CN104765981B - 一种基于分布式时变增益水文模型的蒸散发数据同化方法 - Google Patents
一种基于分布式时变增益水文模型的蒸散发数据同化方法 Download PDFInfo
- Publication number
- CN104765981B CN104765981B CN201510228494.3A CN201510228494A CN104765981B CN 104765981 B CN104765981 B CN 104765981B CN 201510228494 A CN201510228494 A CN 201510228494A CN 104765981 B CN104765981 B CN 104765981B
- Authority
- CN
- China
- Prior art keywords
- evapotranspiration
- data
- model
- observation
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于分布式时变增益水文模型的蒸散发数据同化方法,包括以下步骤:步骤1,数据准备,基于遥感蒸散发模型或通量观测数据得到连续序列蒸散发作为“观测”数据;步骤2,生成初始背景场并驱动分布式水文模型模拟;步骤3,当出现“观测”数据时,得到观测场和预报场;步骤4,利用集合卡尔曼滤波算法同化获得分析场;步骤5,更新背景场。本发明方法通过数据同化技术将精度较高的蒸散发结果作为观测信息,调整水文模型运行,减小误差积累,模拟出精度较高且时间连续的蒸散发序列。与现有技术相比,本发明方法直接同化蒸散发,能够降低模型不确定性,易于操作且具有水循环物理机制,可应用于区域蒸散发的精确估算和连续获取。
Description
技术领域
本发明涉及蒸散发估算领域,尤其涉及一种基于分布式时变增益水文模型的蒸散发数据同化方法。
背景技术
蒸散发(ET)流域水循环的关键环节,决定着地球系统中“地圈—生物圈—大气圈”的相互作用和反馈,准确估算蒸散发对于研究全球或区域水量和能量平衡至关重要,并关系到气候变化、水资源管理、作物估产、以及环境保护等问题。因此,蒸散发估算方法的研究,一直是农学、气象、水文以及地理等领域共同关注的重要课题。
目前,估算区域蒸散发的主要途径有:经验公式法、水文模型和遥感ET模型。常用的经验公式法有水量平衡法、水热耦合方程法、互补关系法三种。水量平衡法只能计算比较长时间尺度的区域蒸散发,不能反映蒸散发的时空变化特点;水热耦合方程法可以较方便的计算区域年蒸散发量,但大面积测量比较困难;互补关系法易受下垫面和大气系统的影响,实际蒸发和潜在蒸发关系不稳定。总体来讲,采用经验公式计算结果具有较大的不确定性,精度较低,且难以反映区域变异性。水文模型以闭合流域的整个水循环系统为研究对象,将区域划分为若干个水文单元(栅格),得到不同水文单元(栅格)的蒸散发分布,存在的问题是:当模拟时段较长时,精度会随着向前模拟产生误差积累。利用遥感模型计算区域尺度上的日蒸散发量能得到更准确的结果,但是可见光-热红外遥感数据受天气影响较大,难以获取长时间序列的连续的观测数据,这给估算区域长期连续时段的地表蒸散发带来困难。因此,考虑通过多种手段和多源数据耦合的方式来实现蒸散发的估算,是解决时间连续、空间高精度估算ET的发展方向。
近20年来,数据同化技术逐渐被应用到水文过程模拟,但主要侧重于土壤湿度、叶面积指数等状态变量的研究,对于非状态变量ET的数据同化研究并不深入。此外,作为一个新兴的领域,尤其是针对水文模型的ET数据同化研究更是刚刚起步。Schuurmans等[1]利用基于能量平衡遥感模型(SEBAL)反演区域蒸散发,并基于SIMGRO模型进行数据同化,其采用蒸散发作为观测项,通过设定恒定的增益值进行插值计算,实现ET的更新,并采取经验法反推状态变量土壤湿度,驱动模型模拟。该研究主要是借助经验参数的率定,利用蒸散发观测值对模型进行插值,并不能达到概率最优;Qin等[2]利用扩展卡尔曼滤波对一层遥感蒸散模型SEBS反演的ET与分布式水文模型模拟的ET进行数据同化,但由于ET在水文模型中只是诊断变量,单纯更新ET不能将同化效果反馈给模型,水文序列并未整体得到优化,只能等同于简单插值;Xie和Zhang[3]利用流域控制断面流量同化SWAT模型,径流量和土壤湿度的精度得到了改善,但是蒸散发由于受多种因素影响,在基于流量的同化下其精度并未得到理想的提高;Lei等[4]利用SWAT同化表层土壤湿度,结果显示深层土壤湿度、地表径流和侧向流的模拟精度得到提高,而蒸散发依然被低估;Trudel等[5]利用CATHY模型同化了流量以及不同深度的土壤湿度,也仅提高了土壤水分模拟精度,并未提高蒸散发序列精度。
上述研究仍存在一些瓶颈问题,还没建立真正意义上基于水文模型的蒸散发同化系统。因此,要实现蒸散发的准确估算和连续获取,就要充分利用观测和模拟的优点,将二者有效集成,采用“真值”数据约束模型模拟轨迹,在模拟过程中不断“释放”误差,最大程度集成不同来源的有效数据,并将不同空间和时间分辨率的观测资料有机融合到水文模型中,从而实现水分和能量循环的多尺度表达。基于此,我们将借助数据同化技术发明一种基于分布式时变增益水文模型的蒸散发数据同化方法,实现区域蒸散发精确估算和连续获取。
文中涉及的参考文献如下:
[1]Schuurmans M,Troch A,Veldhuizen A,et al.Assimilation of remotelysensed latent heat flux in a distributed hydrological model.Advances in WaterResources 2003,26(2):151-159.
