基于集合卡尔曼滤波的湖泊富营养化模型Delft3D-BLOOM数据同化
  • 【DOI】

    10.18307/2017.0505

  • 【摘要】

    富营养化模型是进行湖泊水环境质量预测和管理的重要工具,然而模型客观存在的误差一直是应用者关心的重要问题.数据同化作为连接观测数据与数值模型的重要方法,可以有效提高模型的准确性.集合卡尔曼滤波(EnKF)是众多数据同化算法中应用最为广泛的一种,可进行非线性系统的数据同化,并能有效降低数据同化的计算量.本研究以太湖作为具体实例,选择Delft3D-BLOOM作为富营养化模型,在数值实验确定EnKF集合... 展开>>富营养化模型是进行湖泊水环境质量预测和管理的重要工具,然而模型客观存在的误差一直是应用者关心的重要问题.数据同化作为连接观测数据与数值模型的重要方法,可以有效提高模型的准确性.集合卡尔曼滤波(EnKF)是众多数据同化算法中应用最为广泛的一种,可进行非线性系统的数据同化,并能有效降低数据同化的计算量.本研究以太湖作为具体实例,选择Delft3D-BLOOM作为富营养化模型,在数值实验确定EnKF集合数为100、观测误差方差为1%、模拟误差方差为10%的基础上分别进行模型状态变量同化以及状态变量与关键参数同步同化.结果显示,仅同化状态变量时,模型预测精度有所增加;同时同化状态变量和关键参数时,可显著提升模型在湖泊水环境质量预测中的精度.该研究为应用集合卡尔曼滤波以提高复杂的湖库富营养化模型模拟精度提供了有效的方法. 收起<<

  • 【作者】

    刘卓  志杰  柳明  育青  求稳 

  • 【作者单位】

    三峡大学水利与环境学院/中国科学院生态环境研究中心/南京水利科学研究院生态环境研究中心/南京水利科学研究院生态环境研究中心

  • 【刊期】

    湖泊科学 ISTIC PKU 2017年5期

  • 【关键词】

    集合卡尔曼滤波  富营养化模型  数据同化  湖泊  太湖  Ensemble Kalman filter  eutrophication model  data assimilation  lake  Lake Taihu 

  • 【基金项目】

    国家自然科学基金项目 江苏省水利科技项目