高健　武曉旭　王雨婷

摘要綜合利用內(nèi)蒙古地區(qū)多源土壤水分?jǐn)?shù)據(jù)，結(jié)合CLDAS土壤水分?jǐn)?shù)據(jù)和地面站點實測數(shù)據(jù)，實現(xiàn)對研究區(qū)內(nèi)的10 cm多源土壤水分融合。利用En-KF方法，使融合結(jié)果數(shù)據(jù)分辨率達(dá)0.01°，并對結(jié)果進行精度驗證和誤差分析。融合結(jié)果表明，基于CLDAS數(shù)據(jù)和地面實測土壤水分?jǐn)?shù)據(jù)的融合提高了數(shù)據(jù)的精度。

關(guān)鍵詞多源；土壤水分；En-KF；融合

中圖分類號S152.7文獻標(biāo)識碼A文章編號0517-6611（2018）08-0019-04

Multisource Soil Moisture Data Fusion of Inner Mongolia Based on EnKF

GAO Jian1，WU Xiaoxu2，WANG Yuting3 et al（1.Inner Mongolia Autonomous Region Ecological and Agricultural Meteorological Center， Hohhot， Inner Mongolia 010000；2.Inner Mongolia Autonomous Region Zhenglan Banner Weather Bureau，Xilinhot，Inner Mongolia 013800；3.Songshan Region Weather Bureau of Chifeng City， Chifeng， Inner Mongolia 024000）

AbstractBased on multisource soil moisture data of Inner Mongolia， CLDAS soil moisture data and ground station measured data， 10 cm multisource soil moisture data fusion of Inner Mongolia was realized. The resolution of fusion result reached 0.01° by using EnKF method， and precision verification and error analysis of the result was carried out. Fusion result showed that the fusion based on CLDAS soil moisture data and ground station measured data could improve the precision of data.

Key wordsMultisource；Soil moisture；EnKF；Fusion

在農(nóng)業(yè)方面，土壤干旱不僅直接導(dǎo)致大面積作物減產(chǎn)失收，而且能引發(fā)作物病蟲害和草原火災(zāi)等次生災(zāi)害；嚴(yán)重的干旱則影響農(nóng)業(yè)結(jié)構(gòu)、作物布局和種植制度，還會引起農(nóng)田、草場沙化，對我國農(nóng)業(yè)和國民經(jīng)濟及生態(tài)環(huán)境造成影響[1-3]。因此，只有積極合理地監(jiān)測干旱狀態(tài)，及時有效地采取預(yù)防措施，才能最大限度地減少干旱對人類的影響。

目前，針對土壤干旱問題，業(yè)務(wù)化運行的土壤水分自動觀測站觀測的土壤水分通過空間插值后被應(yīng)用于對觀測站周圍一定區(qū)域范圍內(nèi)的干旱進行監(jiān)測。但是由于受到天氣變化、季節(jié)更替以及觀測儀器本身的安裝校準(zhǔn)等客觀因素的影響，數(shù)據(jù)質(zhì)量往往會存在各種問題，且由于土壤本身具有很強的區(qū)域異質(zhì)性，水分自動觀測站數(shù)目還比較有限且分布不均勻。

陸面數(shù)據(jù)同化技術(shù)是獲取高質(zhì)量土壤濕度數(shù)據(jù)的有效手段，CLDAS是利用數(shù)據(jù)融合與同化技術(shù)，對地面觀測、衛(wèi)星觀測、數(shù)值模式產(chǎn)品等多種來源數(shù)據(jù)進行融合，獲取高質(zhì)量的溫度、氣壓、濕度、風(fēng)速、降水和輻射等要素的格點數(shù)據(jù)，進而驅(qū)動陸面過程模型，獲得土壤溫濕度等陸面變量[4]。但是CLDAS產(chǎn)品數(shù)據(jù)空間分辨率為0.062 5°，而且該系統(tǒng)的驅(qū)動數(shù)據(jù)尚未包括內(nèi)蒙古地區(qū)的土壤水分實測數(shù)據(jù)，穩(wěn)定性和精度還有待提高。

