利用集合均方根卡尔曼滤波反演重庆地区SO_2源排放

传统的"自下而上"清单方法估算的排放清单,其数据的准确性和时效性存在较大局限.基于集合均方根卡尔曼滤波的源清单反演方法,结合WRF-CMAQ(天气研究和预报模式-公共多尺度空气质量模型)被用于对以清华大学编制的2010年MEIC(中国多尺度排放清单模型)排放清单为基础制作的重庆地区SO_2排放源进行反演试验以解决准确性和时效性问题,试验时间段为2014年10月15—31日,重庆主城17个环境空气质量国控监测点ρ(SO_2)小时观测资料用于反演及检验.结果表明:该方法能够反演重庆地区SO_2源排放量,随着反演次数增加,基于反演排放源预报的ρ(SO_2)预报误差持续减小,反演4次后预报误差达到比较低的稳定的水平,其均方根误差均低于20μg/m^3.5次反演后SO_2源排放量用于2014年10月24—29日每天起始预报,其预报的站点、时间平均的均方根误差从100~400μg/m^3降至30μg/m^3以下.反演中应用局地化尺度减少集合取样误差影响,54与81 km两个局地化尺度反演结果对预报改善效果相当,表明主要影响重庆主城ρ(SO_2)的源排放位于主城及周边地区,也说明内源排放对重庆主城ρ(SO_2)起主要影响.反演后面源排放量主城区降幅约为30 kg/(d·km^2),周边地区减少10~20 kg/(d·km^2),主城区部分SO_2点源排放量降幅约为25 kg/(d·km^2),说明2010年MEIC排放清单高估了试验时段重庆地区的SO_2排放.

基于高斯和均方根容积卡尔曼滤波的姿态角辅助目标跟踪算法

根据目标2维运动速度与姿态角的关系,该文提出一种姿态角辅助目标跟踪算法。在目标运动学基础上建立状态向量中包含姿态角的跟踪模型,实现姿态角对目标跟踪的辅助;针对基于模板匹配姿态角量测的噪声为非高斯情况,将均方根容积卡尔曼滤波引入到高斯和滤波框架下,提出新的高斯和均方根容积卡尔曼滤波算法,提高非线性非高斯处理能力,同时结合目标运动中姿态角的变化规律,建立姿态角分量不同的跟踪模型,通过模型切换实现机动姿态角的滤波。算法对姿态角量测进行滤波,同时实现了姿态角信息与位置信息的有效融合。仿真结果验证了该算法的有效性和正确性。

集合卡尔曼滤波同化多普勒雷达资料的数值试验

利用集合卡尔曼滤波(EnKF)在云数值模式中同化模拟多普勒雷达资料,并考察了不同条件下EnKF同化方法的性能。结果显示,经过几个同化周期后,EnKF分析结果非常接近真值。单多普勒雷达资料EnKF同化对雷达位置不太敏感,双雷达资料同化结果在同化的初期阶段比单雷达资料同化结果准确。同化由反射率导出的雨水比直接同化反射率资料更有效,联合同化径向速度和雨水有利于提高同化分析效果。协方差对EnKF同化效果起着非常重要的作用,考虑模式全部预报变量与径向速度协方差的同化效果比仅考虑速度场与径向速度协方差的同化效果好。雷达资料缺值降低了同化效果,此时增加地面常规观测资料的同化可以明显提高同化分析效果。EnKF同化技术对雷达观测资料误差不太敏感。初始集合对同化分析有较大影响。EnKF同化受集合大小和观测资料影响半径。同化对模式误差较敏感。利用EnKF同化双多普勒雷达资料,分析了一次梅雨锋暴雨过程的中尺度结构。结果表明,EnKF同化技术能够从双多普勒雷达资料反演暴雨中尺度系统的动力场、热力场和微物理场,反演的风场是较准确的,反演的热力场和微物理场分布也是基本合理的。中低层切变线是此次暴雨的主要动力特征,对流云表现为低层辐合、高层辐散并有垂直上升运动伴随,其热力特征表现为低层是低压区,高层为高压区,中部为暖区而上、下部为冷区,水汽、云水和雨水分别集中在对流云体内、上升气流区和强回波区。

利用4D地震数据校正储层静态模型的集合卡尔曼滤波方法

储层静态模型是利用已知数据,结合先验性认识对未知储层空间进行插值预测,由此得到的结果与实际生产观测数据以及4D地震观测数据之间存在较大差异。基于集合卡尔曼滤波方法,通过观测数据反推系统模型的状态向量,对储层静态模型加以校正使得校正后的储层静态模型和观测数据之间差异最小化。选择4D地震属性差异作为观测数据,通过合理地抽取观测点,提高了运算效率。模型试验表明,校正后的静态模型能够较好地反映储层非均质性,并且与4D地震数据有较好的一致性。