[2]Qin C,Jia Y,Su Z,et al.Integrating remote sensing information intoa distributed hydrological model for improving water budget predictions inlarge-scale basins through data assimilation.Sensors,2008,8(7):4441-4465.
[3]Xie X,Zhang D.Data assimilation for distributed hydrologicalcatchment modeling via ensemble Kalman filter.Advances in water resources,2010,33(6):678-690.
[4]Lei F,Huang C,Shen H,et al.Improving the estimation ofhydrological states in the SWAT model via the ensemble Kalman smoother:Synthetic experiments for the Heihe River Basin in northwest China.Advancesin Water Resources,2014,67:32-45.
[5]Trudel M,Leconte R,Paniconi C.Analysis of the hydrologicalresponse of a distributed physically-based model using post-assimilation(EnKF)diagnostics of streamflow and in situ soil moistureobservations.Journal of Hydrology,2014,514:192-201.
发明内容
针对现有技术的不足,本发明针对精确估算和连续获取区域蒸散发的难点问题,提出一种基于分布式时变增益水文模型的蒸散发数据同化方法。
为解决上述技术问题,本发明采用如下技术方案:
一种基于分布式时变增益模型的蒸散发数据同化方法,包括以下步骤:
步骤1,数据准备。基于遥感模型或通量实测数据,得到日蒸散发结果,作为“观测”数据;
步骤2,生成初始背景场。对分布式时变增益模型进行误差扰动生成一组初始背景场,结合输入模型的基础数据驱动模型模拟;
步骤3,当出现“观测”数据时,对该时刻的观测数据进行误差扰动并集合化得到观测场,同时基于并行运行的模型算子获得的蒸散发集合,得到预报场;
步骤4,根据步骤3得到的观测场与预报场,利用集合卡尔曼滤波算法同化获得分析场;
步骤5,更新背景场。根据步骤4得到的分析场结果,反馈给模型算子替换原始背景场,进行背景场更新,当存在遥感观测时,进入又一次同化循环,直至模拟结束。
本发明的特征在于可以有效集成观测和模拟,通过数据同化技术将精度较高的蒸散发结果(通量实测数据)作为观测信息,调整水文模型的运行,使蒸散发结果不断地向观测值靠拢,以减小误差积累,进而校正水文模型,模拟出精度较高且时间连续的蒸散发序列。本发明方法能够应用于区域蒸散发的精确估算和连续获取。
与现有技术相比,本发明具有以下优点和有益效果:
1)本发明方法选择了分布式时变增益水文模型,该模型通过水量平衡方程将下一时刻的土壤湿度用前一时刻降雨、地面径流、土壤湿度和实际蒸散发等计算出来,结合实际蒸散发与土壤湿度的简单非线性关系,完成蒸散发向状态变量—土壤湿度的过渡,即构建了ET和土壤湿度的时间响应关系。该模型利用蒸散发向状态变量的过渡,具备开展同化的条件,通过顺序同化公式和水文模型结合,建立了操作上可行的蒸散发同化系统。
2)本发明方法选取直接同化蒸散发的方法,包含了经验计算产生的误差,再根据同化后更精确的蒸散发分析场反推土壤湿度,实际上是一种误差溯源,并不会产生新的误差,因此可以一定程度降低模型的不确定性,优化模型模拟。
3)现有技术无法同时满足高精度和时间连续的蒸散发估算的要求,本发明方法利用集合卡尔曼滤波算法,构建基于分布式时变增益水文模型的数据同化系统,可预期获得精度较高且时间连续的蒸散发估算。
4)本发明方法涉及地理、水文、遥感等领域,多学科交叉融合,易于操作且具有水循环物理机制。目前遥感、通量观测技术及同化算法的发展能够满足同化方案对数据的要求,便于在实际中推广应用。
附图说明
附图1为本发明方法的流程图;
附图2为本发明方法的技术方案;
附图3为采用集合卡尔曼滤波算法进行同化方案的流程图;
具体实施方式
以下通过具体实施实例,并结合附图对本发明的技术方案做进一步具体说明。
如附图1和2所示,一种基于分布式时变增益水文模型的蒸散发数据同化方法,包括如下步骤:
步骤1,数据准备:
通过蒸散发遥感模型反演(通量观测数据)得到流域日蒸散发作为同化系统的“观测”,通过对分布式时变增益水文模型进行参数率定,对参数进行优选得到具有模拟稳定性的水文模型作为模型算子;
步骤2,生成初始背景场:
在分布式时变增益水文模型参数率定的基础上,根据模型误差和集合数,进行蒙特卡洛取值,针对蒸散发变量,获得一个带有误差扰动的初始背景场,结合气象、水文和地理信息等数据驱动分布式时变增益水文模型依时间顺序开始模拟;
步骤3,当分布式时变增益水文模型运行至存在“观测”数据时,对该时刻的遥感日蒸散发进行误差扰动,并生成观测场集合,同时基于并行运行的分布式时变增益水文模型获得的蒸散发集合,得到预报场;
步骤4,基于集合卡尔曼滤波算法,同化步骤3得到的观测场与预报场,获得日蒸散发分析场。具体如下(计算流程如附图3):