集合卡爾曼濾波作為一種順序的數(shù)據(jù)同化算法，目前已經(jīng)被廣泛應(yīng)用于陸地、海洋和大氣等數(shù)據(jù)的融合和同化應(yīng)用研究，許多學(xué)者將En-KF與其他方法進行了研究與比較，進一步證明了En-KF方法的有效性與優(yōu)越性[5-6]。這種方法克服了早期的卡爾曼濾波算法的計算代價高以及不適用與高度的非線性模型的缺點，是對傳統(tǒng)卡爾曼濾波算法的延伸與改進[7-12]。En-KF方法在數(shù)據(jù)融合的應(yīng)用中體現(xiàn)了較大的優(yōu)勢[13-14]。

筆者綜合利用內(nèi)蒙古地區(qū)多源土壤水分?jǐn)?shù)據(jù)，結(jié)合CLDAS土壤水分?jǐn)?shù)據(jù)和地面站點實測數(shù)據(jù)，利用集合卡爾曼濾波方法，制作了內(nèi)蒙古地區(qū)土壤水分融合產(chǎn)品數(shù)據(jù)集，使融合結(jié)果數(shù)據(jù)集分辨率達(dá)到0.01°，并進行了精度驗證和誤差分析，以期為內(nèi)蒙古地區(qū)干旱監(jiān)測提供理論依據(jù)。

1數(shù)據(jù)與方法

1.1數(shù)據(jù)介紹

1.1.1地面數(shù)據(jù)。

該研究中釋用的地面數(shù)據(jù)為內(nèi)蒙古地區(qū)91個土壤水分觀測站的觀測數(shù)據(jù)，觀測數(shù)據(jù)為小時值。時間為2015年10月9日數(shù)據(jù)。觀測數(shù)據(jù)為0～10和10～20 cm的土壤水分?jǐn)?shù)據(jù)，為相對含水率數(shù)據(jù)，單位為g/cm3。

1.1.2CLDAS產(chǎn)品數(shù)據(jù)。

CLDAS-V 1.0于2013年7月投入業(yè)務(wù)試運行。該系統(tǒng)逐小時輸出不同層次的土壤濕度產(chǎn)品，以及氣溫、氣壓、風(fēng)速、濕度、太陽輻射等陸面驅(qū)動產(chǎn)品，可滿足農(nóng)業(yè)干旱監(jiān)測、山洪地質(zhì)災(zāi)害氣象服務(wù)、氣候系統(tǒng)模式評估等業(yè)務(wù)對土壤濕度產(chǎn)品的需求。該研究使用的CLDAS土壤濕度產(chǎn)品數(shù)據(jù)為前一天24：00（北京時間）到當(dāng)天24：00合成數(shù)據(jù)代表當(dāng)天的土壤含水量。數(shù)據(jù)空間分辨率為0.062 5°。

1.1.3土壤容重數(shù)據(jù)和田間持水量數(shù)據(jù)。

該研究中釋用的全國土壤容重數(shù)據(jù)和田間持水量數(shù)據(jù)，可通過編程從中提取出內(nèi)蒙古地區(qū)的土壤容重數(shù)據(jù)和田間持水量。數(shù)據(jù)空間分辨率為0.062 5°，數(shù)據(jù)格式為nc數(shù)據(jù)。

1.2集合卡爾曼濾波

集合卡爾曼濾波，簡稱為En-KF。由Evensen根據(jù)Epstein的隨機動態(tài)預(yù)報理論提出集合卡爾曼濾波（EnKF）算法，Burgers對該算法進行了改進，提出擾動觀測的EnKF算法[14]，其思想和計算如下：

①初始化背景場。給定N個符合高斯分布的狀態(tài)變量，計算每個狀態(tài)變量在k+1時刻的預(yù)報值。

②計算k+1時刻的卡爾曼增益矩陣。

③計算k+1時刻分析場的狀態(tài)變量平均值和背景場誤差方差矩陣。

④進入下一時刻，返回②。

具體實現(xiàn)過程：針對觀測特征與模型自身的狀態(tài)變量對觀測值與狀態(tài)變量加以擾動，分析這些加上不同擾動的觀測場和背景場，計算出分析值。再計算分析值的差異情況，將這種差異作為分析誤差的統(tǒng)計樣本，從而進行分析誤差協(xié)方差的估計，進行第一次分析，再將這個分析值作為模型下個時刻的初始值，再通過相同的方法得到一系列預(yù)報值。通過多次的迭代，將預(yù)測值的差異值作為背景誤差的統(tǒng)計樣本，進一步對背景誤差協(xié)方差進行估計。

