论文部分内容阅读
流域水文过程研究对于水资源管理、农业管理和自然灾害防治等方面都有着重要的影响,但应用水文模型时常常会遇到参数难以率定、预测精度差等问题。利用数据同化技术能实时融合不同类型的观测数据,从而有效提高水文模型状态和参数估计的效果。本文总结了集合卡尔曼滤波(EnKF)算法的发展概况,基于半分布式水文模型SWAT建立了水文数据同化模型,并检验了该模型的计算性能;基于数值试验讨论了径流、土壤水、地下水位等多种观测集合的影响;基于美国的Little Washita流域的实际算例研究了不同来源、不同深度的土壤水观测对水文状态的影响。本文具体的研究内容和主要结论如下:(1)建立基于SWAT模型的水文数据同化算法,并进行了计算性能的验证。针对径流过程的主要状态和参数进行数据同化,试验证明EnKF算法能够有效地降低参数和状态的不确定性,提高模型的预测效果。(2)建立可融合多源观测的数据同化模型,基于数值试验分析了径流、含水量和地下水位等观测集合对于同化效果的影响:对于径流过程而言,仅需加入径流观测就能准确地估计径流和参数CN2;浅层含水量观测可以用于估计暴雨径流,但模拟垂向水分运动时会产生偏差,不能改善整个径流过程估计;由于地下水位的变化可以在一定程度上反映土壤的垂向运动信息,补充地下水位观测可以提高土壤水的估计效果。因此,采用多源观测能更为精确地模拟径流和土壤水分状态,可以考虑使用成本低、易获取的地下水观测来反映深层土壤水的变化情况。(3)基于数值试验讨论遥感土壤水数据在水文数据同化中的价值:同化表层土壤水能用于改善上层土壤水状态估计,但是随着土壤深度的增加,同化效果逐渐削弱。(4)基于美国Little Washita流域的实例,讨论不同来源、不同深度的土壤水观测和径流观测在水文数据同化中的价值:同化径流能有效的改善流域尺度上的径流状态模拟,减小雨季时各层土壤水估计的偏差,但是在旱季的更新作用比较有限;加入表层土壤水观测能够降低下层土壤的不确定性,且对于第二层土壤的作用最明显;同化多层土壤水能从一定程度上改善径流估计的偏差。最后总结了本文研究成果,并对需要进一步完善的研究方向提出了一些建议。