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
针对未知的污染场地,为了准确估计污染物运移模型的参数,提出一种基于多重数据同化集合平滑器(ensemble smoother with multiple data assimilation,ES-MDA)算法的地下水模型参数反演方法,通过融合由高密度电阻率(electrical resistance...针对未知的污染场地,为了准确估计污染物运移模型的参数,提出一种基于多重数据同化集合平滑器(ensemble smoother with multiple data assimilation,ES-MDA)算法的地下水模型参数反演方法,通过融合由高密度电阻率(electrical resistance tomography,ERT)法采集的ERT观测数据,实现对污染源源强和渗透系数场的联合反演。以此为基础设计3组数值算例,比较不同类型观测数据对反演精度的影响。研究结果表明:融合ERT数据的ES-MDA算法对模型参数的反演精度更高,并且将ERT数据和传统的质量浓度与水头观测数据相结合,能进一步优化反演结果。展开更多
本文利用包含复杂冰相微物理过程的WRF(Weather Research and Forecasting)模式,针对2007年4月23日发生在我国华南地区的一次典型飑线天气过程,分别进行了确定性预报和集合预报试验,发现确定性预报能大致捕捉到飑线系统的发生发展过程,...本文利用包含复杂冰相微物理过程的WRF(Weather Research and Forecasting)模式,针对2007年4月23日发生在我国华南地区的一次典型飑线天气过程,分别进行了确定性预报和集合预报试验,发现确定性预报能大致捕捉到飑线系统的发生发展过程,但对飑线后部的层云区模拟效果较差。集合预报能够有效地减少模式的不确定性,大部分集合成员对飑线的模拟效果优于确定性预报。进一步将集合预报得到的40个成员作为背景场,采用En SRF(Ensemble Square Root Filter)同化多普勒天气雷达资料,并将分析得到的集合作为初始场进行集合预报,通过与未同化雷达资料的集合对比,考察了En SRF同化多部雷达资料对飑线系统的影响。结果表明:En SRF雷达资料同化增加了模式初始场的中小尺度信息,大部分集合成员的分析场能够较准确地再现飑线的热力场、动力场和微物理场的细致特征,并且模拟出飑线后部的层云结构。通过对En SRF分析的集合进行模拟发现,大部分集合成员较未同化雷达资料时模拟效果有明显改善。同化后的集合预报ETS(Equitable Threat Score)评分最高,其次是未同化的集合预报,确定性预报的最低。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。
文摘针对未知的污染场地,为了准确估计污染物运移模型的参数,提出一种基于多重数据同化集合平滑器(ensemble smoother with multiple data assimilation,ES-MDA)算法的地下水模型参数反演方法,通过融合由高密度电阻率(electrical resistance tomography,ERT)法采集的ERT观测数据,实现对污染源源强和渗透系数场的联合反演。以此为基础设计3组数值算例,比较不同类型观测数据对反演精度的影响。研究结果表明:融合ERT数据的ES-MDA算法对模型参数的反演精度更高,并且将ERT数据和传统的质量浓度与水头观测数据相结合,能进一步优化反演结果。