(1)预测。初始化背景场,给定N个符合高斯分布的随机变量Xi(i=1,……,N),即流域实际蒸散发,并计算每个随机变量在第k+1时刻的预报值
式中,是k时刻第i个集合的状态分析值,即分布式时变增益水文模型模拟的第k时刻的ETa值;是k+1时刻状态预测值,即利用ET到土壤湿度的过渡,得到分布式时变增益水文模型模拟的第k+1时刻的ETa值;Mk,k+1是k时刻到k+1时刻状态变化关系,一般为非线性的模型算子,本发明中为分布式时变增益模型;wi,k是模型误差,服从均值为0,协方差矩阵为Qk的正态分布。
(2)更新。当k+1时刻有观测值时,利用观测值对上一步获得的状态预测值进行更新,得到更新后的状态分析值及其相应的误差协方差,蒸散发的更新如下:
式中,是k+1时刻状态预测值,即分布式时变增益模型模拟的k+1时刻的ET;为k+1时刻的分析值,即为同化后的蒸散发;Kk+1为k+1时刻的卡尔曼增益矩阵;yk+1为k+1时刻观测数据,即为遥感ET模型输出的ET;H(·)为观测算子,即为单位矩阵,vi,k+1是期望为0,方差为Rk的高斯白噪声,Rk为观测误差方差矩阵。
步骤5,更新背景场:
将蒸散发分析场返回,根据同化后的ET反推同时刻的土壤湿度,更新背景场,将同化性能反馈给模型算子,并向前模拟,当存在遥感观测时,再次进行同化,直至模拟结束。具体如下:
式中,ETat为t时刻的实际蒸散发;ETat+1是t+1时刻的实际蒸散发;Kr为土壤水出流系数;AWt是t时刻的土壤湿度;AWt+1是t+1时刻的土壤湿度;ETpt+1为t+1时刻的潜在蒸散发;Pt为t时刻实测降雨量;RSt是t时刻地表水产流量;f(LAI)表示叶面积指数函数,f(RD)表示根系深度函数。
根据公式(3)(4)实现蒸散发同化的时间状态关系:通过在t时刻的同化蒸散发,借助土壤湿度,进而影响t+1时刻水文模拟。根据上述蒸散发和状态变量关系,获得分析场后更新的背景场,驱动分布式时变增益水文模型模型继续向前运行,至下一个存在遥感观测的时刻,进入新的同化周期。至此,蒸散发数据同化的效果得以转移给同化系统的模型算子,实现了ET的顺序同化。
综上所述,本发明提出了一种易于操作且具有水循环物理机制的蒸散发同化新方案,即利用集合卡尔曼滤波算法,借助分布式时变增益水文模型中的蒸散发-土壤湿度时间响应关系,构建基于水文模型的蒸散发数据同化系统,可预期获得精度较高且时间连续的蒸散发估算。
Claims (4)
1.一种基于分布式时变增益水文模型的蒸散发数据同化方法,其特征在于,包括以下步骤:
步骤1,数据准备,基于遥感蒸散发模型或通量实测数据,得到连续序列蒸散发结果,作为“观测”数据;
步骤2,生成初始背景场并驱动模型模拟;
步骤3,当出现“观测”数据时,得到观测场和预报场;
步骤4,利用集合卡尔曼滤波算法同化获得分析场;
步骤5,更新背景场,具体为:根据t时刻的同化蒸散发,借助土壤湿度,影响t+1时刻水文模拟,获得更新的背景场,驱动分布式时变增益水文模型继续向前运行,至下一个存在“观测”时,进入新的同化周期,具体计算公式如下:
式中,ETat为t时刻的实际蒸散发;ETat+1是t+1时刻的实际蒸散发;Kr为土壤水出流系数;AWt是t时刻的土壤湿度;AWt+1是t+1时刻的土壤湿度;ETpt+1为t+1时刻的潜在蒸散发;Pt为t时刻实测降雨量;RSt是t时刻地表水产流量;f(LAI)表示叶面积指数函数,f(RD)表示根系深度函数。
2.根据权利要求1所述的基于分布式时变增益水文模型的蒸散发数据同化方法,其特征在于步骤1中,采用遥感蒸散发模型或者通量实测数据构建蒸散发数据同化观测算子。
3.根据权利要求1所述的基于分布式时变增益水文模型的蒸散发数据同化方法,其特征在于步骤2中,利用分布式时变增益模型构建蒸散发数据同化模型算子。
4.根据权利要求1所述的基于分布式时变增益水文模型的蒸散发数据同化方法,其特征在于步骤3中,误差扰动并集合化得到观测场,同时基于并行运行分布式时变增益水文模型获得的蒸散发集合得到预报场,用于与观测场进行同化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510228494.3A CN104765981B (zh) | 2015-05-07 | 2015-05-07 | 一种基于分布式时变增益水文模型的蒸散发数据同化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510228494.3A CN104765981B (zh) | 2015-05-07 | 2015-05-07 | 一种基于分布式时变增益水文模型的蒸散发数据同化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104765981A CN104765981A (zh) | 2015-07-08 |
CN104765981B true CN104765981B (zh) | 2019-05-10 |
Family
ID=53647806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510228494.3A Expired - Fee Related CN104765981B (zh) | 2015-05-07 | 2015-05-07 | 一种基于分布式时变增益水文模型的蒸散发数据同化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104765981B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912836B (zh) * | 2016-03-25 | 2019-03-15 | 环境保护部卫星环境应用中心 | 一种纯遥感数据驱动的流域水循环模拟方法 |
