应用集合卡尔曼滤波算法对土壤呼吸速率同化及NEP估算

为了对净生态系统生产力(NEP)进行准确估算,以长白山通量观测站观测数据为基础,构建土壤温度、湿度耦合因子的更新模型(线性函数、指数函数、二次式函数),结合集合卡尔曼滤波算法(EnKF)获取高精度土壤呼吸速率数据,应用陆地生态系统碳循环综合模型(InTEC模型)准确估算NEP。结果表明:二次式模型的EnKF算法同化结果估算效果最好,决定系数(R^(2))为0.782,均方根误差为52.90 g·m^(-2)·a^(-1);指数模型EnKF算法同化结果估算值的R^(2)为0.755,均方根误差为56.47 g·m^(-2)·a^(-1);线性模型EnKF算法同化结果估算值的R^(2)为0.742,均方根误差为62.80 g·m^(-2)·a^(-1)。选取二次式模型优化后的土壤呼吸速率数据,InTEC模型模拟长白山通量观测站长时间序列净生态系统生产力的R^(2)为0.900,均方根误差为61.77 g·m^(-2)·a^(-1);InTEC模型模拟东北三省森林生态系统2003—2010年的净生态系统生产力年均值,由初始模拟的30.07 g·m^(-2)·a^(-1),经EnKF算法更新后提升到176.87 g·m^(-2)·a^(-1)。因此,采用EnKF更新土壤温度-湿度耦合因子获取的土壤呼吸速率数据,能够提高InTEC模型估算NEP的精度,为大区域尺度森林生态系统NEP估算提供技术支持。

基于连通性分析局域化的集合卡尔曼滤波的油藏自动历史拟合方法

集合卡尔曼滤波(ensemble Kalman filter,EnKF)是自动历史拟合中应用最为广泛的方法之一,但该算法在应用过程中会产生伪相关、滤波发散等问题。建立了一种新的基于连通性分析的单井敏感性局域化集合卡尔曼滤波自动历史拟合方法,解决了传统距离截断方法处理伪相关时与实际油藏不匹配问题。该方法将油藏网格视为连通的有向图,利用连通性分析和Floyd算法计算任意两个网格点间的最短路径,从而确定单井敏感性区域和井点到各网格的相关系数矩阵,再结合集合卡尔曼滤波方法有效削弱了伪相关问题。将改进的算法编程实现并运用实例进行验证,结果表明,基于连通性分析局域化的EnKF方法在生产动态拟合和模型参数场反演等方面均优于标准EnKF方法。

基于集合卡尔曼滤波的帽儿山森林多源LAI产品重建及融合校正方法

【目的】现有叶面积指数(LAI)产品大多存在分辨率低、数据异常和精度低等问题,难以满足某些应用需求。因此,本研究提出一种多源LAI数据的融合方法,以减少不同来源数据的差异并提高产品精度。【方法】以帽儿山实验林场的阔叶林和针叶林区域为研究区,基于2017年的MODIS、VIIRS和PROBA-V的LAI产品,利用多年LAI数据作为先验知识建立LAI背景库修正低质量数据,对3种LAI数据集进行混合像元分解的降尺度处理,基于Sentinel-2反射率产品耦合集合卡尔曼滤波(EnKF)算法、LAI动态模型和辐射传输模型进行数据同化,最后对同化后的3种LAI数据进行赋权融合,使用实测数据进行精度评价。【结果】在阔叶林,同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.56和0.62,比原始数据提升了0.57、0.52和0.57;均方根误差分别为0.37、0.31和0.14,比原始数据减小了1.23、1.69和1.06。在针叶林,同化后的MODIS、VIIRS和PROBA-V LAI与实测数据的相关系数分别为0.59、0.49和0.56,比原始数据提升了0.52、0.30和0.40;均方根误差分别为0.24、0.28和0.19,比原始数据减小了1.22、0.67和1.35。通过融合方法,阔叶林LAI和针叶林LAI的相关系数分别为0.83和0.76,比同化后数据的相关性更高;均方根误差分别为0.15和0.13,比同化后数据的误差更小。【结论】通过数据同化提升了3种LAI产品精度,融合后LAI较同化后单一LAI具有更高的精度和可靠性。

地下水位预测:集合卡尔曼滤波(EnKF)应用概述

以地下水数值模型为例,分析了集合卡尔曼滤波在进行数据融合时的基本原理和步骤。根据集合卡尔曼滤波的实际功能,并结合中国地下水监测的实际状况,分析了集合卡尔曼滤波在地下水位预测中的应用前景:认为在未来地下水位预报预警工作中,利用集合卡尔曼滤波技术提高地下水位预测的准确性,具有良好的应用前景。