基于集合卡尔曼滤波的多相流模型参数估计——以室内二维砂箱中重质非水相污染物入渗为例

重质非水相有机污染物(DNAPL)泄漏到地下后,其运移与分布特征受渗透率非均质性影响显著。为刻画DNAPL污染源区结构特征,需进行参数估计以描述水文地质参数的非均质性。本研究构建了基于集合卡尔曼滤波方法(EnKF)与多相流运移模型的同化方案,通过融合DNAPL饱和度观测数据推估非均质介质渗透率空间分布。通过二维砂箱实际与理想算例,验证了同化方法的推估效果,并探讨了不同因素对同化的影响。研究结果表明:基于EnKF方法同化饱和度观测资料可有效地推估非均质渗透率场;参数推估精度随观测时空密度的增大而提高;观测点位置分布对同化效果有所影响,布置在污染集中区域的观测数据对于参数估计具有较高的数据价值。

基于改进容积卡尔曼滤波的纯方位目标跟踪

为处理纯方位跟踪的非线性问题,提出了距离参数化均方根容积卡尔曼滤波,在消除距离信息不可测对跟踪影响的同时弱化了计算机有限字长截断效应所引入的误差。在假设目标的初始距离信息用多个参数化模型表示的基础上,对每个模型独立进行均方根容积卡尔曼滤波,并依据贝叶斯准则计算各滤波结果对应的概率,将概率和对应结果的加权融合作为最终滤波结果。实验仿真表明,该滤波虽略微提升了计算复杂度,但获得了更好的滤波精度和鲁棒性。

卡尔曼滤波在山西省西山煤田地面沉降GNSS监测中的应用

本文以山西省西山煤田某一工作面为试验区,在分析地面沉降全球卫星导航系统(GNSS)监测数据特征的基础上,利用两种卡尔曼滤波方法(普通和总体卡尔曼滤波)对矿区地面沉降GNSS监测数据进行了处理与评价,同时对比了两种卡尔曼滤波方法的均方根误差分布情况。试验结果表明,两种滤波方法的滤波结果与观测值趋势大致相同,但存在少数异常点。下沉量越大的监测点,滤波结果与观测值的差异越大,但总体卡尔曼滤波的差异明显小于普通卡尔曼滤波,特别是对于下沉量较大的监测点。下沉量越大的监测点,其均方根误差越大,总体卡尔曼滤增大的速度远小于普通卡尔曼滤波,总体卡尔曼滤波均方根误差的最大值小于0.1 m,普通卡尔曼滤波的则接近0.4 m。

集合均方根滤波同化地闪资料的试验研究

闪电资料作为雷达资料的良好补充,可以弥补雷达资料时空与地域的限制。国内外大量研究发现,对流性天气中的地闪与雷达回波具有很强的相关性,这为同化闪电资料提供了一定的可能性。依照GSI云分析中的方法,将闪电资料转换为三维代理回波,运用三维变分方法加入随机扰动产生集合成员,再用集合均方根滤波方法进行同化。选取2009年6月5日发生于苏皖地区的一次强对流天气过程进行一系列同化预报试验。试验结果表明:闪电资料转换为三维代理回波后经集合均方根滤波同化后具有良好的适用性。预报回波能迅速得以改善,时效为3 h左右。同化多时次的闪电资料可以提供更好的预报结果,可提高3 h内短时临近降水预报精度。

基于地面资料集合均方根滤波同化方案的京津冀暴雨模拟研究

为了更加有效地同化地面自动气象站观测资料,针对模式地形与观测站地形存在的高度差异对同化效果的影响,提出了相应的解决方案。在同化系统的位温和露点观测误差中分别引入位温和露点地形代表性误差,在WRF模式中应用集合均方根滤波方法(EnSRF)同化地面自动气象站观测资料,并对2016年一次京津冀暴雨个例进行数值试验。研究结果表明,同化地面资料后,同化阶段的均方根误差、预报阶段的降水TS评分和前13个时次各要素预报均有整体改进。在观测误差中引入地形代表性误差与引入前相比,风场均方根误差得到整体改进;位温和露点的均方根误差在前期表现并不稳定,在后期有所改进;预报阶段前24 h累计降水与后24 h累计降水TS评分在整体上均有所提高。新方案能够减少高度差异对同化效果的影响。

