电子科技大学：《定量遥感》课程教学资源（课件讲稿）第5章 遥感数据同化与地表参数时序模拟

5遥感数据同化与地表参数时序模拟 5.1数据同化的含义 5.2陆面数据同化 5.3基于数据同化原理的遥感地表参数反演

5 遥感数据同化与地表参数时序模拟 5.1 数据同化的含义 5.2 陆面数据同化 5.3 基于数据同化原理的遥感地表参数反演

5.1数据同化的含义 Talagrand1997年定义： 使用所有能获取的信息尽可能的估计大 气、海洋和地表的状态。 Use of all available information to determine as accurately as possible state of the atmosphere, ocean and land surface

Talagrand 1997 年定义： 使用所有能获取的信息尽可能的估计大 气、海洋和地表的状态。 Use of all available information to determine as accurately as possible state of the atmosphere, ocean and land surface 5.1 数据同化的含义

数据同化，是指在考虑数据时空分布以及观测场和背景 场误差的基础上，在数值模型的动态运行过程中融合新的 观测数据的方法。 数据同化的目的是为了更充分的利用观测资料，使数值 预报的结果与实际更吻合，并由已有的观测资料，通过 模式变量的内在关系，反演一些实际难以获得的要素值。 其中改进观测场是为了得到更合理的模式初始场，修正 模式误差是为了弥补模式描述海洋、陆面等各种过程的 不精确性，提高模式性能

数据同化，是指在考虑数据时空分布以及观测场和背景 场误差的基础上, 在数值模型的动态运行过程中融合新的 观测数据的方法。 数据同化的目的是为了更充分的利用观测资料，使数值 预报的结果与实际更吻合，并由已有的观测资料，通过 模式变量的内在关系，反演一些实际难以获得的要素值。 其中改进观测场是为了得到更合理的模式初始场，修正 模式误差是为了弥补模式描述海洋、陆面等各种过程的 不精确性，提高模式性能

数据同化算法 主要有：多项式内插方法、最优插值方法、四维变分分析法、 Kalman滤波法、集合Kalman滤波法、Monte Carlo法、模拟退 火法、神经网络法、张弛逼近法和有限元法。 多项式内插方法：基本思想是寻找一个多项式表示的曲面， 来逼近网格点周围区域观测的要素值。 最优插值方法：以线性最小平方估计理论为基础，其优点是 能够处理精度不同的各种观测数据。迭代寻优同化是其中最常 见的一种（寻找一个理想的分析值X与给定的Y最匹配) 四维变分分析法：首先构造一个目标泛函（罚函数或目标函 数)，它的定义域是模式积分的时空域，函数由观测、分析和 预报三者中两两的方差之和构成。把模式作为泛函的约束条件。 这样，观测值的同化问题转化为具有约束的变分问题

数据同化算法 主要有：多项式内插方法、最优插值方法、四维变分分析法、 Kalman滤波法、集合Kalman滤波法、Monte Carlo法、模拟退 火法、神经网络法、张弛逼近法和有限元法。 多项式内插方法：基本思想是寻找一个多项式表示的曲面， 来逼近网格点周围区域观测的要素值。 最优插值方法：以线性最小平方估计理论为基础，其优点是 能够处理精度不同的各种观测数据。迭代寻优同化是其中最常 见的一种（寻找一个理想的分析值X与给定的Y最匹配）。 四维变分分析法：首先构造一个目标泛函（罚函数或目标函 数），它的定义域是模式积分的时空域，函数由观测、分析和 预报三者中两两的方差之和构成。把模式作为泛函的约束条件。 这样，观测值的同化问题转化为具有约束的变分问题

Kalman滤波法：包括时间更新和观测更新两个步骤。在时间更 新阶段，根据前时刻的模式状态生成当前模式状态的预报值。 在观测更新阶段，引入观测数据，利用最小方差估计方法对模 式状态进行重新分析。随着模式状态的持续进行和新的观测数 据的陆续输入，这个过程不断向前推进。 集合Kalman滤波法：通过Monte Carlo法（总体积分法）来计 算状态的预报误差协方差。把模式动态预报看成近似随机动态 预报，用一个状态总体（设数目为）去代表随机动态预报中的 概率密度函数，通过向前积分，状态总体很容易计算不同时间 的概率密度函数所对应的统计特性（如方差和均值)。集合 Kalman滤波的最大特点是它克服了Kalman滤波要求线性化的 模型算子和观测算子的缺点

