土壤参数是模拟和计算土壤含水量等状态数据的重要因子,对农业管理及其研究具有重要意义。然而,由于土壤系统变饱和与非线性特征,现有主流数据同化方法估计土壤参数时仍面临挑战。采用基于深度学习的参数估计方法(Parameter Estimator w...土壤参数是模拟和计算土壤含水量等状态数据的重要因子,对农业管理及其研究具有重要意义。然而,由于土壤系统变饱和与非线性特征,现有主流数据同化方法估计土壤参数时仍面临挑战。采用基于深度学习的参数估计方法(Parameter Estimator with Deep Learning,PEDL)对土壤参数进行反演估计,通过两个理想算例验证PEDL估计土壤参数的效果,并与集合平滑多数据同化方法(Ensemble Smoother with Multiple Data Assimilation,ESMDA)进行了系统比较。研究结果表明:PEDL能成功识别观测数据与待估参数之间的非线性关系,无需迭代即可逼近土壤参数的真实值;PEDL获得的参数后验分布范围相较于ESMDA明显缩小;与迭代5次的ESMDA方法相比,PEDL估计结果不确定性更低,且总调用次数更少。该研究有助于提高土壤参数估计的精度,可有效提升土壤状态及相关农业模型预测可靠性。展开更多
文摘土壤参数是模拟和计算土壤含水量等状态数据的重要因子,对农业管理及其研究具有重要意义。然而,由于土壤系统变饱和与非线性特征,现有主流数据同化方法估计土壤参数时仍面临挑战。采用基于深度学习的参数估计方法(Parameter Estimator with Deep Learning,PEDL)对土壤参数进行反演估计,通过两个理想算例验证PEDL估计土壤参数的效果,并与集合平滑多数据同化方法(Ensemble Smoother with Multiple Data Assimilation,ESMDA)进行了系统比较。研究结果表明:PEDL能成功识别观测数据与待估参数之间的非线性关系,无需迭代即可逼近土壤参数的真实值;PEDL获得的参数后验分布范围相较于ESMDA明显缩小;与迭代5次的ESMDA方法相比,PEDL估计结果不确定性更低,且总调用次数更少。该研究有助于提高土壤参数估计的精度,可有效提升土壤状态及相关农业模型预测可靠性。
