论文部分内容阅读
摘要：近年来，全球环境变化对人类生存影响日益突出，伴随着人类认识水平的不断提高，越来越多的地球观测数据正有序合理地被分析和利用。数据同化方法为融合模型信息与观测信息的有力纽带，目前无论是在理论方法的研究还是实用同化系统的构建方面都取得了重要的研究进展。本文从数据同化的概念、同化方法以及目前正在发展的数据同化应用系统等方面入手，对数据同化进行了详细的阐述。
关键词：数据同化；概念；方法；应用系统
1引言
数据同化起源于20世纪中期，伴随着20世纪80年代全球对地观测能力的提高和全球环境变化研究的需求，数据同化作为联系观测数据和模型的桥梁日益引起关注。数据同化算法作为数据同化系统的重要组成部分在过去几十年间也取得了极大的研究进展，许多学者不断致力于将数学领域新的研究成果引入数据同化领域，变分算法、集合卡尔曼滤波等一系列经典数据同化算法被提出，并取得了广泛的应用。进入21世纪，以粒子滤波、贝叶斯方法为代表的智能算法相继被引入数据同化领域，推动数据同化发展到一个新的高度[1]。当前，作为地球系统科学研究的重要战略方法，数据同化已被广泛应用于大气、海洋、陆面、生态、水文等多个领域中。
2数据同化的概念
数据同化是一种综合模型和观测两种基本的地学研究手段的方法，指在考虑数据时空分布以及观测场和背景场误差的基础上，在数值模型的动态运行过程中融合新的观测数据的方法。它能够最大限度地利用不同来源、不同时间和时间采用各种手段获取到的观测数据，以调整数值模型的运行轨迹，控制模拟误差的积累，得到模型和观测的最优融合结果，同时模型也可得到优化。数据同化的本质就是将观测数据和数值模拟数据通过某种方法有效的结合起来，最后得到更加客观的、接近自然的分析结果。其核心思想是在动力学模型的框架内，不断地融合进各种新的观测信息，将过程模型和观测算子如辐射传输模型集成为不断根据观测来自动调整模型运行轨迹，逐渐减小预报系统的误差，从而获得更加准确的模型预报数据[3]。
3数据同化方法
数据同化起源于20世纪50年代，Charney利用主观分析法确定初值，使用涡度正压方程，首次实现了气象数值预报。随着计算机技术的发展，早期的依赖人工的主观分析已经发展到依靠计算机的客观分析。客观分析的主流方法先后经历了多项式拟合、逐步订正法、最优插值三个阶段。60年代随着卫星观测的增多，人们逐渐的把在客观分析中引入非常规卫星资料的过程称为“同化”（Assimilation）[4]。20世纪80年代，在对地观测技术和地球系统科学研究发展的推动下，尤其是随着遥感技术的发展，数据同化逐步转向解释并预测地球系统变化，数据同化算法也更注重将新的数学研究成果与地球系统科学的物理过程相结合，一系列新的数据同化算法相继被提出，主流算法包括变分算法、卡尔曼滤波系列算法，以及近几年来新兴起的基于贝叶斯理论的粒子滤波算法和层状贝叶斯模型，这些新算法推动了数据同化的进步[1]。
4数据同化系统应用领域
4.1大气数据同化
大气数据同化最初的基本含义是指：分析处理随空间、时间分布的观测数据，为数值预报提供初值场。大气数据同化方法的发展与对初值化问题的研究息息相关，初值化问题研究的不断深人，推动了大气数据同化方法的发展。初值化问题的提出使大气数据同化从三维（仅空间分布分析）转到四维（空间分布加时间分布分析），由静态转到动态。目前大气数据的定义是：揉合观测数据与模式解，为大气四维状态提供最优的估计。
4.2陆面数据同化
陆面数据同化是指在陆面过程模型的动力框架内，融合不同来源和不同分辨率的直接与间接观测，将陆面过程模型和各种观测算子集成为不断地依靠观测而自动调整模型軌迹、并且减少误差的预报系统。当前，陆面数据同化的研究主要为：在陆面模型和水文模型基础上，采用不同的数据同化算法同化地表观测资料、卫星和雷达数据，优化地表土壤水分、温度、地表能量通量等的估算。
4.3水文数据同化
水文数据同化是指将水文模型拟合结果与地面、遥感观测数据相融合，以不断更新水
