科研之友
微信
新浪微博
Facebook
分享链接
摘要
数据同化是提升复杂机理过程模型精度的关键技术之一，而湖泊藻类模型的敏感参数具有随时间动态变化的特征，导致数据同化过程中无法精准更新某一时段的敏感参数，影响数据同化的模型精度提升效果.针对上述问题，本研究耦合了参数敏感性分析与集合卡尔曼滤波，研发了一种能够实时识别模型敏感参数的新型数据同化算法；为验证研发算法的效率，依托巢湖的高频水质自动监测数据，测试算法对藻类动态模型的精度提升效果.测试结果表明：研发算法能够精准跟踪模型敏感参数的动态变化，并根据监测数据实时更新模型敏感参数，实现了水质高频自动监测数据与藻类动态模型的深度融合，藻类生物量模拟精度提升了55%，即纳什系数(NSE)从0.49提升到0.76，模拟精度提升效果也显著优于传统数据同化算法(NSE=0.63).研发算法可应用于其它水生态环境模型的数据同化，为水生态环境相关要素的精准模拟预测提供关键技术支撑.
- 出版日期2022
- 单位中国科学院南京地理与湖泊研究所; 安徽师范大学; 中国环境监测总站