CN106980764B (zh) * | 2017-03-30 | 2018-05-18 | 中国水利水电科学研究院 | 一种通用的直接利用遥感蒸发的水文模拟方法 |
CN107330086B (zh) * | 2017-07-04 | 2023-07-07 | 中国科学院新疆生态与地理研究所 | 一种提高无资料高海拔流域水文过程模拟精度的方法 |
CN108491664A (zh) * | 2018-03-30 | 2018-09-04 | 南京上古网络科技有限公司 | 一种分布式水文预报模型聚合系统 |
CN108920427B (zh) * | 2018-06-01 | 2020-07-24 | 河海大学 | 一种月尺度水文模型时变参数的动态估计方法 |
CN111595293A (zh) * | 2020-05-29 | 2020-08-28 | 山东交通学院 | 一种基于多源监测数据融合的地表形变监测方法与系统 |
CN112084671B (zh) * | 2020-09-15 | 2022-11-04 | 武汉大学 | 城市时变增益降雨-径流过程模拟计算方法 |
CN112733385B (zh) * | 2021-01-25 | 2023-04-18 | 中国科学院重庆绿色智能技术研究院 | 基于时变增益模型的水、能、碳耦合数值模拟方法及系统 |
CN112991247B (zh) * | 2021-03-04 | 2022-06-03 | 河南省气象科学研究所 | 冬小麦蒸散遥感反演及与作物模型同化方法 |
CN113094976B (zh) * | 2021-03-22 | 2022-12-09 | 西安交通大学 | 一种压水堆核电厂蒸汽发生器数据同化方法及系统 |
CN113592186B (zh) * | 2021-08-06 | 2023-02-14 | 浙江大学 | 一种基于实测径流数据的水文预报状态变量实时修正方法 |
CN113792252B (zh) * | 2021-09-14 | 2022-08-16 | 中国科学院地理科学与资源研究所 | 一种有云天的日尺度蒸散发估算方法及系统 |
CN116644597B (zh) * | 2023-06-02 | 2024-01-26 | 中国科学院地理科学与资源研究所 | 基于时变增益模型和pt-jpl耦合的流域水循环模拟方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003036330A2 (en) * | 2001-10-22 | 2003-05-01 | Coppola Emery A Jr | Neural network based predication and optimization for groundwater / surface water system |
-
2015
- 2015-05-07 CN CN201510228494.3A patent/CN104765981B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034027A (zh) * | 2010-12-16 | 2011-04-27 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
CN102354348A (zh) * | 2010-12-16 | 2012-02-15 | 南京大学 | 流域尺度土壤湿度遥感数据同化方法 |
Non-Patent Citations (1)
Title |
---|
基于水文模型的蒸散发数据同化实验研究;尹剑;《地球科学进展》;20140910;第29卷(第9期);第1075-1083页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104765981A (zh) | 2015-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104765981B (zh) | 一种基于分布式时变增益水文模型的蒸散发数据同化方法 | |
Yang et al. | Estimation of water provision service for monsoon catchments of South China: Applicability of the InVEST model | |
Stisen et al. | Model parameter analysis using remotely sensed pattern information in a multi-constraint framework | |
Beven | Linking parameters across scales: subgrid parameterizations and scale dependent hydrological models | |
Dripps et al. | A simple daily soil–water balance model for estimating the spatial and temporal distribution of groundwater recharge in temperate humid areas | |
Parajka et al. | Regional calibration of catchment models: Potential for ungauged catchments | |
