耦合敏感参数实时识别的新型数据同化算法研究——以湖泊藻类模拟为例

摘要：

数据同化是提升复杂机理过程模型精度的关键技术之一,而湖泊藻类模型的敏感参数具有随时间动态变化的特征,导致数据同化过程中无法精准更新某一时段的敏感参数,影响数据同化的模型精度提升效果.针对上述问题,本研究耦合了参数敏感性分析与集合卡尔曼滤波,研发了一种能够实时识别模型敏感参数的新型数据同化算法;为验证研发算法的效率,依托巢湖的高频水质自动监测数据,测试算法对藻类动态模型的精度提升效果.测试结果表明:研发算法能够精准跟踪模型敏感参数的动态变化,并根据监测数据实时更新模型敏感参数,实现了水质高频自动监测数据与藻类动态模型的深度融合,藻类生物量模拟精度提升了 55％,即纳什系数(NSE)从0.49提升到0.76,模拟精度提升效果也显著优于传统数据同化算法(NSE=0.63).研发算法可应用于其它水生态环境模型的数据同化,为水生态环境相关要素的精准模拟预测提供关键技术支撑.

关键词：巢湖、集合卡尔曼滤波、参数敏感性分析、模型

所属期刊栏目：34

分类号：X524;X171;Q949.2

资助基金：中国科学院青年创新促进会项目;安徽省自然科学基金青年项目;江苏省水利科技项目;江苏省水利科技项目;江苏省水利科技项目;江苏省水利科技项目;安徽师范大学大学生创新创业训练计划项目

在线出版日期：2022-11-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1879-1891