GPS/INS组合导航缺星情况下的卡尔曼滤波改进算法

针对GPS/INS(Global Positioning System/Inertial Navigation System)紧组合导航系统在卫星信号缺失情况下导航精度降低,容积卡尔曼滤波(Cubature Kalman Filter,CKF)应用中存在模型误差和计算误差的问题,提出了适用于该背景下的强跟踪均方根容积卡尔曼滤波(Square-Root CKF)算法。该算法通过人为地相对突出滤波过程中新数据的作用,提高了算法在模型不确定时的鲁棒性;均方根策略保证了协方差阵的正定性和对称性。仿真实验表明,改进的算法能够提高导航精度,在卫星信号缺失情况下其效能发挥地更好,提高了组合导航适应复杂环境的能力。

两类订正方案在集合均方根滤波土壤湿度同化中的对比研究

利用Noah陆面模式,基于集合均方根滤波(ensemble square-root filter,简称ENSRF)算法,结合观测和模式2类订正方法,通过构建多个融合同化方案,进行土壤湿度同化研究。其中,模式订正采用粒子群优化算法估计模式参数,观测订正则将观测季节性尺度的特征调整到与模式气候态相当的水平。结果表明,观测订正能够有效减少观测与模式季节尺度差异,从而间接减少同化中的观测误差,而模式订正则有效减少模式参数在同化中产生的误差;引入观测和模式订正后的同化都要优于原始观测且未订正模式的传统同化方案,而单独引入模式或者观测订正并不能够提供给同化方案最佳误差订正信息;结合尺度化的观测订正和参数优化的模式订正,能够使传统土壤湿度ENSRF估计方案得到最大程度的改善。

基于无迹卡尔曼滤波的水下机动目标跟踪研究

针对跟踪水下机动目标,难度较大的问题,建立了目标运动方程和观测方程,并将无迹卡尔曼滤波算法运用到水下目标运动分析中。通过蒙特卡洛模拟仿真,结果表明在处理非线性问题中,该方法计算量小、实现简单,精度较高,有较强的实用性。

一种改进的均方根容积粒子滤波算法

传统的粒子滤波算法在重要性采样估计时忽略了当前量测影响。在非线性场景下,传统的粒子滤波导致个别粒子具有大权值,造成估计结果精度差。针对该问题,结合均方根容积卡尔曼滤波(SCKF)算法和Gating技术,提出了一种新的重要性函数估计算法。本算法将后验概率作为重要性采样函数,通过利用SCKF和统计距离,建立粒子与量测的关联关系,实现对重要性采样函数的均值和协方差矩阵的估计。而后,使用粒子滤波算法,对多目标状态和数目进行估计。实验表明,在非线性跟踪场景下,本算法估计精度高,估计结果稳定。

面向非线性MTT的多模型泊松多伯努利混合滤波算法

在多目标跟踪(Multi-target Tracking,MTT)的非线性特性与低检测概率情况下,针对多伯努利滤波算法的高斯混合(Gaussian Mixture,GM)实现难以精确估计目标的势与运动状态的实际问题,本文提出了一种适用于非线性系统的泊松多伯努利混合滤波(Poisson Multi-Bernoulli Mixture Filter,PMBM)算法.首先,推导出多模型泊松多伯努利混合滤波的高斯混合(GM Multi-model PMBM,GM-MM-PMBM)实现过程.然后,分别对GM-MM-PMBM的伯努利高斯分量进行预测与更新,实现了基于非线性系统的MTT.为提升系统稳定性,基于平方根协方差矩阵推导出GM-MM-PMBM均方根容积卡尔曼滤波算法的实现过程.最后,仿真实验综合验证了本文算法的跟踪性能.

基于均方根容积粒子的SMC-PHD算法

传统的序贯蒙特卡罗概率假设密度(SMC-PHD)算法采用状态转移密度作为重要性采样函数.当目标非线性运动时,少数粒子将具有较大的权值,导致估计精度低、结果发散.针对上述问题,提出了一种基于均方根容积卡尔曼滤波(SCKF)和统计门限技术的重要性采样函数设计方法.在重要性采样函数估计时,首先利用SCKF对重要性采样函数的均值和协方差阵进行预测,而后利用统计门限技术提取与重要性采样粒子相关联的量测.通过相应的权值对所提取的量测进行合并,更新重要性采样函数的均值和协方差阵.在此基础上将设计的重要性采样函数应用于SMC-PHD的强度预测和更新,最终实现多目标状态和数目的估计.实验表明,本算法在非线性多目标跟踪中具有精度高、估计结果稳定的优点.

