一种优化陆面过程模式的方法

摘要

本发明涉及一种优化陆面过程模式的方法，解决传统数据同化算法耗时长的技术问题，发明的方法包含：S1、运行陆面过程模式，计算陆面过程各物理量的模拟值；S2、用数据同化方法校正拟同化的物理量，得到陆面变量的同化值；S3、构建目标函数，将同化值引入陆面过程模式，通过数值优化方法，改变陆面过程模式参数值至目标函数最小，重复S1～S3得到模式参数的最优值时间序列；S4、用模式参数的最优值时间序列代替原模式参数，改进陆面过程模式。方案从物理机制上改进陆面过程模式参数化方案，提高了模式自身的模拟精度；直接运行改进的陆面过程模式得到高精度的模式输出数据，避免逐年逐日低效率同化过程。

说明书

技术领域：

本发明涉及卫星遥感领域，尤其涉及一种利用陆面过程模式输出数据同化值优化陆面过程模式的方法。

背景技术：

陆面过程研究主要用模拟和观测两种手段获得陆面变量时空分布。其中，陆面过程是指能够影响天气和气候变化的发生在陆地表面(包括生物圈)和土壤中控制地气之间动量、热量及水分交换的过程；陆面变量包括地表和根区土壤水分、温度、能量通量等物理量；用于模拟的方法即陆面过程模式。由于陆面变量的高度异质性以及陆表观测条件的限制，目前无论用观测还是模拟的手段都无法获得一套完整、可靠、大范围、长时间序列的陆表变量时空分布数据，能够应用于大气环流模式和区域气候模式中。陆面过程模式参数是运用陆面过程模式计算陆面变量时要使用的系数，例如在陆面过程模式参数化方案之一的土壤水参数化方案中，所述陆面过程模式参数包含饱和水力传导率、饱和土壤湿度、饱和土壤水势、Clapp和Hornberger经验常数等。

陆面数据同化就是利用各种观测数据(包括不同空间和时间分辨率的地面常规观测、卫星遥感、雷达数据等)，结合陆面过程模式和数据同化算法，优化计算陆面变量时空分布。陆面数据同化系统包括数据(观测数据、陆面过程模式输入数据和陆面过程模式输出数据)、预报算子、观测算子、误差估计和数据同化算法等。所述预报算子用来描述地气系统之间水分、热量和动量交换的作用过程，通常为陆面过程模式；所述观测算子用来建立陆面过程模式输出数据(下文简称“输出数据”)和观测数据之间的关系，当观测数据和输出数据的物理意义一致时，观测算子可以认为是插值算法，用于把输出数据内插到观测点；当观测数据为遥感数据、与输出数据的物理意义不一致时，观测算子通常使用地表微波辐射传输模型，将输出数据转换为卫星的观测量(比如地表微波辐射亮度温度值)；数据同化算法耦合预报算子、观测算子，在考虑预报误差和观测误差的基础上，利用观测数据对输出数据进行优化，实现输出数据校正。本说明书中，将校正后的输出数据称为输出数据同化值。

但是，现有的陆面数据同化过程通过预报算子和各种观测算子各自误差加权的方式实现优化，只是一种数学意义上的优化，没有提高陆面过程模式自身的预报能力，同化过程中对陆面过程模式输出结果进行校正时需要进行大量的计算，效率较低。

发明内容：

本发明是为了解决传统陆面数据同化技术对陆面过程模式输出数据进行校正时需要进行大量计算，效率低的技术问题，提出了一种优化陆面过程模式的方法：

本发明所述优化陆面过程模式的方法包括如下步骤：

S1、利用陆面过程模式输入数据，运行陆面过程模式，计算陆面变量的模拟值，生成陆面过程模式输出数据；

所述陆面过程模式输入数据包含大气强迫数据和地表参数；

S2、用数据同化算法校正所述陆面过程模式输出数据，得到输出数据同化值；

S3、构建目标函数，将所述输出数据同化值引入所述陆面过程模式中，通过数值优化方法改变陆面过程模式参数值使所述目标函数值最小；

所述目标函数值最小时对应的陆面过程模式参数，作为陆面过程模式参数优化值；

S4、对历史范围内(如过去的某一年)多个时段(如该年的各月份)重复步骤S1～S3，得到陆面过程模式参数优化值时间序列；用所述陆面过程模式参数优化值时间序列代替原有的陆面过程模式参数，形成优化参数化方案的陆面过程模式。

