數據同化在土壤鹽分運移中的應用

高楊 任顯丞 蔣青松

摘 要：人類社會的生存和發(fā)展離不開農業(yè)這一基礎和動力，農業(yè)是社會階層分工和國民經濟發(fā)展的前提和基礎，其穩(wěn)定發(fā)展關系到一個國家的民生與穩(wěn)定。在農業(yè)生產中，為實現作物高品質栽培，掌握土壤成分和運移情況，是其中的一項重要內容。該文以現代農業(yè)為背景，分析了數據同化在土壤鹽分運移中的應用，為相關科研人員掌握領域動態(tài)提供一定的參考意義。

關鍵詞：現代農業(yè);數據同化;土壤鹽分

中圖分類號 S152.7? ?文獻標識碼 A文章編號 1007-7731（2021）14-0123-02

Application of Data Assimilation in Soil Salt TranSport

GAO Yang et al.

（College of Information Engineering， Tarim University， Alar 843300， China）

Abstract： The survival and development of human society is inseparable from the power and foundation of agriculture， which is also the premise and foundation of social class division and national economic development，and the stable development of agriculture is also related to the people′s livelihood and stability of a country. In agricultural production，in order to achieve high-quality cultivation of crops，it has become an important content to master the soil composition and migration. Based on the background of modern agriculture，this paper analyzes the application of data assimilation in soil salt transport， which has a certain reference significance for relevant researchers to grasp the field dynamics.

Key words： Modern agriculture; Data assimilation; Oil salinity

1 引言

土壤鹽分動態(tài)是多因素（包括氣候、地形、地質、人類活動等因素）作用下，隨時間變化的運動過程。在各種因素的作用下，研究土壤鹽分動態(tài)規(guī)律和掌握實時情況，對于改良農作物種植方式和提高其品質都有著重大的實際意義[1]。最初，數據同化主要應用于數值天氣預報[2]，并且以初始場數據為基礎，為數值天氣預報提供預處理技術?，F如今，數據同化技術已被廣泛應用于大氣海洋領域，并且取得了顯著成果。由于數據同化技術的應用范圍越來越廣泛，在農業(yè)領域中利用數據同化技術解決農業(yè)實際問題已成為熱門的科研方向。

2 國內外研究現狀

Charney等[3]于1969年最早提出數據同化的研究思想，利用數據同化可以在氣候、地質、水域等多個領域進行科學研究。對于數據同化的定義與擴展，不同領域的專家給出了各自的理解和表達，但是無論表述如何，數據同化的定義可以概括為以下4個基本要素：（1）建立模型：對所研究對象的進行動力過程模擬;（2）建立狀態(tài)量：包括所觀測（直接或間接方式）的數據;（3）數據的融入和模型的校正：1不斷將新觀測（直接或間接方式）的數據融入過程模型中;2運行過程模型得出結果;3校正模型參數以提高模型的精確度;4數據模型的運行和更新。

數據同化的主要任務為：（1）將所觀測的數據（包括誤差和不同時空分辨率信息）融合并代入數值動力模式;（2）以科學理論為基礎，遵照數學理論，在模型運行結果的條件下，參考實際觀測值，以求得一個最優(yōu)解;（3）動力模式的初始場可由以往所得到最優(yōu)解繼續(xù)提供[4]，并不斷融入新的觀測數據，然后不斷循環(huán)下去，使得模型運行的結果不斷趨向于研究對象的真實值。

數據同化過程主要分為以下2個步驟：（1）統(tǒng)計與融合。利用所觀測（直接或間接觀測）的有用數據與模型產生的預報值相比較并融合，以求取動力模型的最佳估計;（2）在考慮不確定因素與誤差（包含觀測數據和模型兩者）的基礎上，運行數據模型以求得未來系統(tǒng)狀態(tài)的預報值，并且運行結果可以滿足平衡兩者（包含觀測數據和模型）之間的關系，而具體時間點的確定則由下一批觀測值所決定。

綜上所述，數據同化方法的基本研究思路是在現有的土壤鹽分數據及時空分布，不斷校正數據模型，使模型結果不斷接近實際情況，以達到評估與預測。

3 存在問題與展望

3.1 存在的主要問題 （1）在模擬分析過程中，數據同化方法往往要簡化不可測變量和外界影響因子，直接性或間接性對分析結果產生影響。如果研究對象的結構離散化表現形式不同，那么模型運行的結果所呈現的精確度也會不同，且隨機性比較大，使得可信度大大降低。（2）由于農作物生長期的不同，土壤鹽分運移情況也不會相同。為了使模型更加真實可靠，在實際測量過程中應當進行多次取樣，選取可靠數據進行數據處理，不斷完善模型。在這一過程中，為了得到完美模型，大量人力和物力的耗費不得不考慮其中，并且數據的采集需要在不同時期進行，以保證數據的典型性、全面性。

