基于集合Kalman滤波数据同化的热带气旋路径集合预报研究

构建了一个基于集合Kalman滤波数据同化的热带气旋集合预报系统,通过积云参数化方案和边界层参数化方案的9个不同组合,采用MM5模式进行了不同时间的短时预报。对预报结果使用“镜像法”得到18个初始成员,为同化提供初始背景集合。将人造台风作为观测场,同化后的结果作为集合预报的初值,通过不同参数组合的MM5模式进行集合预报。对2003-2004年16个台风个例的分析表明,初始成员产生方法能够对热带气旋的要素场、中心强度和位置进行合理扰动。同化结果使台风强度得到加强,结构更接近实际。基于同化的集合路径预报结果要优于未同化的集合预报。使用“镜像法”增加集合成员提高了预报准确度,路径预报误差在48小时和72小时分别低于200 km和250 km。

基于集合Kalman滤波的中长期径流预报

为降低中长期径流预报的不确定性,增加水电站水库的发电效益,针对现有方法侧重于提高单一预报模型确定性预报结果的准确性以降低径流预报不确定性的问题,提出一种基于集合Kalman滤波的入库径流确定性预报方法。以旬为预见期的锦西水库实例验证结果表明:相比传统的单一预报模型和传统的信息融合预报模型,基于集合Kalman滤波的中长期径流预报可使RMSE降低4.78 m^(3)/s,合格率可提高0.56%,且更有效地降低了汛期预报的不确定性,得到了更加准确、可靠的确定性径流预报结果,可为开展流域梯级水电站优化调度提供技术支持。

基于集合变换Kalman滤波的流场高效重构

湍流场的准确估计在航空航天领域具有重要意义,现有的获取手段在分辨率或者准确性方面是不足的。实验测量准确却往往测点数量有限,数值计算能获得全场数据,但精度却难以保障。数据同化方法融合了实验观测和数值模拟,是进行流场重构的有效工具。探索了基于集合变换Kalman滤波(ensemble transform Kalman filter,ETKF)的数据同化方法在空间流场重构方面的有效性,并讨论了不同迭代更新模式的重构精度和计算效率,即状态变量基于湍流模型更新的ETKF-M和基于流场数据更新的ETKF-D。以ONERA M6机翼作为数值算例,结合风洞实验翼型表面271测压孔的压力测量数据进行算法实验,结果表明ETKF方法的不同迭代模式均有效修正了湍流模型的预测,并且ETKF-D相对于ETKF-M提升了83%的计算效率。此外,选取两组不同位置的1/4实验测点进行同化实验,得到不同精度的结果,这表明重构的精度与同化测点的位置和数量密切相关。

黄土滑坡稳定性评价的集合卡尔曼滤波同化方法

[目的]为提升区域滑坡稳定性评价模型的预测精度,解决传统滑坡稳定性分析基于静态的物理模型过度简化滑坡发生机理与力学机制,导致过度预测的缺点,以及模型参数通常具有的时空变异性、不确定性的问题。[方法]基于集合卡尔曼滤波的数据同化方法,以甘肃省兰州市北环路周边区域为例,构建了基于TRIGRS模型和SBAS-InSAR观测数据的区域滑坡数据同化方案,对模型中的安全系数(Fs)进行同化,更新模型参数内摩擦角,进而修正滑坡稳定性,并利用均方根偏差(RMSD)检验同化值的精度。[结果]同化后研究区域滑坡安全系数明显高于模型预测的结果,不稳定区域的面积比例由12%降低至7%,与实际观测更为接近;试验使内摩擦角参数逐渐向观测值方向改正,实现了模型参数的动态更新;均方根偏差从0.33减小到0.04左右。[结论]基于集合卡尔曼滤波的数据同化方法有效修正了模型稳定性预测结果,可以更准确体现当前区域滑坡实际情况,具有更高的预测精度。

集合Kalman滤波在土壤湿度同化中的应用

基于非饱和土壤水模型和集合卡尔曼滤波（Ensemble Kalman Filter,简称EnKF）并结合陆面水文模型——可变下渗能力模型（Variable Infiltration Capacity,简称VIC模型）发展了一个土壤湿度同化方案。利用1998年6～8月淮河流域能量和水循环试验（HUBEX）项目外场观测试验区——史灌河流域梅山站土壤湿度逐日观测资料及1986～1993年合肥和南阳两站点的土壤湿度旬观测资料进行同化试验,结果表明该同化方案能完整估计土壤湿度廓线,同化的土壤湿度与观测资料基本吻合,反映了土壤湿度的日、旬、月、季变化,同化方案是合理的。与基于扩展卡尔曼滤波（Extended Kalman Filter,简称EKF）的土壤湿度同化方案的结果比较,基于EnKF的土壤湿度同化方案易于实现,且通过选择恰当的集合样本数其同化效果总体上略优于EKF同化方案,但前者同化时需要花费较多的计算时间。

