关键词:
土壤水分
数据同化
参数校正
偏差校正
误差估计
自动微分
摘要:
土壤水分在干旱监测、洪水预报和水资源管理中发挥着重要作用.数据同化方法能结合模型和遥感的优势,生产高精度、时空连续的土壤水分数据.目前,陆面数据同化面临的主要难题之一是模型和观测误差的准确估计.为此,我们前面提出了双循环同化算法,实现了模型和观测误差、模型算子和观测算子参数的同时估计.由于该算法需要设置较大的集合个数才能实现稳定的参数估计,导致参数估计效率低,限制了其在大范围陆面同化系统中的应用.为此,本研究通过:(1)采用二元数自动微分方法计算陆面过程模型(LSM)的雅可比矩阵以替代获取复杂的LSM的切线性模型;(2)采用扩展卡尔曼滤波(EKF)框架替代集合卡尔曼滤波框架,提高了双循环算法的参数估计效率.在模型积分步长为1h和参数优化窗口为90天的条件下,改进后的双循环算法参数优化效率提高近60倍.为检验双循环算法在区域尺度陆面数据同化中的效果,我们在青藏高原区域同化SMAP土壤水分产品,并利用四个不同地理气候环境下的土壤水分观测网数据验证同化结果.结果显示,在青藏高原区域,相较于基于默认参数的模型模拟结果,基于EKF改进的双循环同化算法能够校正模型参数和观测的偏差,估计的土壤水分精度更高,同时也提高了地表温度和蒸散发的估计精度.此外,相较于全球土壤数据中的沙土含量、黏土含量以及孔隙度,该方案得到的土壤参数空间分布更为合理.本研究改进的双循环算法有望进一步提高陆面、生态以及水文数据同化技巧.