基于集合卡尔曼滤波的PyWOFOST模型在东北玉米估产中的适用性验证

以叶面积指数(LAI)为结合点,引入基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)的作物模型-遥感信息耦合模型PyWOFOST,利用气象数据、农业气象记录观测表数据及MODIS LAI数据检验PyWOFOST模型在东北玉米种植区的适用性,并选取在研究区内均匀分布、覆盖所有玉米品种且具有有效MODIS LAI数据的16个玉米农气站点,模拟该模型在不同的TSUM1(出苗-开花期积温)不确定性水平下各站点的玉米产量及LAI。结果表明,与WOFOST模型相比,PyWOFOST模型对LAI和产量的模拟能力都有极大提高。当TSUM1的不确定性为0、10、20、30℃时,PyWOFOST模拟的产量平均误差分别为10.32%、9.25%、7.31%和8.49%,均较未同化LAI观测数据的WOFOST模拟的产量平均误差(10.55%)低;同化后模拟LAI与同化前模拟LAI相比,其轨迹更接近实测值,更符合玉米的生长发育趋势,表明基于EnKF的PyWOFOST模型在东北玉米种植区有较好的适用性。

集合卡尔曼滤波同化探空资料的数值试验

应用集合卡尔曼滤波(Ensemble Kalman Filter;EnKF)方法,同化了2005年7月一次暴雨过程的探空观测资料,并用非静力中尺度模式MM5进行数值模拟试验。结果表明:在理想模式的假设下,即假设真实模拟和所产生的集合用的是同一个模式并有相同的初始误差,EnKF方法同化的分析结果较好。如果不运用EnKF方法同化探空观测资料,则集合预报结果和不加扰动的单个数值预报结果都没有EnKF方法同化过的好。

新息自适应混合卡尔曼滤波算法构建地表沉降预测模型

为解决矿区地表沉降变形预测的问题,提高预测模型的精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的新息自适应卡尔曼滤波(Innovation Adaptive Kalman Filter,IAKF)与组合神经网络相结合的混合预测模型。首先,针对沉降变形监测序列的非平稳性与复杂性等特点,ARIMA模型能够将原始数列平稳化,以此构建地表下沉的预测模型,并作为新息自适应卡尔曼滤波的状态方程。然后,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、粒子群优化算法(Particle Swarm Optimization,PSO)和BP神经网络结合,构建EEMD-PSO-BP神经网络的组合网络模型,将组合神经网络的沉降预测结果作为观测值引入到卡尔曼滤波观测方程中,以建立混合预测模型。最后针对噪声方差Q与R选取的问题,利用新息自适应卡尔曼滤波估计出噪声方差的协方差阵。混合预测模型能有效减小单一预测机制造成的同一性质误差的累积,将基于ARIMA的新息自适应卡尔曼滤波、EEMD-PSO-BP神经网络模型与混合滤波模型的精度进行对比,新息自适应混合卡尔曼滤波预测模型的均方根误差降低至0.3194mm,相对百分误差降到1.42%。实验结果表明,混合滤波模型的各项预测结果要优于传统预测模型,精度相比较传统的预测模型有较大的改善。

基于集合卡尔曼滤波的油藏辅助历史拟合

基于梯度计算的传统优化算法是同时使用观测数据,集合卡尔曼滤波方法是连续使用观测数据,因此它比传统优化算法计算量小.将集合卡尔曼滤波方法作为辅助油藏历史拟合的优化算法,利用序贯高斯模拟生成储层状态的初始实现集合,在算法实现过程中,通过吸收观测数据,实现油藏模型的动态参数(如压力、饱和度)及静态参数(如渗透率)连续更新.通过一个二维的"一注四采"水驱油藏模型的拟合计算,验证算法的有效性,并讨论集合大小和集合采样初始均值对历史拟合结果的影响.在一定范围内,集合样本数对计算精度影响不是很大;对于不同的集合采样初始均值,待估参数能较快地收敛于真值,表明该算法稳定性好.