集合Kalman滤波同化理论及其数值试验

集合Kalman滤波用于数值试验有着坚实的理论基础。本文介绍了集合Kalman滤波理论及其技术实现,在此基础上搭建了集合Kalman滤波同化系统,用MM5模式同化了实测探空资料并作了48 h的预报试验,并将预报结果与实测值及4D VAR同化的结果作了比较。试验结果表明:集合Kalman滤波同化探空资料可以改进MM5模式的预报效果,且集合Kalman滤波同化后模式的预报效果明显优于4D VAR同化后模式的预报效果。

基于集合卡尔曼滤波的湖泊富营养化模型Delft3D-BLOOM数据同化

富营养化模型是进行湖泊水环境质量预测和管理的重要工具,然而模型客观存在的误差一直是应用者关心的重要问题.数据同化作为连接观测数据与数值模型的重要方法,可以有效提高模型的准确性.集合卡尔曼滤波(En KF)是众多数据同化算法中应用最为广泛的一种,可进行非线性系统的数据同化,并能有效降低数据同化的计算量.本研究以太湖作为具体实例,选择Delft3D-BLOOM作为富营养化模型,在数值实验确定En KF集合数为100、观测误差方差为1%、模拟误差方差为10%的基础上分别进行模型状态变量同化以及状态变量与关键参数同步同化.结果显示,仅同化状态变量时,模型预测精度有所增加;同时同化状态变量和关键参数时,可显著提升模型在湖泊水环境质量预测中的精度.该研究为应用集合卡尔曼滤波以提高复杂的湖库富营养化模型模拟精度提供了有效的方法.

Kalman滤波在气象数据同化中的发展与应用

气象学领域各种观测 (特别是遥感遥测等非常规观测 )数据的大量增多和数值天气预报模式的不断进步 ,推动气象数据同化技术不断发展。回顾了 Kalman滤波在气象数据同化中的引入和几个发展阶段 ;介绍了 Kalman滤波 (尤其是简化 Kalman滤波和总体 Kalman滤波 )在气象数据同化中的重要地位和应用进展。

集合滤波和三维变分混合数据同化方法研究

发展了一种新的混合数据同化方法——基于集合滤波和三维变分的混合数据同化方法。该方法将集合调整卡尔曼滤波(ensemble adjustment Kalman filter,EAKF)得到的集合样本扰动通过一个转换矩阵的形式直接作用到背景场上,利用顺序滤波的思想得到分析场的一个扰动;然后在三维变分(three dimensional variational analysis,3D-Var)的框架下与观测数据进行拟合,从而给出分析场的最优估计。文中以Lorenz63模型为例,开展了理想数据同化试验,结果表明,相比于集合调整卡尔曼滤波,这种新的混合同化方法可以给出更好的同化结果。

不同模式误差方案在集合Kalman滤波土壤湿度同化中的比较试验

本文主要目的是探讨不同模式误差方案在土壤湿度同化中的性能。基于集合Kal man滤波同化方法和AVI M(At mosphere-Vegetation Interaction Model)陆面模式,利用理想试验对膨胀因子方案(Covariance Infla-tion,简称CI)、直接随机扰动方案(Direct Random Disturbance,简称DRD)、误差源扰动方案(Source RandomDisturbance,简称SRD)等3种模式误差方案的同化效果进行了比较,讨论了各方案在不同观测误差、观测层数、观测间隔情况下的同化性能。试验结果表明在观测误差估计完全准确的情况下,3种方案都能获得较好的同化效果,并且SRD方案相对于真值的均方根误差最小。当观测误差估计不准确时,SRD方案的同化效果仍能基本得以保持,而CI和DRD方案则对观测误差估计更为敏感,同化效果下降明显。当同化多层观测时,CI和DRD方案由于难以保持不同层观测之间的匹配关系,同化结果反而变差,而SRD方案能有效协调同化多层观测,增加观测层后同化结果有了进一步的改善。当观测时间间隔较大时,CI和DRD方案的同化效果显著下降;而SRD方案由于包含了一定的误差订正功能,在观测稀疏时仍能保持较好的同化效果。