Kalman滤波法：包括时间更新和观测更新两个步骤。在时间更 新阶段，根据前时刻的模式状态生成当前模式状态的预报值。 在观测更新阶段，引入观测数据，利用最小方差估计方法对模 式状态进行重新分析。随着模式状态的持续进行和新的观测数 据的陆续输入，这个过程不断向前推进。 集合Kalman滤波法：通过Monte Carlo法（总体积分法）来计 算状态的预报误差协方差。把模式动态预报看成近似随机动态 预报，用一个状态总体（设数目为N）去代表随机动态预报中的 概率密度函数，通过向前积分，状态总体很容易计算不同时间 的概率密度函数所对应的统计特性（如方差和均值）。集合 Kalman 滤波的最大特点是它克服了Kalman 滤波要求线性化的 模型算子和观测算子的缺点

5.2陆面数据同化 陆面数据同化(LDA)是近年来将四维同化方法应用到地 球表层科学和水文学中而迅速发展起来的新方法，它作为 独立的领域出现是在1995年之后。当前，陆面数据同化 的研究主要为：在陆面模型和水文模型基础上，采用不同 的数据同化算法同化地表观测资料、卫星和雷达数据，优 化地表和根区土壤水分、温度、地表能量通量等的估算。 陆面数据同化系统(LADS)主要由驱动数据和参数集、 陆面过程模型、数据同化方法、观测数据、输出数据等构 成

陆面数据同化(LDA) 是近年来将四维同化方法应用到地 球表层科学和水文学中而迅速发展起来的新方法, 它作为 独立的领域出现是在1995 年之后。当前, 陆面数据同化 的研究主要为: 在陆面模型和水文模型基础上, 采用不同 的数据同化算法同化地表观测资料、卫星和雷达数据, 优 化地表和根区土壤水分、温度、地表能量通量等的估算。 陆面数据同化系统（LADS）主要由驱动数据和参数集、 陆面过程模型、数据同化方法、观测数据、输出数据等构 成。 5.2 陆面数据同化

当前的观测系统 1.传统的方法基于点位测量，地表参数的观测点分布稀少 2.点位观测得到的数据与预测模型的尺度不一致 3.实际应用需要时空分布信息←一遥感 会国基准气歌的顶克州 (143个) 实例：土壤水分分布 at 25 km x 25 km 25 品 2200

当前的观测系统 1. 传统的方法基于点位测量, 地表参数的观测点分布稀少 2. 点位观测得到的数据与预测模型的尺度不一致 3. 实际应用需要时空分布信息← 遥感 Regional Sites Range and One Standard Deviation 0 5 10 15 20 25 30 35 40 45 6/25/2002 6/26/2002 6/27/2002 6/28/2002 6/29/2002 6/30/2002 7/1/2002 7/2/2002 7/3/2002 7/4/2002 7/5/2002 7/6/2002 7/7/2002 7/8/2002 7/9/2002 7/10/2002 7/11/2002 7/12/2002 Date Volumetric Soil Moisture 实例：土壤水分分布 at 25 km x 25 km

地球系统 大气图 水图 生物围 人美 岩名图 水蛮图

洪涝灾害 森林火灾 地 球 系 统 生物圈 大气圈 冰雪圈 水圈 人类 岩石圈

观测 耦合多尺度的观测数据与模型， 计算能量和水分平衡 陆面过程模型 陆面数据产品

观测 陆面过程模型 耦合多尺度的观测数据与模型， 计算能量和水分平衡 陆面数据产品

数据在空间和时间上的误差分布 遥感观测数据 时空内插 tn 数据同化模型 模型预测 再初始化 模型预测 再初始 模型预测 模型预测 再初始化 陆面过程 陆面过程 模型 模型 nn同

遥感观测数据 时空内插 数据同化模型 t0 tn 数据在空间和时间上的误差分布 再 初 始 化 再 初 始 化 再 初 始 化 陆面过程 模型 陆面过程 模型