一种对土壤含水量初值的数据同化方法技术

本发明专利技术公开了一种对土壤含水量初值的数据同化方法，涉及水文模拟技术领域。该方法通过计算研究流域的优化参数值，将土壤含水量初值作为参数值；计算变量和参数的集合扰动值；计算研究流域的径流预报集合，每次循环计算径流量时，均从第一个时段开始计算，逐次增加时段循环；将研究流域对应时段的实测径流值进行高斯扰动，并将得到的研究流域的实测径流值的高斯扰动值作为观测数据集合；融入观测数据集合进行同化更新；最终同化后得到的初始土壤含水量的优化平均值，选出最小协方差对应的土壤含水量值作为所求的土壤含水量初值。本发明专利技术提供的方法可以较好的提高产流计算精度，进而提高洪水预报精度，同时也为模型预热时长提供参考。

【技术实现步骤摘要】
一种对土壤含水量初值的数据同化方法
本专利技术涉及水文模拟
，尤其涉及一种对土壤含水量初值的数据同化方法，主要针对短序列的场次时段洪水。
技术介绍
对于水文模拟精度的影响因素有很多，如模型输入数据的质量对模拟的精度有很大的影响。洪水的形成机制包括两个方面：一方面是流域物理属性，另一方面是洪水驱动因素。前者包括流域土壤、地形、地貌、植被等物理特性，后者包括降雨、蒸发等气象因素。其中土壤含水量初值等是影响径流过程的重要的流域物理属性之一。并已有不少研究学者对其进行研究证实，在输入模型的降雨和土壤含水量初值能保证一定精度下，径流模拟结果的精度也会在一定程度上得到提高。对于求取土壤含水量初值的传统方法是通过前期降雨建立经验关系来进行确定，或者根据前期降雨采用日模型推算求得，但这些方法都存在一定的不确定性，导致径流模拟结果不准确。本次研究通过使用集合卡尔曼滤波同化方法，将土壤含水量初值作为参数，做参数和变量同步同化，并考虑输入数据和模型误差，用实测径流值进行同化更新，使得同化后的土壤含水量初值更加精准。同时该同化结果也为模型预热期时长提供一定的参考，在保证预报精度不受干扰前提下，为前期处理工作节约时间。
技术实现思路
本专利技术的目的在于提供一种对土壤含水量初值的数据同化方法，从而解决现有技术中存在的某些不确定性问题。为了实现上述目的，本专利技术所述基于集合卡尔曼滤波的对土壤含水量初值的数据同化方法，所述方法包括：S1，计算研究流域的优化参数值；对研究流域进行参数优化，得到参数最优值，选取任意两个参数的最优值进行数据同化处理；两个参数分别为参数β和参数γ，本次将土壤含水量初值也作为参数进行同化；S2，计算变量和参数的集合扰动值；以参数β和参数γ的最优值为参考，对变量、参数β和参数γ分别进行高斯扰动，分别得到变量、参数β和参数γ的高斯扰动值集合；S3，计算研究流域的径流预报集合；每次循环计算径流量时，每个集合下，均从第一个时段开始，且保证每个循环土壤含水量初值相同，随着时段数的增加，逐次增加一个循环过程；S4，将研究流域对应时段的实测径流值进行高斯扰动，并将得到的研究流域的实测径流值的高斯扰动值作为观测数据集合；S5，融入S4中得到的观测数据集合进行同化更新；S6，重复进行S3至S5，直到水文模型计算结束，最终同化后得到的初始土壤含水量的优化平均值即为的土壤含水量初值，选出最小协方差对应的土壤含水量值作为所求的土壤含水量初值。优选地，S1中，对研究流域进行参数优化采用的优化算法为所述多目标粒子群算法。优选地，所述水文模型为新安江模型。优选地，步骤S2中，所述高斯扰动，按照公式(2)实现：Ea＝ea+ε(2)；其中，Ea表示高斯扰动后的模型状态变量或者观测值；ea表示初始模型状态变量或者观测值；ε为符合高斯分布的扰动值，符合ε～N(0，1)。优选地，步骤S5中，具体步骤按照下述计算：Kt＝PtHT(HPtHT+Rt)-1(9)；其中，m表示集合样本的总数；表示t时刻m个径流量预报集合的预报均值；表示t时刻水文模型第i个径流量预报集合中集合成员的一个预报状态向量；表示t时刻每一个径流量预报集合的集合成员与的扰动；yi,t表示t时刻第i个集合成员的观测数据向量；表示t时刻m个观测数据集合的观测均值；Δyi,t表示t时刻每一个观测数据的集合成员与的扰动；Pt表示t时刻的径流量预报集合的误差协方差；Rt表示t时刻观测数据集合的误差协方差矩阵；H为观测算子；Kt为卡尔曼增益，表示观测数据的权重；T表示观测算子的转置。优选地，步骤S5中，对每一个集合进行更新，采用公式(10)进行更新：其中，表示t时刻状态下研究流域径流量的最优估计集合，的均值即为t时刻状态下的最优估计值，表示t时刻的研究流域径流量预报集合，yt表示t时刻的观测数据集合，Kt为卡尔曼增益，表示观测数据的权重。本专利技术的有益效果是：本专利技术利用集合卡尔曼滤波对土壤含水量初值的数据同化方法的研究，为土壤含水量初值的研究提供了新思路和新方法。集合卡尔曼滤波的基本思想即是利用MonteCarlo方法设计预测状态的一个集合，该集合的平均可作为最佳估计，该集合的样本协方差即作为预测误差协方差的近似，该集合通过不断向前滤波，每个样本分别更新分析变量，而对变量的最佳估计即为各更新分析变量的样本平均。本专利技术提出的基于集合卡尔曼滤波的对土壤含水量初值的数据同化方法的研究，避免了传统方法中对于土壤含水量初值求解的不确定性问题的缺陷，较好的提高了径流模拟精度。本专利技术利用一种扩展模型状态变量方法，即将模型参数和变量置于联合的向量中，且将土壤含水量初值看作参数进行同化。基于集合统计的思想，无须对非线性系统进行线性化，避免了Jacobian矩阵的繁冗计算，并且同化过程中同时考虑输入降雨误差、模型误差以及观测误差，较好的提高了同化精度。该方法将会对短序列场次时段洪水预报提高预报精度，并为模型预热期时长提供一定的参考，在保证预报精度不受干扰前提下，为前期处理工作节约了时间。附图说明图1基于集合卡尔曼滤波的对土壤含水量初值的同化示意图；图2是基于集合卡尔曼滤波的对土壤含水量初值的同化方法的流程图；图3是基于集合卡尔曼滤波下对土壤含水量初值的同化得出的径流量及不融入观测数据的空转径流量与真实径流量对比示意图；图4是不同时段数下对应的土壤含水量值图；图5是上层土壤含水量初值同化过程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不用于限定本专利技术。实施例本实施例所述基于集合卡尔曼滤波的对土壤含水量初值的数据同化方法，所述方法包括：S1，计算研究流域的优化参数值对研究流域进行参数优化，得到参数最优值，选取任意两个参数的最优值进行数据同化处理；两个参数分别为参数β和参数γ；本次将土壤含水量初值也作为参数进行同化；S2，计算变量和参数的集合扰动值；以参数β和参数γ的最优值为参考，对变量、参数β和参数γ分别进行高斯扰动，分别得到变量、参数β和参数γ的高斯扰动值集合；S3，计算研究流域的径流预报集合；每次循环计算径流量时，每个集合下，均从第一个时段开始，且保证每个循环土壤含水量初值相同，随着时段数的增加，逐次增加一个循环过程；S4，将研究流域对应时段的实测径流值进行高斯扰动，并将得到的研究流域的实测径流值的高斯扰动值作为观测数据集合；S5，融入步骤S4中得到的观测数据集合进行同化更新；S6，重复进行步骤S3至步骤S5，直到水文模型计算结束，最终同化后得到的初始土壤含水量的优化平均值即为土壤含水量初值，选出最小协方差对应的土壤含水量值作为所求的土壤含水量初值。更详细的解释说明为：(一)本实施例中的步骤S1中，对研究流域进行参数优化采用的优化算法为所述多目标粒子群算法。通过迭代的形式求得最优解。此次实施例选取种群规模为200，种群进化迭代次数为3000。(二)本实施例中所述水文模型为新安江模型。新安江模型适用性较广，本实施例中的两个参数为SM(流域平均自由水蓄水容量)、B(土壤蓄水容量曲线指数)，且将上层土壤含水量初值W0(1)也看作参数进行同化。在本实施例中利用一种扩展模型状态变量方法，即将模型参数和变本文档来自技高网...

