论文部分内容阅读
集合卡曼滤波(EnKF)利用蒙特卡罗方法统计背景场的误差协方差矩阵,解决了卡曼滤波在数据同化时需要对模型算子和观测算子线性化的缺点,易于使用,被广泛地应用到陆面数据同化中来估算土壤湿度廓线。EnKF虽然可以用非线性模式产生集合背景预报场,但是最优分析场是建立在模式误差间关联为线性且误差为高斯分布的假设上,而实际土壤湿度方程为高度非线性。同时,土壤湿度又存在固定取值范围；过干和过湿都会造成集合样本偏斜。为了考查这些不利因素可能的影响,特引入非线性粒子滤波,来定量比较它们在估算土壤湿度廓线的速度和精度等方面异同。首先,本论文引入了基于贝叶斯原理计算粒子的后验概率分布的粒子滤波中采样重要性重采样算法(Sampling importance Resampling, SIR),它不需模式误差为正态以及误差为线性关联的假设,并且可以提供误差分布的高阶矩信息；它在更新背景场样本时每个粒子的权重不同,而集合卡曼滤波粒子的权重都是相同的。其次,为了评估土壤湿度样本在土壤过干或过湿时出现的偏斜性甚至双模态,考虑到西北黄土高原陆面过程的重要性,本论文选取黄土土壤的逐渐变干过程来进行观测模拟同化试验。最后,选用2003年土壤湿度试验(SMEX03)的站点观测资料进行实际大气观测驱动下同化试验。通过上述实验可以得出：1、估算土壤湿度的EnKF同化方案虽然不满足集合卡曼滤波最优解需要的条件,但它却能快速地估算出土壤湿度廓线,加之所需粒子样本较少,计算量也较小；而SIR虽然无此限制,但只有在大样本的条件下才能达到相同的土壤湿度估算精度,因此无论从速度和计算量来看都比EnKF逊色。2、两者样本统计分布随同化过程也完全不同,EnKF的样本集合的边缘概率密度分布始终保持为一个单峰分布,而SIR方法的样本粒子却经历了从一个峰值到两个再到一个分布的变化过程。3、EnKF同化方案在改进土壤湿度廓线估计的同时也使计算的地表感热和潜热通量更接近真值。基于上述结论,EnKF基本满足陆面数据同化系统对同化算法的要求,可用于同化表层土壤湿度观测(或微波量温)来估算土壤湿度廓线。