消除偏差集合平均在黄海渤海大风预报中的应用

基于日本气象厅预报模式（JMA）、美国国家环境预报中心预报模式（NCEP GFS）及美国海军全球大气预报谱模式（NOGAPS）3个模式2009年6月28日~8月10日每日20：00预报的海面风场预报资料,利用消除偏差集合平均对海面风场进行预报试验,并采用均方根误差对预报结果进行检验评估。结果表明,对于24、48 h海面风场预报,消除偏差集合平均有效地减小了预报的均方根误差,预报效果优于单个模式的预报;其中,渤海中部偏南地区及黄海中部误差减小最为明显。此外,消除偏差集合平均预报明显改善了2009年7月13~14日和8月7日大风过程的预报效果,提高了风速值和大风区位置的预报准确率。

集合卡曼滤波算法对FARSITE模型林火蔓延预测的修正效果研究

针对火源位置输入偏差导致的FARSITE林火行为模型火线预测不准确的问题,提出了一种基于集合卡曼滤波算法的动态修正方法。利用FARSITE对复杂工况下的林火蔓延过程进行数值模拟,以火线位置为待修正参量,以均方根误差(RMSE)为评价指标,对算法的可行性进行了验证,并研究了算法的集合元素个数,观测数据标准差及同化频率对FARSITE预测偏差的修正效果的影响。结果表明:算法能显著提高FARSITE火线预测精度;逐时同化时:集合元素个数为5时,算法的修正效果并不理想,随着集合元素个数增大,样本误差减小,修正效果得到改善,但增大到30以上时,修正能力的提升就不再明显;观测数据标准差大小与RMSE值呈正相关;给定条件下当同化频率由1 h/次降低至2 h/次,整个模拟时长内的误差仍能得到较好控制,RMSE曲线并不会过快增长。

基于集合均方根滤波的太湖叶绿素a浓度估算与预测

叶绿素a浓度作为表征水质状况的重要参数之一,反映了水体富营养化程度和藻类含量,是决定水体的反射光谱特征的重要因素,也是水质遥感领域研究较多的一项水质参数.研究叶绿素a浓度的遥感定量反演可以为湖泊水质监测与评价提供新的思路和方法.本研究发展了一个基于集合均方根滤波和风生流的污染物扩散模型的数据同化方案,并结合2010年5月20日的太湖3个浮标观测站点的观测数据进行了同化实验.首先对太湖叶绿素a浓度进行同化估算,然后利用优化后的估算结果对太湖叶绿素a浓度进行了为期6 h的预报.在同化阶段,均方根误差分别从1.58、1.025、2.76降低到了0.465、0.276、1.01,平均相对误差也从0.2降低到了0.05、0.046、0.069.在预报阶段,均方根误差从1.486、1.143、2.38降低到了0.017、0.147、0.23,平均相对误差也从0.2降低到了0.002、0.025、0.019.结果表明,利用集合均方根滤波的数据同化方法可以有效地提高太湖叶绿素a浓度的估算与预报精度.

基于TIGGE资料的集合成员优选方法

利用2007年6月8日—8月31日东亚地区TIGGE集合预报资料中欧洲中期天气预报中心（European Centre for Medium-range Weather Forecasts,ECMWF）和英国气象局（United Kingdom Met Office,UKMO）两个中心的地面2 m气温资料进行集合成员优选研究。结果表明,对于24-96 h预报,集合成员优选方法能够较好地选出预报技巧较高和预报技巧较低的集合成员。个例分析表明,在极端天气出现的地区,优选集合平均的预报优势较为明显。对比ECMWF和UKMO的集合成员优选结果发现,ECMWF的预报效果优于UKMO的预报效果。

基于高斯和与SCKF的非线性非高斯滤波算法

针对均方根容积卡尔曼滤波(SCKF)对非高斯情况滤波效果差的问题,在分析SCKF和高斯和滤波基础上,提出一种高斯和均方根容积卡尔曼滤波新算法。算法采用高斯和形式来逼近非高斯后验概率密度,将SCKF作为子滤波器,对每个高斯分量进行时间和量测更新,使其有效解决非线性非高斯滤波问题。仿真结果表明,高斯和均方根容积卡尔曼滤波估计精度高于粒子滤波和高斯和扩展卡尔曼滤波算法,与容积粒子滤波精度相当,但耗时约为容积粒子滤波的15%,是一种较好平衡跟踪精度和实时性的非线性非高斯滤波算法。