进一步地，本发明使用所述优化参数化方案的陆面过程模式和拟研究时段的所述陆面过程模式输入数据，直接计算得出拟研究时段的陆面过程模式输出数据。

所述大气强迫数据包含近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率。

所述地表参数包含地表覆盖类型及其所占的比例、土壤质地比例、叶面积指数；所述土壤质地指砂土或粘土。

所述步骤S1进一步包含：陆面过程模式的起转过程(Spin-up)：用拟研究时段以前的所述陆面过程模式输入数据运行所述陆面过程模式获得模式平衡状态；以所述模式平衡状态为初始条件，用拟研究时段的所述陆面过程模式输入数据，运行所述陆面过程模式计算所述陆面过程模式输出数据。

优选地，所述数据同化算法包含变分法、集合Kalman滤波算法、扩展Kalman滤波算法、粒子滤波算法中至少一种。

所述步骤S2中，可选择地，所述数据同化算法使用陆面变量模拟数据和陆面变量观测数据的偏差来校正陆面过程模式输出数据。

所述步骤S2中，可选择地，所述数据同化算法使用模拟的卫星遥感数据与观测的卫星遥感数据的偏差来校正陆面过程模式输出数据；所述模拟的卫星遥感数据是运用地表微波辐射传输模型对所述陆面过程模式输出数据进行计算得到。

优选地，所述步骤S3中，所述目标函数为均方根误差函数。

优选地，所述步骤S3中，所述数值优化方法是复合形混合演化算法(SCE-UA)。

本发明所述方法优化了陆面过程模式参数化方案中的参数值，从物理机制上改进和完善了陆面过程模式参数化方案，提高了陆面过程模式自身的预报精度。与现有陆面数据同化技术相比，本方法规避了逐年同化计算量大、耗时长的问题，尤其是在利用陆面过程模式与大气模式耦合的陆-气耦合模式进行气候模拟与预测时，本发明所述方法提高计算效率的优势更为显著。本发明能够促进遥感在地球系统科学和全球变化研究中的应用。

附图说明：

图1是优化陆面过程模式的方法流程图。

图2是同化站点观测数据优化陆面过程模式的实施例。

图3是同化卫星遥感观测数据优化陆面过程模式的实施例。

具体实施方式：

下面结合附图，说明本方法的实施方式。

图1所示本发明优化陆面过程模式的方法的流程图，包含以下步骤：

S1、利用陆面过程模式输入数据，运行陆面过程模式，计算陆面变量的模拟值，生成陆面过程模式输出数据；

步骤S1的计算过程简记为：

陆面过程模式输出数据＝陆面过程模式(参数值，陆面过程模式输入数据)公式1

公式1中，所述陆面过程模式输入数据包含大气强迫数据和地表参数；所述陆面过程模式包括但不限于通用陆面过程模式(CLM)、可变下渗能力模式(VIC)、公用陆面模式(CoLM)、简单生物圈模式(SiB2)、生物圈-大气传输方案(BATS)等；所述陆面过程模式输出数据是陆面变量的模拟值，例如陆面过程模式的土壤水参数化方案所计算出的陆面变量为土壤湿度；

所述参数值为运用陆面过程模式计算陆面变量时要使用的参数值，例如陆面过程模式的土壤水参数化方案包含的参数有：饱和水力传导率、饱和土壤湿度、饱和土壤水势、Clapp和Hornberger经验常数。

S2、用数据同化算法校正所述陆面过程模式输出数据，得到输出数据同化值；

步骤S2的计算过程简记为：

输出数据同化值＝数据同化算法(陆面过程模式输出数据，观测数据) 公式2

S3、构建目标函数，将所述输出数据同化值引入所述陆面过程模式，通过数值优化方法计算，改变陆面过程模式参数值使所述目标函数最小，所述目标函数值最小时对应的陆面过程模式参数，作为陆面过程模式参数优化值；

步骤S3的计算过程简记为：

根据公式1，由于

改变的陆面过程模式输出数据＝陆面过程模式(改变的参数值，陆面过程模式输入数据)则所述改变的参数值存在一个优化值，使得：

目标函数(改变的陆面过程模式输出数据，输出数据同化值)＝MIN

S4、对历史范围内(如过去的某一年)各时段(如该年的各月份)重复步骤S1～S3，得到陆面过程模式参数优化值时间序列；用所述陆面过程模式参数优化值时间序列代替原有的陆面过程模式参数，形成优化参数化方案的陆面过程模式。