【技术保护点】
1.一种对土壤含水量初值的数据同化方法，其特征在于，所述方法包括：S1，选取研究流域的参数，并计算优化参数值；S2，计算变量和参数的集合扰动值；S3，计算研究流域的径流预报集合；S4，将研究流域对应时段的实测径流值进行高斯扰动，并将得到的研究流域的实测径流值的高斯扰动值作为观测数据集合；S5，融入步骤S4中得到的观测数据集合进行同化更新；S6，重复进行步骤S3至步骤S5，直到水文模型计算结束，最终同化后得到的初始土壤含水量的优化平均值即为的土壤含水量初值，选出最小协方差对应的土壤含水量值作为所求的土壤含水量初值。

【技术特征摘要】
1.一种对土壤含水量初值的数据同化方法，其特征在于，所述方法包括：S1，选取研究流域的参数，并计算优化参数值；S2，计算变量和参数的集合扰动值；S3，计算研究流域的径流预报集合；S4，将研究流域对应时段的实测径流值进行高斯扰动，并将得到的研究流域的实测径流值的高斯扰动值作为观测数据集合；S5，融入步骤S4中得到的观测数据集合进行同化更新；S6，重复进行步骤S3至步骤S5，直到水文模型计算结束，最终同化后得到的初始土壤含水量的优化平均值即为的土壤含水量初值，选出最小协方差对应的土壤含水量值作为所求的土壤含水量初值。2.根据权利要求1所述方法，其特征在于，步骤S1中具体包括：对研究流域进行参数优化，得到参数最优值，选取任意两个参数的最优值进行数据同化处理；两个参数分别为参数β和参数γ；将土壤含水量初值也作为参数进行同化处理。3.根据权利要求2所述方法，其特征在于，步骤S1中，对研究流域进行参数优化采用的优化算法为所述多目标粒子群算法。4.根据权利要求1所述方法，其特征在于，步骤S2中具体包括：以参数β和参数γ的最优值为参考，对变量、参数β和参数γ分别进行高斯扰动，分别得到变量、参数β和参数γ的高斯扰动值集合。5.根据权利要求1所述方法，其特征在于，所述水文模型为新安江模型。6.根据权利要求4所述方法，其特征在于，步骤S2中，所述高斯扰动，按照公式(2)实现：Ea＝ea+ε(2)；其中，Ea表...

【专利技术属性】
技术研发人员：廖卫红，张苹苹，雷晓辉，王建华，牛存稳，王超，蒋云钟，童菊秀，权锦，曾凡林，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：北京,11