翼型流动分离的EnKF非稳态数据同化

为了改善RANS模型对流动分离现象的预测性能,针对NACA0012翼型绕流,采用基于非稳态计算的集合Kalman滤波(ensemble Kalman filter,EnKF)数据同化方法,结合粒子图像测速(particle image velocimetry,PIV)数据对SST湍流模型的模型常数进行了修正,对比分析了不同模型常数扰动幅度、不同集合样本数目下稳态数据同化和非稳态数据同化的预测结果差异。研究结果表明,相对于稳态计算,非稳态计算能够增强数值模拟的稳健性,从而可以在较大的扰动幅度下,改善RANS模型的初始预测分布。稳态数据同化在模型常数扰动幅度较大或者样本数目较少时存在明显缺陷,非稳态的数据同化具有更好的鲁棒性,能够在更大扰动幅度和更少样本数下得到最优的湍流模型常数,对流场的预测更加准确。

基于集合卡尔曼滤波的河网水情数据同化

为解决河网非线性动态系统的数据同化问题,采用基于集合思想的集合卡尔曼滤波来实时校正河网水力模型状态变量,以提高河网水情仿真与预报的计算精度。集合卡尔曼滤波的关键在于状态初始集合的设置,作者采用Box Muller方法生成一组服从正态分布的随机集合,通过一个由14条河段组成的河网水力仿真算例系统分析了集合大小、集合标准差对数据同化效果的影响,并将得到的初步结论应用到实例计算中,获得了良好的数据同化效果。结果表明:集合卡尔曼滤波算法应用简便,适用范围广,能够有效地进行河网非线性动态系统的数据同化;在设置水位状态变量初始集合时,建议取集合规模50~100、标准差0.001~0.005 m。

集合卡尔曼滤波在浅水模式数据同化中的应用

为了研究集合Kalman滤波同化技术应用于非线性动力学模式的同化效果,通过利用集合Kalman滤波技术对浅水理论中均质不可压流体运动的动力学模式进行理想的数据同化试验。分析集合Kalman滤波同化方法应用于动力学系统的计算方法和步骤。比较三维变分和集合Kalman滤波的同化效果,讨论了集合Kalman滤波数据同化方法的基本性质和同化观测的频率对集合Kalman滤波同化效果的影响。通过试验证明,集合Kalman滤波数据同化方法能够成功地应用于浅水均质不可压流体的动力学系统,可有效地抑制估计误差的增长,为模式预报提供更加理想的初值,改善预报效果。

基于数据同化的棒束流场湍流模型常数标定方法研究

为了提升压水堆棒束燃料组件内二次流预测精度,采用基于集合卡尔曼滤波算法的数据同化策略对非线性涡粘模型的关键模型系数进行标定。为了提升数据同化策略的收敛速度,降低模型常数的收敛残差,采用基于模型常数敏感性分析的定向抽样和基于空间相关长度的局部修正等方法,改进了数据同化策略和集合卡尔曼滤波算法。本文基于改进的数据同化策略,利用5×5棒束通道定位格架下游流场实验观测数据,标定了非线性涡粘模型。研究结果表明,与标准非线性涡粘模型相比,标定后的非线性涡粘模型对棒束通道定位格架下游二次流的预测精度显著提高,成功预测了标准模型常数未能准确预测的横截面涡结构。

沿海声层析数据在印尼巴厘海峡的同化研究

沿海声层析(Coastal Acoustic Tomography,简称CAT)是利用高频声信号实现近海大范围流场观测的有效手段,但其直接观测范围仍然有限。海洋数值模式提供了一种存在仿真误差的大范围海洋背景场,将CAT观测结果与海洋背景结果同化,可以提高流场结果的分辨率和准确度。本文提出一种利用流函数拟合海洋模式流场结果并使用集合卡尔曼滤波算法同化CAT数据的方法,获得更大范围的海洋水平二维流场结果。同化研究以非结构化网格有限体积海洋数值模式(Finite-Volume Community Ocean Model,简称FVCOM)作为背景场,以2016年6月1日至3日在印度尼西亚巴厘海峡(Bali Strait)进行的4站CAT实验作为观测数据。经过背景场流函数拟合和CAT数据同化,获得巴厘海峡二维流场。同化结果分别与同期观测结果和潮位数据对比,发现流函数拟合同化后的流场能更准确地描述巴厘海峡涨落潮和流量情况,通过引入CAT数据与流场的函数关系,可以有效地降低海洋模式的误差和原观测数据的稀疏性。

