基于En—KF的內(nèi)蒙古地區(qū)多源土壤水分?jǐn)?shù)據(jù)融合

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(diǎn)實(shí)測(cè)數(shù)據(jù)，實(shí)現(xiàn)對(duì)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(duì)結(jié)果進(jìn)行精度驗(yàn)證和誤差分析。融合結(jié)果表明，基于CLDAS數(shù)據(jù)和地面實(shí)測(cè)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(lèi)號(hào)S152.7文獻(xiàn)標(biāo)識(shí)碼A文章編號(hào)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(chóng)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(huì)引起農(nóng)田、草場(chǎng)沙化，對(duì)我國(guó)農(nóng)業(yè)和國(guó)民經(jīng)濟(jì)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(cè)干旱狀態(tài)，及時(shí)有效地采取預(yù)防措施，才能最大限度地減少干旱對(duì)人類(lèi)的影響。

目前，針對(duì)土壤干旱問(wèn)題，業(yè)務(wù)化運(yùn)行的土壤水分自動(dòng)觀測(cè)站觀測(cè)的土壤水分通過(guò)空間插值后被應(yīng)用于對(duì)觀測(cè)站周?chē)欢▍^(qū)域范圍內(nèi)的干旱進(jìn)行監(jiān)測(cè)。但是由于受到天氣變化、季節(jié)更替以及觀測(cè)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(huì)存在各種問(wèn)題，且由于土壤本身具有很強(qiáng)的區(qū)域異質(zhì)性，水分自動(dòng)觀測(cè)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(duì)地面觀測(cè)、衛(wèi)星觀測(cè)、數(shù)值模式產(chǎn)品等多種來(lái)源數(shù)據(jù)進(jìn)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(diǎn)數(shù)據(jù)，進(jìn)而驅(qū)動(dòng)陸面過(guò)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(dòng)數(shù)據(jù)尚未包括內(nèi)蒙古地區(qū)的土壤水分實(shí)測(cè)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(jìn)行了研究與比較，進(jìn)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(jì)算代價(jià)高以及不適用與高度的非線性模型的缺點(diǎn)，是對(duì)傳統(tǒng)卡爾曼濾波算法的延伸與改進(jìn)[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(shì)[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(diǎn)實(shí)測(cè)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(jìn)行了精度驗(yàn)證和誤差分析，以期為內(nèi)蒙古地區(qū)干旱監(jiān)測(cè)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(gè)土壤水分觀測(cè)站的觀測(cè)數(shù)據(jù)，觀測(cè)數(shù)據(jù)為小時(shí)值。時(shí)間為2015年10月9日數(shù)據(jù)。觀測(cè)數(shù)據(jù)為0～10和10～20 cm的土壤水分?jǐn)?shù)據(jù)，為相對(duì)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(yùn)行。該系統(tǒng)逐小時(shí)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(yáng)輻射等陸面驅(qū)動(dòng)產(chǎn)品，可滿足農(nóng)業(yè)干旱監(jiān)測(cè)、山洪地質(zhì)災(zāi)害氣象服務(wù)、氣候系統(tǒng)模式評(píng)估等業(yè)務(wù)對(duì)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(shí)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?cái)?shù)據(jù)和田間持水量數(shù)據(jù)。

該研究中釋用的全國(guó)土壤容重?cái)?shù)據(jù)和田間持水量數(shù)據(jù)，可通過(guò)編程從中提取出內(nèi)蒙古地區(qū)的土壤容重?cái)?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(jiǎn)稱(chēng)為En-KF。由Evensen根據(jù)Epstein的隨機(jī)動(dòng)態(tài)預(yù)報(bào)理論提出集合卡爾曼濾波（EnKF）算法，Burgers對(duì)該算法進(jìn)行了改進(jìn)，提出擾動(dòng)觀測(cè)的EnKF算法[14]，其思想和計(jì)算如下：

①初始化背景場(chǎng)。給定N個(gè)符合高斯分布的狀態(tài)變量，計(jì)算每個(gè)狀態(tài)變量在k+1時(shí)刻的預(yù)報(bào)值。

②計(jì)算k+1時(shí)刻的卡爾曼增益矩陣。

③計(jì)算k+1時(shí)刻分析場(chǎng)的狀態(tài)變量平均值和背景場(chǎng)誤差方差矩陣。

④進(jìn)入下一時(shí)刻，返回②。

具體實(shí)現(xiàn)過(guò)程：針對(duì)觀測(cè)特征與模型自身的狀態(tài)變量對(duì)觀測(cè)值與狀態(tài)變量加以擾動(dòng)，分析這些加上不同擾動(dòng)的觀測(cè)場(chǎng)和背景場(chǎng)，計(jì)算出分析值。再計(jì)算分析值的差異情況，將這種差異作為分析誤差的統(tǒng)計(jì)樣本，從而進(jìn)行分析誤差協(xié)方差的估計(jì)，進(jìn)行第一次分析，再將這個(gè)分析值作為模型下個(gè)時(shí)刻的初始值，再通過(guò)相同的方法得到一系列預(yù)報(bào)值。通過(guò)多次的迭代，將預(yù)測(cè)值的差異值作為背景誤差的統(tǒng)計(jì)樣本，進(jìn)一步對(duì)背景誤差協(xié)方差進(jìn)行估計(jì)。