3.2 未來展望 （1）通過對土壤鹽分運移模擬，以進行合理的灌溉和調控是一個長遠和可行的方法。雖然遙感監(jiān)測可以用來對土壤鹽分進行監(jiān)測，但是遙感監(jiān)測只能進行實時土壤鹽分監(jiān)測控制，無法對土壤鹽分運移情況進行模擬和預測，以至于無法實現提前對作物的生長調控和分配灌溉用水。對于彌補這一缺陷，數據同化技術恰好可以解決。預測土壤鹽分運移變化借助耦合陸面模式的中尺度數值模式進行，并以數據同化技術為基礎，在土壤鹽分運移模型中融入遙感反演參數信息，使運行結果靠近真實值[5-7]。該方法對提高當前區(qū)域作物高質量生長提供了新的科學研究方案[8]。

（2）將作物模型融入數據同化的方法，是數據同化的另一種擴展和應用，也為模擬區(qū)域性作物生長需求提供了可行性方案。目前，以遙感數據同化系統(tǒng)為基礎，把作物模型融入系統(tǒng)中，以建立單一作物模型的方法已經非常普遍，但是模型結構存在的誤差以及觀測數據的不穩(wěn)定性都是被容易低估的問題，從而導致在數據同化的結果在不同區(qū)域中存在不確定性和不精準性[9]。因此，研究結合數據同化方法和多模型集合預報方法，以發(fā)展多模型數據同化方法，并將其用于構建作物多模型與遙感數據同化系統(tǒng)，以提高區(qū)域作物生長模擬和估產的精度及穩(wěn)健性。

（3）在農業(yè)領域，利用數據同化方法實現參數反演已成為非常受關注的問題，主要是因為參數的準確性對模型預測的準確性有著至關重要的影響。比如，土壤鹽分運移模型中，鹽分的含量、位置以及多孔介質的滲透率等參數對預測土壤鹽分的運移就非常重要;這些與孔介質本身相關的參數基本都有明顯的空間非均質性，也就是不同區(qū)域著不同的參數值[10]。若通過野外試驗對參數進行實地測量，將會非常費時費力，工程成本也非常高昂。再者，參數本身也具有尺度效應，意味著在小尺度區(qū)域（比如實驗室內）開展實驗測得的參數在大尺度模型上不一定適用。因此，利用間接觀測數據，通過數據同化方法獲得對模型參數的估計，已成為越來越熱門的研究領域。

4 結語

數據同化作為一個數學工具，不但應用于大氣科學和海洋科學，還被成功應用于其他學科（如農學、地磁場）。數據同化是將觀測數據的有效信息不斷融入先鍵的動態(tài)模型中，在簡化其他作用因素和不可觀測變量的條件下，使模型的（預測）輸出逼近現實，以達到預測的效果。數據同化甚至已應用于森林火災模型。作為另一方面的推廣，數據融合可以借鑒于數據同化的方法，將不同來源的同一類型數據（如地面觀測數據和衛(wèi)星數據）優(yōu)化結合起來，得到質量更高的數據。由于數據同化可以運用于獲取高質量大范圍的農業(yè)遙感數據[11]，從而成為農業(yè)一個新的研究方向。

參考文獻

[1]畢海蕓，馬建文.粒子濾波算法在數據同化中的應用研究進展[J].遙感技術與應用，2014，29（05）：701-710.

[2]Stanley L Barnes.A technique for maximizing details in numerical weather map analysis[J].Journal of Applied Meteorology，1964，3（4）：396-409.

[3]Charney J G，Halem M，Jastrow R.Use of incomplete historical data to infer the present state of the atmosphere （Incomplete historical data to infer state of atmosphere based on global circulation model，noting tradeoff of temperature for wind and time for space）[J].Journal of the Atmospheric Sciences，1969，26：1160-1163.

[4]馬文通，劉青海，李凱，等.風能資源評估系統(tǒng)搭建方法研究[J].風能，2013（11）：80-86.

[5]Dorigo W A，Zurita-Milla R，de Wit A J W，et al.A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling[J].International Journal of Applied Earth Observation and Geoinformation，2007，9（2）：165-193.

[6]趙艷霞，周秀驥，梁順林.遙感信息與作物生長模式的結合方法和應用：研究進展[J].自然災害學報，2005，14（1）：103-109.

[7]邢雅娟，劉東升，王鵬新.遙感信息與作物生長模型的耦合應用研究進展[J].地球科學進展，2009，24（4）：444-451.

[8]黃健熙，黃海，馬鴻元，等.遙感與作物生長模型數據同化應用綜述[J].農業(yè)工程學報，2018，34（21）：144-156.

[9]文莉娟，呂世華.陸面數據同化方法在綠洲農田土壤溫濕度模擬中的應用[J].農業(yè)工程學報，2010，26（07）：60-65.

[10]鄭強.地下滲流模型數據同化算法研究[D].杭州：浙江大學，2020.

[11]潘海珠.基于作物多模型遙感數據同化的區(qū)域冬小麥生長模擬研究[D].北京：中國農業(yè)科學院，2020.

（責編：張宏民）