基于EnKF法的无资料地区河道断面形状反演研究

针对无资料地区河道断面反演中使用优化算法和概率密度等数学方法在算法寻优过程中易陷入局部最优解的问题,提出了基于集合卡尔曼滤波(EnKF)和粒子群优化(PSO)耦合的方法实现对无资料地区河道断面的反演计算,即通过粒子群优化算法对缺失断面进行初始化,形成一个梯形的初始断面,再通过EnKF不断对初始断面进行修正,并通过理想案例对所提方法进行验证。结果表明,模型的R~2、N_(NSE)均高于0.99,相对均方差小于0.04。考虑到工程实际中的观测误差,选取0.1%、1%、5%、10%的观测误差对缺失断面、PSO初始断面及EnKF法修正断面的水动力模拟误差进行评价,发现误差随选取的误差不同整体呈现正态分布,但EnKF法面对不同的观测误差均可保持一个很高的模拟精度,R~2均高于0.98,相对均方差均小于0.06 m,N_(NSE)均高于0.98。可见所提方法具有较高的可行性。

基于多次数据吸收集合平滑算法的自动油藏历史拟合研究

针对常见历史拟合方法存在计算量大、油藏参数更新异常、油藏模型修正失真等问题。采用集合平滑算法,通过引入集合卡尔曼滤波算法(EnKF)中多次迭代思路,对相同数据重复吸收,推导出多次数据吸收集合平滑算法(ES-MDA)的核心公式,并编写了自动油藏历史拟合软件。以北海布伦特油田海相砂岩油藏为例,将基于ES-MDA算法的油藏自动历史拟合程序应用于该油藏,对油田的注水采油开发进行历史拟合。结果表明:油藏数值模拟的预测数据与实际测量的数据匹配程度达到90%以上,且能够较准确地表征真实油藏的孔隙度分布特征;ES-MDA算法具有算法稳定、运行效率高、模型更新准确等优点。研究成果对实现计算机自动油藏历史拟合,实时优化油藏生产具有重要意义。

EnKF局地化算法对雷达资料同化的影响研究

分级集合滤波(Hierarchical Ensemble Filter,HEF)和采样误差修正(Sampling Error Correction,SEC)局地化算法能够使采样误差取得极小值,且不需要给出距离的定义。为了检验其理论优势,基于集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)方法同化模拟雷达资料,通过与Gaspari-Cohn(GC)局地化算法对比,分析不同局地化算法对EnKF同化效果的影响。结果表明,HEF和SEC局地化算法的雷达回波在水平和垂直方向上均强于GC局地化算法。HEF局地化算法各个变量的离散度最高,均方根误差最低;SEC局地化算法离散度略低,均方根误差略高;GC局地化算法离散度最低,均方根误差最高。相比于GC局地化算法,HEF和SEC局地化算法的冷池强度减弱,面积减小,下沉气流的速度和范围增大,雹霰混合比的大小和覆盖面积增大。通过模拟发现,HEF局地化算法模拟的北侧对流中心最强,SEC局地化算法模拟的南侧对流中心最强,且模拟出(40 km,60 km)处的强对流中心。HEF局地化算法模拟的冷池强度最强,HEF和SEC局地化算法基本上模拟出北侧的雹霰混合比高值区。这表明HEF局地化算法有效地改进了基于GC局地化算法的EnKF雷达资料同化效果,SEC局地化算法减小了计算量,是HEF局地化算法较好的近似。

EnKF协方差膨胀算法对雷达资料同化的影响研究

基于集合卡尔曼滤波(EnKF)方法同化模拟雷达径向风和回波,引入具有时空自适应理论优势的贝叶斯膨胀算法,通过与常数膨胀算法的对比,分析了两种协方差膨胀算法对EnKF同化效果的影响。结果表明:在对流区域的北侧,由贝叶斯膨胀算法分析得到的回波在水平和垂直结构上均增强;在对流区域,由贝叶斯膨胀算法分析得到的各变量的集合离散度增大,均方根误差减小,水平和垂直速度增大,冷池强度减弱;模拟还发现贝叶斯膨胀算法提高了强对流系统的模拟效果,回波强度增强,阵风锋区内水平和垂直风速增大。这表明贝叶斯膨胀算法有效地改进了基于常数膨胀算法的EnKF同化雷达资料的效果。

改进egoTEB算法的机器人动态避障规划

对动态环境下自我时间弹性带(ego-timed-elastic-band,egoTEB)算法在避障时耗时较长且轨迹欠佳的问题,提出了改进egoTEB算法。首先对动态环境信息进行自我感知,以机器人自我为中心,由点、线段到圆形障碍物对环境信息进行提取,利用代价矩阵匹配圆形障碍物类型,采用集合卡尔曼滤波(ensemble Kalman filter,EnKF)模型跟踪动态圆形障碍物的运动轨迹。其次基于自我感知障碍物信息,构建由静态间隙和动态间隙组成的间隙规划图,设计加权间隙代价引导机器人局部轨迹安全穿过间隙,避开障碍物。最后利用机器人操作系统(robot operating system,ROS)进行仿真实验,验证了改进egoTEB算法能更快速地规划出安全轨迹,实现机器人适应性更强的避障效果。