图2表示同化站点观测数据优化陆面过程模式的实施例，包含以下步骤

S11、运行陆面过程模式，计算陆面变量的模拟值，生成陆面过程模式输出数据。

步骤S11进一步包括：

S111、根据研究问题时空分辨率的要求，准备一定时空分辨率的大气强迫数据，包括近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率；

S112、准备一定时空分辨率的地表参数，包括地表覆盖类型及其所占的比例、土壤质地(砂土和粘土)的比例、叶面积指数等，如模式自带有地表数据集，可以直接使用模式自带的地表数据集，则不需本步骤；

S113、陆面过程模式的起转过程(Spin-up)：利用拟研究时段以前的长时间序列的大气强迫数据和地表参数运行陆面过程模式，以获得模式平衡状态；

S114、以所述模式平衡状态为初始条件，利用拟研究时段的大气强迫数据和地表参数驱动陆面过程模式，计算陆面变量的模拟值。

S12、用数据同化算法校正所述陆面过程模式输出数据，得到输出数据同化值。在有站点观测的时间步，用数据同化算法(如变分法、集合Kalman滤波、扩展Kalman滤波、粒子滤波等算法)同化站点观测(如土壤湿度)，利用陆面变量模拟数据与陆面变量观测数据之间的偏差来校正陆面过程模式输出数据，得到拟同化陆面变量的同化值；

S13、构建目标函数，将所述输出数据同化值引入陆面过程模式，通过数值优化方法改变陆面过程模式参数值至所述目标函数最小。

步骤S13进一步包括：

S131、构建目标函数(如均方根误差函数等)，以描述陆面状态变量的模拟值与同化值的拟合程度；

S132、对历史范围内(如过去的某一年)特定时段(如该年的各月份)，分别给定陆面过程模式参数化方案(如土壤水参数化方案)中的各参数值(如饱和水力传导率、饱和土壤湿度、饱和土壤水势、Clapp和Hornberger经验常数等)的可行解范围，用步骤S11的方法运行陆面过程模式，利用优化算法(如复合形混合演化算法SCE-UA等)极小化目标函数，通过反复迭代，使模式模拟值与同化值按给定的目标函数度量方式达到最佳拟合，在各参数值的可行解范围内寻找各时段内各参数值的最优解；

S14、用所述陆面过程模式参数优化值时间序列代替原有的陆面过程模式参数，形成改进的陆面过程模式参数化方案。

步骤S14进一步包括：

S141、重复S11、S12、S13直至感兴趣的历史范围(如过去的某一年)结束，得到陆面过程模式参数化方案(例如土壤水参数化方案)中的各参数(包含饱和水力传导率、饱和土壤湿度、饱和土壤水势、Clapp和Hornberger经验常数等)优化值时间序列。

S142、利用前述步骤得到的陆面过程模式参数化方案(如土壤水参数化方案)中的各参数优化值时间序列改进参数化方案；

S15、使用所述改进参数化方案的陆面过程模式和拟研究时段的所述陆面过程输入数据，直接计算得出所述拟研究时段的陆面过程模式输出数据。

图3表示同化卫星遥感数据优化陆面过程模式的实施例，包含以下步骤：

S21、运行陆面过程模式，计算陆面变量的模拟值，作为陆面过程模式输出数据。

步骤S21进一步包括：

S211、根据研究问题的时空分辨率的要求，准备一定时空分辨率的大气强迫数据，包括近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率等；

S212、准备一定时空分辨率的地表参数，包括地表覆盖类型及其所占的比例、土壤质地(砂土和粘土)的比例、叶面积指数等，如模式自带有地表数据集，可以直接使用模式自带的地表数据集，则不需本步骤；

S213、陆面过程模式的起转过程(Spin-up)：利用拟研究时段以前的长时间序列的大气强迫数据和地表参数运行陆面过程模式，以获得模式平衡状态；

S214、以模式的平衡状态为初始条件，利用拟研究时段的大气强迫数据和地表参数驱动陆面过程模式，计算陆面变量的模拟值。

S22、用数据同化算法校正所述陆面过程输出数据，得到输出数据同化值。

步骤S22进一步包括：

S221、用陆面过程模式输出数据(如表层土壤水分、地表温度、雪层深度和冠层温度以及植被类型、植被比例、土壤类型等参数)作为地表微波辐射传输模型的输入，运行地表微波辐射传输模型，生成模拟的卫星遥感数据；

