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

• Published in: 水文地质工程地质 Vol. 49; no. 6; pp. 13 - 23
• Main Authors: 杨运, 吴吉春, 骆乾坤, 钱家忠
• Format: Journal Article
• Language: Chinese
• Published: 水利部淮河水利委员会,安徽蚌埠 233001%南京大学地球科学与工程学院水科学系,江苏南京 210023%合肥工业大学资源与环境工程学院,安徽合肥 230009 01.11.2022; 南京大学地球科学与工程学院水科学系,江苏南京 210023
• Subjects: 预报偏差; 模型概化不确定; 不一致性; 集合卡尔曼滤波; 数据同化
• ISSN: 1000-3665
• DOI: 10.16030/j.cnki.issn.1000-3665.202112017

P641.2; 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.