Lee et al. | Assimilation of streamflow and in situ soil moisture data into operational distributed hydrologic models: Effects of uncertainties in the data and initial model soil moisture states | |
Goderniaux et al. | Uncertainty of climate change impact on groundwater reserves–application to a chalk aquifer | |
Nouri et al. | Remote sensing techniques for predicting evapotranspiration from mixed vegetated surfaces | |
Looper et al. | Assessing the impacts of precipitation bias on distributed hydrologic model calibration and prediction accuracy | |
CN101614651A (zh) | 一种土壤水分监测的数据同化方法 | |
Chen et al. | Investigating the impact of leaf area index temporal variability on soil moisture predictions using remote sensing vegetation data | |
CN105912836A (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
Jana et al. | A topography‐based scaling algorithm for soil hydraulic parameters at hillslope scales: Field testing | |
Petroselli et al. | Comparison of design peak flow estimation methods for ungauged basins in Iran | |
Vetter et al. | Spatial simulation of evapotranspiration of semi-arid Inner Mongolian grassland based on MODIS and eddy covariance data | |
Jorda et al. | Exploring osmotic stress and differences between soil–root interface and bulk salinities | |
Valayamkunnath et al. | Modeling the hydrologic influence of subsurface tile drainage using the National Water Model | |
Zhao et al. | Estimation of root zone storage capacity at the catchment scale using improved Mass Curve Technique | |
Ghanbarpour et al. | Comparison of stream flow predicted in a forest watershed using different modelling procedures: ARMA, ANN, SWRRB, and IHACRES models | |
Behera et al. | The assimilation of remote sensing-derived soil moisture data into a hydrological model for the Mahanadi basin, India | |
Iskra et al. | Application of Non‐Linear Automatic Optimization Techniques for Calibration of HSPF | |
Ng et al. | A mechanistic modeling and data assimilation framework for Mojave Desert ecohydrology | |
Vrugt et al. | Transpiration dynamics of an Austrian Pine stand and its forest floor: identifying controlling conditions using artificial neural networks | |
Warusavitharana | Semi-distributed parameter optimization and uncertainty assessment for an ungauged catchment of Deduru Oya Basin in Sri Lanka |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190510 Termination date: 20200507 |
|
CF01 | Termination of patent right due to non-payment of annual fee |