集合卡爾曼濾波同步的估計參數(shù)模型的方法是對后驗概率密度函數(shù)采用的均值，也可以說是統(tǒng)計分布均值的方法，而不是傳統(tǒng)的代價函數(shù)最小化的問題，因此，集合卡爾曼濾波算法不存在收斂于局部最小的問題。

1.3研究區(qū)介紹

內(nèi)蒙古地區(qū)由東北向西南斜伸，呈狹長形。地理坐標(biāo)為97°12′～126°04′E、37°24′～53°23′N，東西直線距離超過2 400 km。氣候以溫帶半干旱大陸性季風(fēng)氣候為主，自東向西由半干旱區(qū)逐漸過渡到干旱區(qū)。降水量少而不勻，全年降水量由東北向西南遞減。

1.4融合過程

1.4.1多源數(shù)據(jù)預(yù)處理。

對收集到的91個土壤水分觀測站實測數(shù)據(jù)進行質(zhì)量控制，保證數(shù)據(jù)的精度和準(zhǔn)確度。對CLDAS土壤水分?jǐn)?shù)據(jù)查找和剔除無效數(shù)據(jù)，并對0～10、10～20 cm土壤水分?jǐn)?shù)據(jù)求均值，從而得到基于CLDAS的10 cm土壤水分?jǐn)?shù)據(jù)。

因為CLDAS產(chǎn)品為體積含水量數(shù)據(jù)，而收集到的地面站點數(shù)據(jù)為相對含水量數(shù)據(jù)，所以在En-KF融合前，對地面站點數(shù)據(jù)進行了變換，使不同數(shù)據(jù)的量綱得到統(tǒng)一。具體轉(zhuǎn)換公式如下：

體積含水率=田間含水率/容重（g/m3）田間持水量（%）

1.4.2En-KF參數(shù)設(shè)置。

初步設(shè)置En-KF參數(shù)。其中，初步設(shè)置時間步長為1 h，觀測值為地面站點實測數(shù)據(jù)，輸入值為CLDAS土壤水分?jǐn)?shù)據(jù)產(chǎn)品。從融合效果來看，上述參數(shù)還需運行多次調(diào)節(jié)更新。該過程的前提條件是土壤水分?jǐn)?shù)據(jù)服從正態(tài)分布，集合的均值被當(dāng)做是對真值的最優(yōu)估計，矩陣的協(xié)方差即預(yù)報的方差。

1.4.3基于En-KF的融合過程。

收集內(nèi)蒙古地區(qū)91個土壤水分觀測站實測數(shù)據(jù)以及CLDAS中的0～10、10～20 cm土壤水分?jǐn)?shù)據(jù)。對收集到的91個土壤水分觀測站實測數(shù)據(jù)進行質(zhì)量控制，保證數(shù)據(jù)的精度和準(zhǔn)確度。結(jié)合研究區(qū)土壤容重數(shù)據(jù)和田間含水量數(shù)據(jù)，將地面實測數(shù)據(jù)轉(zhuǎn)換為體積含水量。對CLDAS土壤水分?jǐn)?shù)據(jù)查找和剔除無效數(shù)據(jù)，并對0～10、10～20 cm土壤水分?jǐn)?shù)據(jù)求均值，從而得到基于CLDAS的10 cm土壤水分?jǐn)?shù)據(jù)。其中80個站點數(shù)據(jù)用于數(shù)據(jù)融合，剩余的11個站點用于結(jié)果檢驗。

對轉(zhuǎn)化后體積含水量的CLDAS的10 cm土壤水分?jǐn)?shù)據(jù)與80站點的土壤水分實測數(shù)據(jù)進行融合處理，使得數(shù)據(jù)空間分辨率達(dá)0.01°，則得到研究區(qū)10 cm的土壤水分?jǐn)?shù)據(jù)。

1.4.4融合結(jié)果檢驗。

上述形成內(nèi)蒙古地區(qū)10 cm土壤水分融合數(shù)據(jù)，空間分辨率達(dá)到0.01°。用預(yù)留的不同區(qū)域的11個地面站點的實測數(shù)據(jù)對融合結(jié)果數(shù)據(jù)進行精度驗證和誤差分析。采用內(nèi)蒙古地區(qū)11個土壤濕度觀測站的10 cm的土壤濕度數(shù)據(jù)分別對插值前后的數(shù)據(jù)進行了精度檢驗。

