参数优化和数据同化用于估算土壤湿度的研究

土壤湿度控制着陆-气间水分和能量的循环，土壤湿度和通量的准确估算对提高天气和气候预报起着重要的作用。参数优化和数据同化是提高陆面过程模拟的主要手段。参数优化可以通过减少参数的不确定性提高陆面模式模拟能力，而基于集合Kalman滤波的陆面数据同化系统则将来自模式，强迫和参数的误差以集合样本形式表现出来，通过观测来校正模式的运行轨迹。考虑到两者各自的特点，本研究使用参数优化改进陆面数据同化系统对参数不确定的处理方法，并使用多模式的集合预报减小由不同模式参数化方案带来的不确定性，最终将二者结合应用于陆面数据同化系统中改进对土壤湿度廓线和地表通量的估算。参数优化方法主要使用多判据广义敏感性分析方法(MOGSA),同化方法使用集合Kalman滤波，同化资料主要针对遥感观测的表层土壤湿度。

陆面过程控制着地面和大气间能量和水分的循环，对天气变化和气候异常起着非常重要的作用。土壤湿度通过地表蒸发，植物生长和蒸腾，径流等过程间接与大气相互作用，是天气和气候模式下边界中一个重要的要素。土壤湿度对天气和气候变化起着“记忆”作用，准确的模拟土壤湿度有助于提高季节到年际间气候预测的水平。项目围绕数据同化和参数优化对土壤湿度的模拟开展了相关的研究。主要关注于多模式的集合同化试验中背景场误差协方差的计算，陆面模式中水文参数的敏感性分析和优化方法的使用，以及二者的使用对土壤湿度模拟的改善效果，还加入了MODIS卫星遥感数据在气候场模拟中的应用。首先，使用3个陆面模式(Noah，Colm和CABLE)和集合卡曼滤波(EnKF)同化方法开展了同化土壤湿度的集合同化试验，提出了两种（样本平均法和样本加权法）用于多模式同化试验的背景场误差协方差的求取方法。结果发现，使用多模式集合样本加权法能够充分考虑不同模式样本之间的差异，同化表层土壤湿度后能够同时改善表层和深层土壤湿度的模拟，较样本平均法有明显的优势。其次，使用SCE-UA优化方法开展了一维土壤湿度求解的参数优化理想试验和对Noah陆面模式中25个参数的敏感性分析和优化工作。理想试验和实际试验结果证实，参数的敏感度对优化效果影响非常大，土壤成份的给出方式提供了水文参数之间的约束关系，优化效果较直接优化水文参数更好，为陆面模式的参数敏感性分析和优化提供了依据。最后，基于MODIS卫星遥感数据开展了陆面模式参数对区域天气和气候模拟的影响研究，基于2013年的MODIS的NDVI数据制作了植被覆盖度，对比发现更新后的植被覆盖度较模式默认值“更绿”，且植被覆盖度的变化导致模式对农作物下垫面类型的地表反照率，地表发射率，叶面积指数和粗糙度的影响最大。