文模型状态变量与参数，从而提高水文过程模拟和预报精度的方法。水文数据同化的数据对象按来源可分为两类：一是地面观测数据，包括降水、土壤含水量、积雪厚度、水位、流量；二是遥感观测数据，包括土壤含水量、地表温度、降水、蒸散发量、地面植被覆盖、积雪覆盖等，并且所使用的遥感数据多为卫星遥感数据。目前水文数据同化的研究目的包括估计土壤水分、改进降雨径流模拟、提高洪水预报精度、模拟地下水流运动以及估计河流水位等。
5结论
本文简述了数据同化的概念、方法以及数据同化的应用情况，数据同化方法在80年代更加注重将新的数学研究成果与地球系统科学的物理过程相结合，主流算法有变分算法、卡尔曼滤波系列算法等。进入21世纪，基于贝叶斯理论的粒子滤波算法和层状贝叶斯模型为代表的智能算法被引入数据同化领域，这些新算法推动了数据同化的进步。然而，在高维空间、多尺度、非线性、非高斯、复杂不确定性以及状态量空间相关性等多种因素的综合作用下，现有的数据同化算法的不足日益突出，针对上述问题的新的数据同化算法亟待被提出，这也是数据同化算法的发展方向。
相对于海洋科学和大气领域中的数据同化，陆面和水文数据同化虽然起步较晚，但目前数据同化问题已经越来越发展为水文遥感反演以及陆面过程等问题中的研究重点，已经被各界的学者进行了广泛的研究和探索。特别是在探索理论和方法以及建立应用同化系统等各种方面已经获得相当不错的进展。
参考文献：
[1]马建文，秦思娴.数据同化算法研究现状综述[J]. 地球科学进展，2012，27（7）：747-757.
[2]尤元洪.数据同化系统的误差处理方法研究[D].西北师范大学，2016
[3]陈荣元.数据同化框架下多源影像融合分割及协同研究[D].武汉大学，2010
[4]万卫星.中地纬电离层模拟和数据同化研究[D].中国科学院地质与地球物理研究所.2008
[5]高海沙.几种顺序数据同化方法的比较研究[D].西北示范大学，2013
[6]林行，黄容，高山红.大气数据同化方法的研究与应用进展
[7]黄春林，李新.陆面数据同化系统的研究综述[J].遥感技术与应用，2004，10（5）：424-430
[8]王文，寇小华.水文数据同化方法及遥感数据在水文数据同化中的应用进展[J].河海大学学报，2009，9（5）：556-562
关键词：数据同化；概念；方法；应用系统
1引言
数据同化起源于20世纪中期，伴随着20世纪80年代全球对地观测能力的提高和全球环境变化研究的需求，数据同化作为联系观测数据和模型的桥梁日益引起关注。数据同化算法作为数据同化系统的重要组成部分在过去几十年间也取得了极大的研究进展，许多学者不断致力于将数学领域新的研究成果引入数据同化领域，变分算法、集合卡尔曼滤波等一系列经典数据同化算法被提出，并取得了广泛的应用。进入21世纪，以粒子滤波、贝叶斯方法为代表的智能算法相继被引入数据同化领域，推动数据同化发展到一个新的高度[1]。当前，作为地球系统科学研究的重要战略方法，数据同化已被广泛应用于大气、海洋、陆面、生态、水文等多个领域中。
2数据同化的概念
数据同化是一种综合模型和观测两种基本的地学研究手段的方法，指在考虑数据时空分布以及观测场和背景场误差的基础上，在数值模型的动态运行过程中融合新的观测数据的方法。它能够最大限度地利用不同来源、不同时间和时间采用各种手段获取到的观测数据，以调整数值模型的运行轨迹，控制模拟误差的积累，得到模型和观测的最优融合结果，同时模型也可得到优化。数据同化的本质就是将观测数据和数值模拟数据通过某种方法有效的结合起来，最后得到更加客观的、接近自然的分析结果。其核心思想是在动力学模型的框架内，不断地融合进各种新的观测信息，将过程模型和观测算子如辐射传输模型集成为不断根据观测来自动调整模型运行轨迹，逐渐减小预报系统的误差，从而获得更加准确的模型预报数据[3]。
3数据同化方法