2結(jié)果與分析

2.1融合結(jié)果分析

由圖1、2可知，融合前后的土壤水分?jǐn)?shù)據(jù)空間分布總體一致，而融合后的土壤水分?jǐn)?shù)據(jù)相對于融合前的數(shù)據(jù)在空間分布上更具有連續(xù)性，更符合實際情況。

2.2融合結(jié)果檢驗

2.2.1融合前產(chǎn)品檢驗。

在數(shù)據(jù)融合前對CLDAS數(shù)據(jù)進行精度檢驗，檢驗結(jié)果統(tǒng)計特征值如表1所示，結(jié)果散點圖如圖3所示。

3結(jié)論與討論

通過綜合利用內(nèi)蒙古地區(qū)多源土壤水分?jǐn)?shù)據(jù)，結(jié)合CLDAS土壤水分?jǐn)?shù)據(jù)和地面站點實測數(shù)據(jù)，采用En-KF方法對研究區(qū)內(nèi)的10 cm土壤水分進行融合，使融合結(jié)果數(shù)據(jù)集分辨率達(dá)到0.01°，并進行精度驗證和誤差分析。融合結(jié)果表明，基于CLDAS數(shù)據(jù)和地面實測土壤水分?jǐn)?shù)據(jù)的融合提高了數(shù)據(jù)的精度，可為內(nèi)蒙古地區(qū)干旱監(jiān)測提供理論依據(jù)。

后續(xù)研究中，應(yīng)引入更多的土壤水分?jǐn)?shù)據(jù)源以及對融合方法進行集成改進，進一步提高土壤水分?jǐn)?shù)據(jù)的空間分辨率和數(shù)據(jù)精度。

參考文獻

[1] 韓帥，師春香，林泓錦，等.CLDAS土壤濕度業(yè)務(wù)產(chǎn)品的干旱監(jiān)測應(yīng)用[J].冰川凍土，2015，37（2）：446-453.

[2] 朱晨，師春香，席琳，等.中國區(qū)域不同深度土壤濕度模擬和評估[J].氣象科技，2013，41（3）：529-536.

[3] 朱智，師春香.中國氣象局陸面同化系統(tǒng)和全球陸面同化系統(tǒng)對中國區(qū)域土壤濕度的模擬與評估[J].科學(xué)技術(shù)與工程，2014，14（32）：138-144.

[4] 韓帥.基于CLDAS驅(qū)動數(shù)據(jù)的CLM3.5和SSIB2陸面模式模擬評估及干旱監(jiān)測應(yīng)用[D].南京：南京信息工程大學(xué)，2015.

[5] 蔡鶴皋，金明河，金峰.卡爾曼濾波與多傳感器數(shù)據(jù)融合技術(shù)[J].模式識別與人工智能，2000，13（3）：248-253.

[6] 李海艷，李維嘉，黃運保.基于卡爾曼濾波的多傳感器測量數(shù)據(jù)融合[J].武漢大學(xué)學(xué)報（工學(xué)版），2011，44（4）：521-525，529.

[7] DAI Y J，WEI S G，DUAN Q Y，et al.Development of a China dataset of soil hydraulic parameters using pedotransfer functions for land surface modeling[J].Journal of hydrometeorology，2013，14（3）：869-887.

[8] LI X，KOIKE T，PATHMATHEVAN M.A very fast simulated reannealing（VFSA）approach for land data assimilation[J].Computers & geosciences，2004，30（3）：239-248.

[9] 張開禾，富立，范耀祖.基于卡爾曼濾波的信息融合算法優(yōu)化研究[J].中國慣性技術(shù)學(xué)報，2006，14（5）：32-35.

[10] 馬麗麗，張曼，陳金廣.多傳感器集中式增量卡爾曼濾波融合算法[J].計算機工程與應(yīng)用，2014，50（11）：229-232，255.

[11] ZHU L，CHEN J M，QIN Q M，et al.Optimization of ecosystem model parameters using spatiotemporal soil moisture information[J].Ecological modelling，2009，220（18）：2121-2136.

[12] FEDDES R A，KOWALIK P J，ZARADNY H.Simulation of field water use and crop yield[J].Soil science，1982，129（3）：193.

[13] 王文，劉永偉，寇小華，等.基于集合卡爾曼濾波和HYDRUS-1D模型的土壤剖面含水量同化試驗[J].水利學(xué)報，2012，43（11）：1302-1311.

[14] 王璐.基于En-KF的土壤水分多源遙感數(shù)據(jù)同化[D].烏魯木齊：新疆大學(xué)，2015.