[发明专利]一种模态信息优化过程模型的数据同化方法

说明书

本发明涉及一种模态信息优化过程模型的数据同化方法，步骤包括：1)对观测向量时间序列集合及过程模型模拟状态向量时间序列集合的映射观测向量时间序列集合进行模态信号分解；2)利用观测向量时间序列集合的模态信号分解、过程模型模拟状态向量时间序列集合的映射观测向量时间序列集合的模态信号分解计算模态集合优化量；3)利用模态集合优化量计算过程模型状态向量的优化量并对状态向量进行优化；4)利用模态信息优化后的过程模型状态向量优化过程模型模拟。本发明将传统时间域同化方法拓展到模态域，利用观测向量和过程模型模拟的时间序列模态信息实现了过程模型的优化。

技术领域

本发明涉及一种优化过程模型的数据同化方法，尤其涉及一种利用模态信息优化过程模型的数据同化方法。

背景技术

过程模型是研究发生在陆地表面、大气、海洋等能量、动量、质量、水文、生态等物理、生物物理、生物化学复杂过程及其与大气交互作用的重要方法，通过各个过程的动力学机制及物理化学控制方程，可以描述陆面状态、大气状态、陆气通量交互、物质能量在不同时空尺度上的表现规律，还可以对陆地表面、大气和海洋上述过程之间各种时空尺度的反馈机制进行模拟。

过程模型的模拟需要陆面土壤、植被、地形、土地利用、海洋盐度、海洋温度、大气成份等特征数据集和区域高时空分辨率强迫数据集。截止目前，这些资料的制备都是基于稀疏观测的再分析加工产品，数据集的质量很难有实质性的提升，这些数据驱动过程模型所得到的模拟结果通常精度较低，后续用于分析地表水文循环、辐射过程、物质循环、能量循环、生物地球化学循环不同时空尺度上的状态、规律及互馈时会引起较大的误差。数据同化方法利用地面观测资料和或地表参量遥感反演产品的高空间分辨率优化过程模型模拟，为提升过程模型的模拟质量提供了新途径。

当前，数据同化方法分为顺序数据同化、连续数据同化及顺序变分方法。顺序数据同化是当观测介入过程模型模拟时，根据观测误差和模拟误差加权观测和模拟优化过程模型模拟，从而依次获得过程模型状态的后验优化估计。顺序数据同化方法从最开始针对线性系统的卡尔曼滤波，经过针对非线性系统的扩展卡尔曼滤波，到引入非线性粒子滤波、无迹卡尔曼滤波、集合卡尔曼滤波、中心差分卡尔曼滤波、无迹粒子滤波等，在海洋、陆面和大气等领域得到了广泛应用。顺序数据同化方法虽然可操作性强、简单易用，但对过程模型及观测模型线性要求的假设，使其在优化非线性过程模型时效果欠佳。

连续数据同化是在过程模型一个同化窗口内，利用迭代优化不断调整过程模型状态场，以使过程模型模拟与同化窗口内所有观测相匹配。连续数据同化方法分为以三维变分和四维变分为代表的变分法和以启发优化算法为代表的全局优化方法，能应对过程系统中动力模型和观测模型的非线性问题。连续数据同化方法在优化过程模型时假设状态场误差和观测场误差时空均匀和各向同性，不能描述随过程模型模拟而变的误差，从而降低了连续数据同化方法的优化效果。

结合连续同化和顺序同化的优势发展了顺序变分方法，通过顺序同化的集合策略使连续变分同化的状态场具有流依赖性，流依赖方案包括协方差线性组合和增加控制变量，流依赖重构包括蒙特卡罗、繁殖向量、奇异矢量、格点噪音、扰动观测、集合调整等。顺序变分方法采用正态分布的白噪声描述状态场误差，对高维非线性过程模型的优化而言，这只是折中之计，顺序变分方法优化非线性过程模型的性能还有待提高。

上述三种数据同化方法共同特点之一是过程模型的优化均在时间域实现。这个特点导致这三种数据同化方法不能依据观测向量和状态向量时间序列中模态信息对过程模型进行优化。海洋、大气、陆面等过程模型中涉及到的地表温度、土壤温度、土壤湿度及各种通量的时间序列均包含了不同时间尺度的模态信息，而时间域过程模型优化方法均不能使过程模型中这些变量的模态信息得到优化，地表变量时间序列中的模态信息是不同于频率信息的本征模函数，是非线性、非平稳地表变量时间序列信号的重要特征，在分析各个过程时空变化规律时发挥着重要作用。因此，亟需发展利用观测模态信息优化过程模型的数据同化方法。

发明内容

针对上述技术不足，提供了一种模态信息优化过程模型的数据同化方法。