数据同化起源于20世纪50年代，Charney利用主观分析法确定初值，使用涡度正压方程，首次实现了气象数值预报。随着计算机技术的发展，早期的依赖人工的主观分析已经发展到依靠计算机的客观分析。客观分析的主流方法先后经历了多项式拟合、逐步订正法、最优插值三个阶段。60年代随着卫星观测的增多，人们逐渐的把在客观分析中引入非常规卫星资料的过程称为“同化”（Assimilation）[4]。20世纪80年代，在对地观测技术和地球系统科学研究发展的推动下，尤其是随着遥感技术的发展，数据同化逐步转向解释并预测地球系统变化，数据同化算法也更注重将新的数学研究成果与地球系统科学的物理过程相结合，一系列新的数据同化算法相继被提出，主流算法包括变分算法、卡尔曼滤波系列算法，以及近几年来新兴起的基于贝叶斯理论的粒子滤波算法和层状贝叶斯模型，这些新算法推动了数据同化的进步[1]。
4数据同化系统应用领域
4.1大气数据同化
大气数据同化最初的基本含义是指：分析处理随空间、时间分布的观测数据，为数值预报提供初值场。大气数据同化方法的发展与对初值化问题的研究息息相关，初值化问题研究的不断深人，推动了大气数据同化方法的发展。初值化问题的提出使大气数据同化从三维（仅空间分布分析）转到四维（空间分布加时间分布分析），由静态转到动态。目前大气数据的定义是：揉合观测数据与模式解，为大气四维状态提供最优的估计。
4.2陆面数据同化
陆面数据同化是指在陆面过程模型的动力框架内，融合不同来源和不同分辨率的直接与间接观测，将陆面过程模型和各种观测算子集成为不断地依靠观测而自动调整模型軌迹、并且减少误差的预报系统。当前，陆面数据同化的研究主要为：在陆面模型和水文模型基础上，采用不同的数据同化算法同化地表观测资料、卫星和雷达数据，优化地表土壤水分、温度、地表能量通量等的估算。
4.3水文数据同化
水文数据同化是指将水文模型拟合结果与地面、遥感观测数据相融合，以不断更新水
文模型状态变量与参数，从而提高水文过程模拟和预报精度的方法。水文数据同化的数据对象按来源可分为两类：一是地面观测数据，包括降水、土壤含水量、积雪厚度、水位、流量；二是遥感观测数据，包括土壤含水量、地表温度、降水、蒸散发量、地面植被覆盖、积雪覆盖等，并且所使用的遥感数据多为卫星遥感数据。目前水文数据同化的研究目的包括估计土壤水分、改进降雨径流模拟、提高洪水预报精度、模拟地下水流运动以及估计河流水位等。
5结论
本文简述了数据同化的概念、方法以及数据同化的应用情况，数据同化方法在80年代更加注重将新的数学研究成果与地球系统科学的物理过程相结合，主流算法有变分算法、卡尔曼滤波系列算法等。进入21世纪，基于贝叶斯理论的粒子滤波算法和层状贝叶斯模型为代表的智能算法被引入数据同化领域，这些新算法推动了数据同化的进步。然而，在高维空间、多尺度、非线性、非高斯、复杂不确定性以及状态量空间相关性等多种因素的综合作用下，现有的数据同化算法的不足日益突出，针对上述问题的新的数据同化算法亟待被提出，这也是数据同化算法的发展方向。
相对于海洋科学和大气领域中的数据同化，陆面和水文数据同化虽然起步较晚，但目前数据同化问题已经越来越发展为水文遥感反演以及陆面过程等问题中的研究重点，已经被各界的学者进行了广泛的研究和探索。特别是在探索理论和方法以及建立应用同化系统等各种方面已经获得相当不错的进展。
参考文献：
[1]马建文，秦思娴.数据同化算法研究现状综述[J]. 地球科学进展，2012，27（7）：747-757.
[2]尤元洪.数据同化系统的误差处理方法研究[D].西北师范大学，2016
[3]陈荣元.数据同化框架下多源影像融合分割及协同研究[D].武汉大学，2010
[4]万卫星.中地纬电离层模拟和数据同化研究[D].中国科学院地质与地球物理研究所.2008
[5]高海沙.几种顺序数据同化方法的比较研究[D].西北示范大学，2013
[6]林行，黄容，高山红.大气数据同化方法的研究与应用进展
[7]黄春林，李新.陆面数据同化系统的研究综述[J].遥感技术与应用，2004，10（5）：424-430
[8]王文，寇小华.水文数据同化方法及遥感数据在水文数据同化中的应用进展[J].河海大学学报，2009，9（5）：556-562