近年来,全球范围内的林火事件时有发生,且发生频率和过火面积成上升的趋势。林火的破坏力极大,大尺度的林火不但导致大规模人员的流离失所,还可能造成居民和消防员的伤亡、房屋和建筑的损毁,甚至会引起恶劣的社会影响和带来严重的生态灾难。实时有效地对大尺度林火蔓延进行预测,有利于合理地制定灭火战术和疏散策略,减少火灾所造成的损失。对于传统的火蔓延软件预测方法来说,给定初始火线位置、火场的地形和植被条件、风场等环境和气候条件,火蔓延的预测结果是确定的。然而,初始火线位置的不确定性、消防力量的干预、地形和植被数据的误差、风速大小和方向的变化等等,这些不确定性将导致传统方法的预测结果与真实火灾蔓延情况偏离较大,给应急救援带来不利后果。随着科技的发展,遥感技术的成熟,我们可以通过卫星或无人机获取火场的实时信息。把这些带有噪声的火线位置观测数据和火蔓延模型的预测数据相结合,通过数据同化方法,实时更新模型的状态和参数,减小模型的状态和参数误差,从而极大地提高林火蔓延预测的准确性。本论文研究目的是建立大尺度林火蔓延的数据同化预测的框架和系统,提出更贴合实际的状态和参数估计方法,并针对不利观测数据下的数据同化算法的进行改进。本文的具体工作如下:提出了基于集合的卡尔曼滤波与林火蔓延模型结合的数据同化预测框架,建立了林火蔓延的数据同化预测系统。该系统主要包括观测模块、数据同化模块、火蔓延模拟模块和控制层。观测模块,用来对观测数据进行输入;数据同化模块,由MATLAB语言编写,并编译成可执行文件;火蔓延模拟模块,是FARSITE的命令行第四版本;控制层,由Python语言编写,控制整个系统数据流的进程。在该系统上,测试了观测数据的误差变化时算法的可靠性。提出了集合转换卡尔曼滤波(ETKF)算法应用于林火蔓延的状态估计,ETKF克服了标准集合卡尔曼滤波需要人为扰动观测数据的局限。基于观测系统仿真试验,在风场条件已知和未知的情况下,比较研究了 ETKF和标准集合卡尔曼滤波在状态估计方面的性能。研究了包括过火面积、火线周长、火线位置等火蔓延行为的预测结果,并提出了用豪斯多夫距离(HD)这一相对于均方根误差(RMSE)更为保守的指标来评估数据同化算法的性能。结果显示,在风场条件已知时,ETKF和标准集合卡尔曼滤波,在处理初始条件误差和边界条件误差方面表现都较好。然而,在风场条件未知时,即还存在模型参数误差时,ETKF的预测值和分析值都明显比标准集合卡尔曼滤波的结果更接近真实值。突出体现了 ETKF在误差来源较多时这一更符合实际情况时的应用优势。提出了估计火线位置和燃料调节因子的状态和参数同时估计策略。火线位置的估计是减小模型状态误差的关键,燃料调节因子的估计是减少模型参数不确定性的重要组成部分。为此,我们仍采用基于ETKF的算法对火线位置进行修正,采用基于Monte Carlo的径向基函数神经网络(RBFNN)估计燃料调节因子。通过FireFlux Ⅰ实验和Camp Fire火灾事件的数据进行了验证,结果表明所提出的状态参数估计策略能够提高预测精度,突出了所提出的状态-参数的估计策略的优点。火线位置的估计能够检测到大尺度林火的飞火和合并,并更新火线位置。并动态确定燃料调节因子,充分模拟了林火发展的不同阶段(如“爆燃”阶段)。此外,基于Monte Carlo的RBFNN具有较低的计算成本,有助于应急救援时的决策,该方法具有较强的实用性。系统研究了在不利观测数据下ETKF算法的改进方法。在林火蔓延数据同化预测中通常假定火线位置观测数据是完整的。另外,传统意义上的观测误差也假定只有一个不确定度。由于仪器故障或火灾引起的热烟羽流或云层的存在,飞机或卫星装载的探测器所获得的林火位置的观测数据可能是不完整的和/或观测数据误差方差存在空间变化。为了克服这些问题,我们引入了一个点权值来修正“推进”项,以弥补ETKF算法在处理这类观测数据上的不足。在没有观测或观测数据可信度较低的对应预测的火点处,我们可以调整将预测火线位置推向观测火线位置的程度。通过一系列的观测系统仿真实验,比较了基于点权的ETKF(VWETKF)与ETKF的性能,验证了 VWETKF灵活的空间分布的状态估计的优越性。我们考虑了一个实际可能发生的情况,即观测到的火线是真实火线的某一部分,并且/或部分观测数据受到较大的噪声。结果表明,具有新的“推进”项的VWETKF提高了分析和预测火线位置的准确性。