顺序数据同化系统模型有色噪声控制方法研究

在顺序数据同化系统中,一般假设模型的误差符合高斯白噪声的统计特性,然而白噪声是一种十分理想的噪声,实际情况中,模型的噪声均为有色噪声,若仍将其当作白噪声进行处理,将会影响数据同化结果的精度。针对模型的有色噪声控制问题,该文提出了状态改正数自适应方法。该方法基于状态改正数信息对模型的有色噪声直接进行估计,从而降低有色噪声对顺序数据同化结果精度的影响。而后将该方法、经典卡尔曼滤波同化法、向量增广法及协方差矩阵自适应法分别应用到目标位置跟踪数值算例中,对几种方法得到的同化结果进行对比分析,验证了该文提出的状态改正数自适应方法对顺序数据同化系统模型有色噪声控制的有效性和实用性。

一种新的顺序数据同化方法

将Monte Carlo方法和H∞滤波技术结合起来,提出了一种适用于非线性系统在不知道观测资料误差统计特性情况下的Monte Carlo H∞滤波顺序数据同化新方法.分别利用Lorenz(1963)系统和浅水方程组对在实际应用中遇到的观测误差时间相关和空间相关问题与集合Kalman滤波同化方法进行了对比数值试验.在观测误差时间或者空间相关且不知道相关统计特性的情况下,新方法的同化结果比集合Kalman滤波方法的更好.结果表明Monte Carlo H∞滤波同化方法对非线性系统是有效和适用的,它不依赖于观测资料的误差估计,对观测误差统计特性的变化具有较好的鲁棒性.另外,新方法中用搜索法寻找到的最小水平因子是随流型演变的.

基于作物生长模型和多源数据的融合技术研究进展

精确的区域作物产量估计在社会食品安全生产中起着重要作用。首先讨论了常用的2种区域作物产量估计方法,包括产量监测和产量模拟。其中,作物生长模型能够反映作物的整个生长演变过程,并能最终预报作物产量,因此在区域作物产量预报中起着重要作用,但是由于作物生长模型在输入数据、模型参数和模型结构等方面存在较大的不确定性,导致最终的模拟结果也存在较大的不确定性,尤其是应用到区域尺度时,这种不确定性使得模拟结果同真实的作物产量空间分布图存在较大的不一致性。而产量监测,尤其是利用先进的多源遥感信息,可捕捉真实的区域尺度的地面作物生长信息,但是仅为瞬时信息。因此利用数据融合算法,融合模型和数据的优点,得到更为可靠的区域产量估计结果是十分有意义的。所以在详述了当前主要的作物生长模型的基础上,重点讨论了常用的2种数据融合技术,即优化方法和顺序数据同化方法,以及目前利用这两种方法在作物生长模型中融合观测信息的部分案例。