双集合卡尔曼滤波估算时间序列LAI

遥感估算叶面积指数(LAI)时空动态变化对全球气候变化研究具有重要的意义,为了提高遥感估算时间序列叶面积指数的精度,需要耦合遥感观测数据与LAI动态过程模型。本文提出一种基于双集合卡尔曼滤波(Dual EnKF)的时间序列LAI反演方法,同时更新LAI估计值和LAI动态过程模型中的敏感性参数,得到LAI和动态过程模型敏感参数的最优估计值来优化动态过程模型。一方面使得动态过程模型可以更好地描述LAI随时间的变化过程,降低模型预测误差,从而提高LAI动态过程模型的预测能力;另一方面通过耦合动态过程模型和辐射传输模型,集成遥感观测数据与动态过程模型的预测值,进而得到优化的LAI估计值。为检验算法,分别选取作物、草地和林地等典型植被验证站点进行Dual EnKF LAI时间序列估算,并分别与MODIS LAI产品及其SG滤波曲线、集合卡尔曼滤波方法反演LAI、未优化的动态过程模型模拟LAI结果进行比较,并配以一些站点地面实测点数据作为参考。结果表明,采用Dual EnKF方法得到的LAI不但保持了时间上的连续性,而且通过改善动态过程模型的预测能力,即使在缺乏高质量遥感观测数据时,也能够获得符合LAI发展趋势的估算值,没有出现跳跃、波动现象,时间序列曲线较稳定,更符合植被LAI变化规律,表明基于Dual EnKF的时间序列LAI遥感估算方法是提取LAI时间廓线的一种有效途径。

基于流线EnKF油藏自动历史拟合

作为一种油藏参数动态估计的优化算法,将集合卡尔曼滤波EnKF与流线方法相结合,在算法实现过程中,选择具有更高计算精度和更快计算速度的流线模拟器进行预测,将油藏模型自动还原为一系列沿流线的一维模型,使数值弥散和受网格划分的影响达到最小,保持了明显的驱替前缘。采用序贯高斯协模拟方法生成一组地质模型,通过实时观测数据(产量及含水率等),连续动态更新油藏模型的静态参数(渗透率及孔隙度等)、动态参数(压力及饱和度等),同时实现流线分布的更新,直观地反映油藏流体在注采井之间的运动轨迹。采用Bayes理论阐述了流线EnKF数学原理,并通过拟合计算一个二维水驱油藏模型,验证了方法的有效性。

集合卡尔曼滤波方法的高时空分辨率山区地表反照率反演

高分辨率地表反照率遥感产品以其空间分辨率高的优点,目前正成为区域能量平衡和气候变化研究的重要数据源。现行的高分辨率地表反照率遥感反演算法及数据产品均假设地表平坦且均一,缺乏对地表异质性和地形复杂性的考虑,将适用于平坦地表的反演算法应用于山区将存在一定的误差。改进的直接算法将直接反演算法与山地辐射传输模型结合,为反演山区高分辨率地表反照率提供了可能,可以反演山区地表反照率产品。但该算法受到下垫面积雪、云污染等影响,反演的影像时域不连续,且存在着较多的缺失值,无法构建时空连续的地表反照率产品来支撑山区地表能量平衡相关研究。针对这一问题,本文以高分四号(GF-4)卫星数据为例,首先基于改进的直接反演算法反演山区高分辨率地表反照率,结合MODIS BRDF/Albedo产品构建先验知识背景场,采用集合卡尔曼滤波方法对反演的山区地表反照率进行时空填补,构建了时空连续的地表反照率反演方法,并生产了2016年—2017年的山区地表反照率产品。研究结果表明,反演的时空连续高分辨率地表反照率产品与地面站点观测数据的一致性较好。不同坡度地面站点的验证结果显示,反演的时空连续地表反照率产品在湿地、农田等平坦地表下RMSE小于0.01,坡度较大的站点下RMSE为0.0163。本文描述的山区地表反照率时空填补技术也可以应用到其他定量遥感产品,为这些产品在山区地表下的填补技术提供有效参考。

