陆面模型中诊断变量同化方法研究-以地表蒸散为例

鉴于目前基于单网格的连续同化方法和顺序同化方法的不足，本项研究根据状态变量和诊断变量之间的物理联系，基于集合Kalman滤波和小波变换的优势互补，提出了一种诊断变量的同化方法。该方法利用小波的尺度扩展来量化网格之间的联系，利用函数变换将基于集合Kalman滤波的诊断变量的同化效果反馈给陆面模型。该方法一方面在同化中考虑了网格之间的联系，实现了二维同化，另一方面拓宽了同化的范围，实现了诊断变量的同化。基于NOAH模型，利用本算法，申请者在国内初步尝试了以地表蒸散为代表的诊断变量的同化，目前该蒸散同化系统已初见端倪。因此，本研究以地表蒸散为例，从数据融合、信号分析和数据同化等方面对模型诊断变量的同化进行探索性研究，预期能够得到较好的结果。

项目的目标有三个：1）局部网格之间相关性的建模方法。网格之间的相关性体现在局部网格信号的频谱中，通过引入小波变换，利用其频域多分辨率特性建立了网格相关性的量化方法。2）构建诊断变量的同化方法。基于集合Kalman滤波和小波变换的优势互补，在频率域利用Kalman滤波实现了诊断变量的同化。3）将诊断变量同化方法耦合到Noah模型中。基于Noah模型将提出方法模块化，并实现了蒸散(Evapotranspiration, ET)同化。综上所述，项目的预期目标都已完成。. 诊断变量同化是提高陆面模型预报精度的一条有效途径。本研究以地表蒸散为例，从数据融合的角度在Bayesian框架内对陆面模型诊断变量的同化进行探索性研究，建立了小波域尺度Kalman滤波同化方法。一方面利用小波的尺度扩展来量化状态变量和诊断变量之间的物理联系，将多网格之间的空间关系信息充分地融入到模型产品中，实现了二维同化，弥补了当前基于单网格的连续同化方法和顺序同化方法的不足；另一方面利用集合Kalman滤波将诊断变量的同化效果反馈给陆面模型的状态变量，从而将同化对象从以土壤湿度和地表温度为代表的状态变量拓展到诊断变量，拓宽了同化的范围，实现了通过诊断变量的同化也能改进模型的预报精度。研究中，利用小波变换提取观测和预报的网格联系对诊断变量进行同化在国内外还没有先例，这些成为现有同化方法的有益补充和参考。. 基于Noah模型，利用本算法，项目组成员在国内初步尝试了以地表蒸散为代表的诊断变量的同化，目前该蒸散同化系统已在运行，并在台式机和服务器上分别进行了部署。该系统应用在了三个方面：1）在禹城站实现了点上同化。基于蒸散同化实现了陆面模型状态变量的率定，优化的状态变量包括地表温度、第一层土壤湿度和第一层土壤温度，从而提高了模型预报蒸散的精度。2）在禹城站周围区域实现了面上同化。结合二层遥感蒸散模型从MODIS数据反演得到蒸散产品，对Noah模型的区域预报进行了同化。3）未来气候情景下土地利用变化(Land Usage Cover Change, LUCC)对蒸散的影响研究。以同化结果为初始条件，基于未来气象强迫数据以及未来LUCC数据，在中国锡林浩特、长白山以及华北地区开展了区域尺度上的蒸散响应研究。