基于集合卡尔曼滤波同化方法和HYDRUS-1D模型的土壤水分模拟

研究建立了一个基于集合卡尔曼滤波方法和HYDRUS-1D模型相结合的数据同化方案,利用2021年4月26日—10月5日内蒙古巴彦淖尔五原站0~80 cm的土壤水分观测数据进行模拟验证,以提高土壤水分的模拟精度。结果表明:(1)集合数大小和观测误差的选取对同化系统性能有较大影响。集合数在100以上,土壤含水量的同化精度不再有明显提高。观测误差越小土壤水分模拟精度越高,因此观测误差为0.025时的同化精度最高。(2)数据同化后,各层土壤水分模拟精度较同化前均有明显提高,各层土壤水分同化值与观测值间的相对误差、均方根误差、平均绝对误差分别减少至0.025~0.063、0.01~0.017 cm^(3)·cm^(-3)、0.008~0.016 cm^(3)·cm^(-3)。证明数据同化方法能够有效改善土壤水分模拟效果。(3)0~20 cm土壤水分同化效果最好,20~40 cm次之,40~80 cm土壤水分同化效果较差。模拟精度分析值优于同化预报值,同化预报值优于HYDRUS-1D预报值。

数据同化系统中的集合时间局地化鲁棒滤波方法

针对传统的卡尔曼滤波方法对不确定因素不具备鲁棒性问题,在集合鲁棒滤波的基础上,提出一种从观测角度构建优化数据同化的方法,称之为放大观测协方差矩阵的集合时间局地化鲁棒滤波,并推导了新方法的算法准则和递归公式。利用非线性系统Lorenz-96模型,基于性能水平系数、驱动参数、观测数目和集合数目变化的条件,对新方法和集合卡尔曼滤波方法的鲁棒性和同化精度进行比较。结果表明:集合卡尔曼滤波方法的均方根误差大于时间局地化鲁棒滤波的;在观测数或集合数较少的情况下,集合卡尔曼滤波出现了滤波发散问题,而鲁棒滤波的均方根误差波动较小;相较于传统的集合卡尔曼滤波算法,观测角度构建的时间局地化的H_∞滤波方法对系统参数的变化更具鲁棒性,滤波精度更高。

集合卡尔曼滤波数据同化在一维波动方程中的应用

简要回顾了集合卡尔曼滤波(EnKF:EnsembleKalmanFilter)数据同化方法的发展历史,并介绍了EnKF数据同化方法的基本原理,利用一维非线性波动方程进行了数值试验。EnKF数据同化方法的实现过程简单可行,避免了EKF中协方差演变方程预报过程中出现的计算不准确和关于协方差矩阵的大量数据的存储问题,最主要的是EnKF可以有效控制模式变量估计误差方差的增长,改善预报效果。

集合Kalman滤波同化方法在福建沿岸潮汐数值模拟和预报中的应用研究

为了提高潮汐数值模拟和预报的准确度,利用《2009潮汐表》,建立了含集合Kalman滤波同化模块的潮汐数值预报模型,对集合Kalman滤波同化模块中的参数进行确定,并对同化效果进行了检验.为了确定集合Kalman滤波同化模块中的参数(主要是集合数和截断半径),考虑了42种参数组合,在这些组合中,以模拟准确度和计算相同时段的潮汐值所需时间为标准,存在最优的参数组合:其中,东山、厦门、娘宫、崇武4个站最优的截断半径为35 km,三沙站最优截断半径为30 km,5个站的最优集合数均为20.实验结果表明:将集合Kalman滤波同化方法用于潮汐数值预报模拟中是可行的,同化验潮站的潮汐表上的潮位数据对验潮站本身及其邻近网格点的潮汐模拟改进最大;当5个站不同化调和数据进去的时候,东山、厦门、娘宫、崇武4个站的模拟准确度,在未来12 h仍然有所提高.

风力机翼型失速流动数据同化

为验证数据同化优化湍流模型参数方法在不同厚度翼型上的效果以及同一优化参数在不同翼型上的适用性,对应用在风力机上的3种不同厚度的翼型(NACA63415、S809、DU97W300)进行失速流动下的数据同化研究。基于现有的风洞试验数据,使用集合卡尔曼滤波方法优化S-A(Spalart-Allramas)湍流模型的参数,确定各模型参数对数值模拟的影响程度,并对比同一翼型优化前后以及在不同翼型上计算的表面压力分布结果。结果表明,模型参数优化后,计算误差减小,模拟的气流分离点和压力分布曲线都更加贴近实验值。此外,翼型S809的优化参数同样可以减小另两个翼型的计算误差,能够适应其他翼型的气动性能计算,但是误差略大于其自身优化计算结果。同化后,3种翼型的模型参数中变化较大的是C_(b1)、C_(υ1)和σ,其中C_(b1)变化幅度最大,且在各翼型上的变化趋势都表现为减小。因此可以推测Cb1对于模型参数的适用性至关重要,至少对于本文研究的3种翼型而言是如此。