EnKF优化土壤湿度方程中参数的性能研究

集合卡尔曼滤波（EnKF）是一种灵活有效的序贯数据同化方法,解决参数优化问题具有优势：一是可以显式地考虑多源不确定性,从而避免对参数的过度调整来弥补其他来源的误差而产生次优参数;二是实时处理最新更新的观测数据,从而不需要存储和同时处理所有历史数据;三是使用集合和蒙特卡罗方法来表征和预报相关误差统计量,不需要封闭解逼近,易于实施。论文借助一维土壤湿度模型,通过观测系统模拟试验的方式,评估EnKF对水力学函数参数的优化效果。结果表明,敏感参数更易得到最优估值,优化效果不受初始猜测及观测误差设置等的影响。和直观想法相反,增加同化频率可能会使估值结果不稳定。