硅微阵列陀螺仪的数据滤波方法研究

为提高硅微机械陀螺仪的性能,开展了单芯片集成硅微阵列陀螺仪的研究,对硅微阵列陀螺仪的结构设计和信号处理方法进行了深入的分析和研究。利用集合经验模态分解对硅微阵列陀螺仪的静态漂移信号进行了多尺度分解和去趋势项处理,并对预处理后的漂移信号建立了ARMA(2,1)信号模型,得到了硅微阵列陀螺仪测量系统的状态方程和观测方程。根据该模型,采用自适应平方根卡尔曼滤波方法,可以将静态漂移信号的零偏稳定性由129.6°/h减小为22.8°/h,经过最优加权融合后的零偏稳定性与原始漂移信号相比提高了6倍。

基于EnKF排放清单反演方法的关键影响参数评估与优化

以中国一氧化碳(CO)排放反演为例,利用敏感性分析手段评估了集合数目、局地化半径､膨胀因子、观测站点密度和观测数据时间分辨率对排放清单反演的影响.结果表明:站点密度是影响排放反演的最重要参数.在不同站点密度下,反演的中国CO排放总量差异可达34%.同时,站点密度还会影响排放反演对其他参数的敏感性.随着站点密度的降低,排放反演对局地化半径、集合数目和膨胀因子参数变得更为敏感,但对观测数据时间分辨率的敏感性则有所下降.因此在站点稀疏地区,局地化半径是排放反演的主要影响参数,集合数目和膨胀因子次之;但在观测站点密集地区,局地化半径和观测数据时间分辨率是主要的影响参数,而膨胀因子和集合数目的影响相对较小.该研究能够为不同尺度的排放反演开展参数优化提供借鉴.在中国CO排放反演案例(站点密度为1.55个/104km2)中,建议反演参数设置为:集合数目为50、局地化半径为100km、最大似然估计膨胀方案(MLE)、日均或小时观测数据.

智能算法反演土壤水分特征曲线参数的应用

确定土壤水分曲线参数向来是讨论土壤水分和盐分运移的重要前提。用传统方法求非线性优化问题时,难免会出现不易收敛、费时、容易找到错误解等不利局面。现代发展起来的智能优化算法,很好地解决了这些不足。基于模仿生物生理特点和生物适应属性而开发的萤火虫算法、粒子群算法等仿生算法、基于条件概率的层次贝叶斯方法和基于同化数据原理的集合卡尔曼滤波算法都具有很强的优化能力和寻优效率。将这些新算法应用在反演土壤水分曲线参数的结果表明,智能算法完全可以用于求解该问题,而且以较快速度收敛,迅速找到最优解。从这些算法应用和效果来看,智能算法在土壤水分参数反演这一领域有广泛的应用前景。

贝叶斯膨胀算法对EnSRF雷达资料同化的影响研究

本文针对2009年6月5日发生在我国华东地区的一次中尺度对流过程(Mesoscale Convective System,简称MCS),基于集合均方根滤波(Ensemble Square Root Filter,简称EnSRF)方法同化多部多普勒天气雷达资料,引入具有时空自适应理论优势的贝叶斯膨胀算法,通过与常数膨胀算法的对比,分析了两种膨胀算法对EnSRF同化效果的影响。结果表明:贝叶斯膨胀算法同化的雷达组合反射率因子在强对流中心处有所增强,改善了基于常数膨胀算法的En SRF同化强对流系统偏弱的问题。相比常数膨胀算法,贝叶斯膨胀算法同化的冷池结构更合理,径向风和反射率因子的均方根误差均减少。进一步探讨贝叶斯膨胀算法对同化效果改善的原因,结果发现:贝叶斯膨胀参数的分布与反射率因子的均方根误差分布十分吻合,这表明贝叶斯膨胀算法可以在背景场均方根误差较大,即背景场与观测差距较大时,给出较大的膨胀参数,进而增加集合的背景场误差,使得观测权重增大,从而给出了较大的分析增量。对集合平均分析场进行了1小时的确定性预报发现,贝叶斯膨胀算法提高了预报模式对安徽与江苏交界处的强对流系统的模拟效果,回波强度更强,冷池强度和范围更大,且对于不同组合反射率因子的阀值,贝叶斯膨胀算法的评分(Equitable Threat Score,简称ETS)均高于常数膨胀算法。这表明贝叶斯膨胀算法有效地改进了基于常数膨胀算法的EnSRF同化雷达资料的效果。