数据的处理和分析,提取了叶绿素a的敏感波段并建立了叶绿素a浓度与水体光谱反射率相关模型。分析结果发现:1百花湖叶绿素a的敏感波段为706,707,678 nm和679nm,且敏感波段的组合运算可提高光谱数据与叶绿素a浓度之间的相关显著性;2通过对模型精度的对比分析,发现用(706+707)/(678+679)波段组合所建立的线性模型对叶绿素a浓度的反演精度最高;3以4月份的数据建立的模型经12月份的数据验证,精度也较高,说明该模型在一定范围内不受时间限制,可用来对百花湖叶绿素a的浓度进行及时监测。     

太湖蓝藻水华和湖泛应急防控能力提升对策研究

本文通过回顾江苏省水利部门2007年以来太湖蓝藻水华及湖泛防控工作进展,总结了太湖蓝藻预警、打捞处置、藻泥利用以及规范化管理等方面的经验做法。同时,分析了现阶段太湖安全度夏面临的蓝藻生物量居高不下、应急防控成本增加、监管能力不足等难点问题,提出了加快骨干引排工程建设、提升蓝藻水华防控能力、加快构建信息化监管平台,以及健全应急防控标准体系等工作建议,为提升太湖应急防控工作水平提供技术支撑。     

基于HJ-1A CCD数据的湖泊叶绿素a浓度反演——以贵阳市百花湖为例

为及时、快速地获取百花湖叶绿素a浓度情况,形成具有可操作性的水质遥感监测技术,结合HJ-1A卫星数据与2012年4月实测的光谱数据,建立百花湖叶绿素a的遥感反演模型。结果表明:①第1波段和第2波段比值(B2/B1)与叶绿素a浓度的相关性最好,相关系数(R~2)为0.84。②利用波段比值构建的回归模型具有不错的反演效果,模型决定系数(R~2)为0.87,平均绝对误差(MAPE)为13%,均方根误差(RMSE)为4.32 mg/m~3;用12月份实测的数据对模型进行验证,效果也比较理想,说明该模型适用于百花湖冬、春季叶绿素a浓度的反演,在一定时间范围内具有一定的普适性。③百花湖湖边叶绿素a浓度高于湖心,分布趋势自北向南逐渐增加;④营养状态指数空间分布主要呈富营养化状态,富营养状态区域占全湖的85%,中营养状态区域仅占全湖的15%。叶绿素a反演及富营养化评价结果与实际分析情况相符,表明HJ-1A CCD数据可用于百花湖水质参数的遥感监测。     

近30年太湖沉水植物优势种遥感监测及变化分析

利用1985—1986年、1995—1996年、2004—2006年和2014—2015年多时相遥感影像数据,构建了水生植物分类决策树模型,结合沉水植物的生活史差异,研究太湖近30年沉水植物优势种的演替模式。4个时期的沉水植物遥感分类总体精度与Kappa系数依次为64.86%和0.59,70.83%和0.65,63.93%和0.50,64.94%和0.60。研究表明:1985—2015年马来眼子菜由东山湾向西山岛、东太湖向南太湖扩张,竺山湾、梅梁湾的苦草呈锐减的趋势,近年来梅梁湾的沉水植物只有菹草1种,湖心区一直未监测到沉水植物,东太湖沉水植物分布面积最广、种类最多。近30年太湖沉水植物演替主要经历4个阶段,依次为苦草-眼子菜型、小眼子菜型、金鱼藻-伊乐藻型和眼子菜-伊乐藻型阶段。水体富营养化和围网养殖是沉水植物演替的主要原因。     

鄱阳湖水动力模型的遥感验证研究

应用湖泊水动力模型EFDC模拟了鄱阳湖2009-2011年的水动力过程。结果表明:模拟日平均水位及流量与水文站观测结果基本一致,相关系数达到0.94以上。针对现场观测数据单一匮乏的问题,借助遥感手段较为全面地验证分析了模型的实用性。通过雷达高度计ENVISAT RA-2和MODIS影像获取的水位、水体面积及淹水范围与模拟结果相关性较好,相关系数均达到0.83以上,证明该模型能够有效地揭示鄱阳湖高动态变化的水动力特征。此外,遥感手段也为模型的多角度长期验证提供了技术依据。