S222、在有卫星遥感观测的时间步，用数据同化算法(如变分法、集合Kalman滤波、扩展Kalman滤波、粒子滤波等算法)同化卫星遥感观测(如地表微波辐射亮度温度值)，基于模拟的卫星遥感数据和观测的卫星遥感数据之间的偏差来校正陆面过程模式输出数据，得到拟同化的陆面变量的同化值；

S23、构建目标函数，将所述输出数据同化值引入陆面过程模式，通过数值优化方法计算，改变陆面过程模式参数值至所述目标函数最小。

步骤S23进一步包括：

S231、构建目标函数(如均方根误差函数等)，以描述陆面状态变量的模拟值与同化值的拟合程度；

S232、对历史范围内(如过去的某一年)多个时段(如该年的各月份)，分别给定陆面过程模式某参数化方案(如土壤水参数化方案)中的各参数(如饱和水力传导率、饱和土壤湿度、饱和土壤水势、Clapp和Hornberger经验常数等)的可行解范围，用步骤S21的方法运行陆面过程模式，利用优化算法(如复合形混合演化算法SCE-UA等)极小化目标函数，通过反复迭代，使模式模拟值与同化值按给定的目标函数度量方式达到最佳拟合，在各参数值的可行解范围内寻找各时段内各参数值的最优解；

S24、用所述陆面过程模式参数优化值时间序列代替原有的陆面过程模式参数，形成改进的陆面过程模式参数化方案。

步骤S24进一步包括：

S241、重复S21、S22、S23直至感兴趣的历史范围(如过去的某一年)结束，可得到陆面过程模式某参数化方案(如土壤水参数化方案)中的各参数(如饱和水力传导率、饱和土壤湿度、饱和土壤水势、Clapp和Hornberger经验常数等)优化值时间序列。

S242、利用前述步骤得到的陆面过程模式参数化方案(如土壤水参数化方案)中的各参数优化值时间序列改进参数化方案；

S25、使用所述改进参数化方案的陆面过程模式和拟研究时段的所述陆面过程输入数据，直接计算得出拟研究时段所述陆面过程模式输出数据。

以上方法中所使用的卫星遥感观测为低频地表微波辐射亮度温度数据。所有能够提供此类数据的卫星传感器，例如搭载在NASA AQUA卫星上的高级微波扫描辐射计AMSR-E、美国雨云卫星系列Nimbus-5、6搭载的电子扫描微波辐射计ESMR、Nimbus-7的多通道微波辐射计SMMR、美国防卫气象卫星计划(DMSP)的特种微波成像仪SSM/I、美国和日本联合的热带降雨测量任务TRMM搭载的微波成像仪TMI、中国第二代极轨气象卫星风云3号(FY-3)、土壤湿度和海洋盐度卫星SMOS、土壤湿度主动被动探测卫星SMAP等，所提供的低频地表微波辐射亮度温度数据都可以用于该方法来优化陆面过程模式。本发明以优化非饱和土壤水模型为例，通过发展基于非饱和土壤水模型和扩展Kalman滤波算法并结合可变下渗能力模型VIC的土壤湿度同化方案，以月为同化窗，利用优化算法——复合形混合演化算法(SCE-UA)极小化目标函数，使模拟与同化的土壤湿度按给定的目标函数度量方式达到最佳拟合，得到同化时段(即上文所述感兴趣的历史范围)1986年非饱和土壤水模型各参数(饱和水力传导率、饱和土壤湿度、饱和土壤水势、Clapp和Hornberger经验常数)的优化值序列，然后利用优化的各参数优化值时间序列改进非饱和土壤水模型，最后利用改进的模型进行1986-1993年的数值模拟试验，结果表明：优化非饱和土壤水模型中的参数值，使得非饱和土壤水模型在物理机制上更为完善，提高了模型自身的模拟能力。本例为利用陆面数据同化理论及方法改进和完善陆面过程模式参数化方案研究提供了范例，具有较好的借鉴作用。

以上实施方式仅用于解释本发明的方法，而并非对本发明的限制，有关技术领域的普通技术人员在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变形，比如使用不同的陆面过程模式、不同的地表微波辐射传输模型、不同的同化算法以及不同的优化方法发展同化方案，同化不同的站点观测和卫星遥感观测。因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。