论文部分内容阅读
全球变化对人类生存和发展影响日益突出，为了更好地监测并预测全球变化，在地球系统科学领域形成了将观测与模拟结合的技术框架，在这个技术框架中发展产生了数据同化的概念。数据同化是在数值模型的动态运行过程中不断融入新的观测数据的方法。数据同化在数据时空分布、模型和观测数据误差估计的基础上，不断融入观测数据，其目标是生成具有时间、空间和物理一致性的数据集。数据同化一方面能够综合利用观测和模型信息提高状态量的精度，另一方面能够获得其它参量的时空分布与变化信息，而这些参量通常是难以观测或无法观测得到的。数据同化的这两个特性使得数据同化成为当前全球变化和地球系统科学研究的研发热点之一。 根据研究对象不同，数据同化又划分为大气、海洋和陆面数据同化。论文选择陆面数据同化作为研究重点。与大气、海洋数据同化相比，陆面数据同化起步较晚，研究也存在较大难度，主要原因在于陆地表面复杂性、物候变化背景和人类活动等因素的影响。在陆面数据同化研究中，论文将陆面数据同化系统技术框架概括为陆面过程模型、驱动陆面过程模型的基础参量、数据同化算法和观测数据等四个组成部分。其中，陆面过程模型是数据同化的物理模型和框架的核心，在论文研究中选择了应用可变渗透能力模型(VariableInfiltrationCapacity，VIC)模型，没有将陆面过程的驱动模型作为研究重点，主要原因在于建立以物理模型为基础的陆面过程模型需要大量的理论和实验积累，通过一个博士论文研究很难达到这个水平;同时，国际陆面过程模型比较计划(ProjectforInter-comparisonofLandSurfaceParameterizationSchemes，PILPS)证实:相比于其它陆面过程模型，VIC水文过程模型能更好地体现陆面水分和能量平衡，是当前NASA的北美陆面数据同化系统、全球陆面数据同化系统等陆面数据同化系统作为首选模型之一。在论文研究中，充分发挥研究团队过去十多年间在现代智能图像处理算法开发方面的理论储备和技术积累，将数据同化算法作为研究重点。 早期的陆面数据同化算法主要借鉴予大气和海洋数据同化算法，随着陆面过程模型的建立和应用，要求数据同化算法与陆面过程模型协同计算，既能客观反映其非线性特征，又能保持观测数据原始特性。针对这些协同计算问题，一些学者在现代智能方法研究成果中挖掘和探索新的突破，近年来研究成果不断发表，并成为数据同化研究领域的增长点。因此，在全面综述数据同化算法的基础上，确定了论文选题为《陆面数据同化中的智能算法研发与实验》，选择了集合卡尔曼滤波、粒子滤波和层状贝叶斯网络等算法作为研发与实验的内容，并且将论文的特色与创新聚焦在以下四个方面: 第一、提炼概括陆面数据同化四位一体框架，在研究框架内确定论文研究聚焦在数据同化算法方面，并梳理提出了智能数据同化算法需要满足的基本条件; 第二、进行了VIC水文过程模型从时间优先到网格优先运行模式的应用性改进，开发了EnKF算法，利用EnKF算法实现站点观测数据、遥感数据与ⅥC水文过程模型的数据同化实验，生成土壤水分产品，并对实验结果进行分析; 第三、引入了改进的残差重采样粒子滤波算法，克服了粒子滤波算法同化递推过程中粒子退化与贫化问题，使有效粒子数从20％提高到了80％以上，保证返回VIC水文过程模型的粒子的有效性和多样性，提高了同化实验结果的稳定性和可靠性; 第四、构建了动态层状贝叶斯网络算法和基于多尺度空间模型的层状贝叶斯网络算法，在算法机制中增加了网格的空间依赖性与参数动态估计，得到所有尺度、所有网格土壤水分后验概率分布，为获得区域土壤水分同化产品提供了新技术途径。