集合卡爾曼濾波同步的估計(jì)參數(shù)模型的方法是對(duì)后驗(yàn)概率密度函數(shù)采用的均值，也可以說(shuō)是統(tǒng)計(jì)分布均值的方法，而不是傳統(tǒng)的代價(jià)函數(shù)最小化的問(wèn)題，因此，集合卡爾曼濾波算法不存在收斂于局部最小的問(wèn)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(zhǎng)形。地理坐標(biāo)為97°12′～126°04′E、37°24′～53°23′N(xiāo)，東西直線距離超過(guò)2 400 km。氣候以溫帶半干旱大陸性季風(fēng)氣候?yàn)橹?，自東向西由半干旱區(qū)逐漸過(guò)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(guò)程

1.4.1多源數(shù)據(jù)預(yù)處理。

對(duì)收集到的91個(gè)土壤水分觀測(cè)站實(shí)測(cè)數(shù)據(jù)進(jìn)行質(zhì)量控制，保證數(shù)據(jù)的精度和準(zhǔn)確度。對(duì)CLDAS土壤水分?jǐn)?shù)據(jù)查找和剔除無(wú)效數(shù)據(jù)，并對(duì)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?yàn)镃LDAS產(chǎn)品為體積含水量數(shù)據(jù)，而收集到的地面站點(diǎn)數(shù)據(jù)為相對(duì)含水量數(shù)據(jù)，所以在En-KF融合前，對(duì)地面站點(diǎn)數(shù)據(jù)進(jìn)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(shí)間步長(zhǎng)為1 h，觀測(cè)值為地面站點(diǎn)實(shí)測(cè)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(lái)看，上述參數(shù)還需運(yùn)行多次調(diào)節(jié)更新。該過(guò)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(duì)真值的最優(yōu)估計(jì)，矩陣的協(xié)方差即預(yù)報(bào)的方差。

1.4.3基于En-KF的融合過(guò)程。

收集內(nèi)蒙古地區(qū)91個(gè)土壤水分觀測(cè)站實(shí)測(cè)數(shù)據(jù)以及CLDAS中的0～10、10～20 cm土壤水分?jǐn)?shù)據(jù)。對(duì)收集到的91個(gè)土壤水分觀測(cè)站實(shí)測(cè)數(shù)據(jù)進(jìn)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?cái)?shù)據(jù)和田間含水量數(shù)據(jù)，將地面實(shí)測(cè)數(shù)據(jù)轉(zhuǎn)換為體積含水量。對(duì)CLDAS土壤水分?jǐn)?shù)據(jù)查找和剔除無(wú)效數(shù)據(jù)，并對(duì)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(gè)站點(diǎn)數(shù)據(jù)用于數(shù)據(jù)融合，剩余的11個(gè)站點(diǎn)用于結(jié)果檢驗(yàn)。

對(duì)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(diǎn)的土壤水分實(shí)測(cè)數(shù)據(jù)進(jìn)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(yàn)。

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(gè)地面站點(diǎn)的實(shí)測(cè)數(shù)據(jù)對(duì)融合結(jié)果數(shù)據(jù)進(jìn)行精度驗(yàn)證和誤差分析。采用內(nèi)蒙古地區(qū)11個(gè)土壤濕度觀測(cè)站的10 cm的土壤濕度數(shù)據(jù)分別對(duì)插值前后的數(shù)據(jù)進(jìn)行了精度檢驗(yàn)。

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(duì)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(shí)際情況。

2.2融合結(jié)果檢驗(yàn)

2.2.1融合前產(chǎn)品檢驗(yàn)。

在數(shù)據(jù)融合前對(duì)CLDAS數(shù)據(jù)進(jìn)行精度檢驗(yàn)，檢驗(yàn)結(jié)果統(tǒng)計(jì)特征值如表1所示，結(jié)果散點(diǎn)圖如圖3所示。

3結(jié)論與討論

通過(guò)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(diǎn)實(shí)測(cè)數(shù)據(jù)，采用En-KF方法對(duì)研究區(qū)內(nèi)的10 cm土壤水分進(jìn)行融合，使融合結(jié)果數(shù)據(jù)集分辨率達(dá)到0.01°，并進(jìn)行精度驗(yàn)證和誤差分析。融合結(jié)果表明，基于CLDAS數(shù)據(jù)和地面實(shí)測(cè)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(cè)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(duì)融合方法進(jìn)行集成改進(jìn)，進(jìn)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(xiàn)

[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(cè)應(yīng)用[J].冰川凍土，2015，37（2）：446-453.

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

[3] 朱智，師春香.中國(guó)氣象局陸面同化系統(tǒng)和全球陸面同化系統(tǒng)對(duì)中國(guó)區(qū)域土壤濕度的模擬與評(píng)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(dòng)數(shù)據(jù)的CLM3.5和SSIB2陸面模式模擬評(píng)估及干旱監(jiān)測(cè)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(shí)別與人工智能，2000，13（3）：248-253.

[6] 李海艷，李維嘉，黃運(yùn)保.基于卡爾曼濾波的多傳感器測(cè)量數(shù)據(jù)融合[J].武漢大學(xué)學(xué)報(bào)（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(kāi)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(guó)慣性技術(shù)學(xué)報(bào)，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(jì)算機(jī)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(yàn)[J].水利學(xué)報(bào)，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.