考虑预报偏差的迭代式集合卡尔曼滤波在地下水水流数据同化中的应用

• 作者: 杨运 吴吉春 骆乾坤 钱家忠
• 来源期刊: 水文地质工程地质
• 学科: 地球科学
• 关键词: 数据同化 集合卡尔曼滤波 模型概化不确定 预报偏差 不一致性
• 年，卷（期）: 2023,（6）
• 所属期刊栏目: 水文地质与水资源
• 页码范围: 13-23
• 页数: 10页
• 分类号: P641.2
• 语种: 中文
• DOI: 10.16030/j.cnki.issn.1000-3665.202112017

摘要

集合卡尔曼滤波（Ensemble Kalman Filter，EnKF）方法已广泛应用于地下水水流和污染物运移模拟相关问题的求解。但前人研究多建立在同化系统预报模型是准确的基础上，忽视了模型概化的不确定性。当模型概化不准确时，将导致预报偏差，可能带来错误的系统估计。因此，文章提出考虑模型预报偏差的迭代式集合卡尔曼滤波（Bias aware Ensemble Kalman Filter with Confirming Option，Bias-CEnKF）方法。以地下水水流数据同化为例，研究模型概化存在不确定条件下，边界条件、初始条件、源汇项概化不准确时新方法的有效性。结果表明，当预报模型概化不准确时，使用标准EnKF方法进行数据同化，可能会导致滤波发散，造成同化失败。Bias-CEnKF方法不仅保留了较好的同化性能，同时减小了参数、变量、偏差项非线性关系带来的不一致性。针对文章中4种情景，Bias-CEnKF同化获得的含水层渗透系数场以及水头场均接近真实场，且预报结果可靠。本研究进一步提升了模型概化不确定时EnKF方法的适用性，为实际野外复杂条件下地下水水流数据同化问题提供了可靠的方法。