基于进化粒子滤波的SMAP土壤水分数据同化

 论文标题：

Continental drought monitoring using satellite soil moisture, data assimilation and an integrated drought index

 发表期刊：

Remote Sensing of Environment

 原文链接：

https://www.sciencedirect.com/science/article/pii/S0034425720303989

研究背景

SMAP 卫星观测地表土壤水分的重访周期为2-3天，因此其土壤水分观测在时空上有一定的缝隙。陆面模式和水文模型可以模拟得到时空连续的土壤水分，其模拟精度依赖于初始条件的准确性。初始条件的不确定性可以通过数据同化的方式进行改进，即通过同化观测数据来提高模型模拟的精度。经典的集合卡尔曼滤波数据同化算法要求观测和模型误差服从高斯分布，对于现实世界不服从高斯分布的情况具有很大限制。粒子滤波数据同化方法对于非线性非高斯问题具有很好的适用性，但是存在粒子退化和多样性匮乏问题。因此，本文基于一种改进的粒子滤波数据同化算法，同化 SMAP 土壤水分观测到 VIC 水文模型当中，得到时空连续的土壤湿度，并根据土壤湿度、降水、潜在蒸散发变量提出一种新型干旱指数，用于区域尺度的干旱监测。

数据方法

图 1 为本文使用的数据同化和干旱监测的整体框架。首先通过 VIC 水文模型进行模拟得到先验的土壤湿度状态，再通过遗传算法-马尔科夫链蒙特卡罗得到更新的先验状态，然后利用粒子滤波重采样方法对先验状态进行更新，得到后验的土壤湿度。随后，借助copula将后验土壤湿度、降水减去潜在蒸散发构建联合分布函数，并进行分布转换和高斯逆得到综合的干旱指数，用于区域整体干旱状态的监测和评价。

图 1. 数据同化和干旱监测框架

结果和分析

图 2 为两种不同数据同化方法得到的根区土壤湿度验证结果，基于改进粒子滤波（EPFM）的结果要优于集合卡尔曼滤波（EnKF）和不进行数据同化（OL）的模拟结果，其分位数平均的相关系数分别为0.56（EPFM），0.54（EnKF）和0.47（OL），ubRMSE 分别为0.054（EPFM），0.061（EnKF）和0.058m³/m³（OL）。相对于OL模拟，EPFM数据同化方法的偏差在美国东南部区域更大，原因在于SMAP土壤湿度观测和地面站点观测有一定偏差。

图 2. 基于集合卡尔曼滤波（EnKF）和改进粒子滤波（EPFM）数据同化方法同化 SMAP 观测得到的地表土壤水分验证结果

图 3 为不同干旱指数对美国北部平原2017年5月的骤旱监测结果，美国干旱监测者（USDM）在5月初监测到很少的干旱区域，在5月末监测到部分区域的轻度到中度的干旱。而气象干旱指数SPEI表明，在5月上旬很多区域发生了轻度到中度的气象干旱，一直持续到5月末。同化的土壤湿度干旱指数SSMI_DA表明，土壤湿度在上旬只有很少区域出现异常，中下旬则在很多区域出现干旱。同化的农业气象干旱指数SPESMI_DA则基本能够捕捉到气象干旱和土壤湿度干旱的总体变化。

图 3. 不同干旱指数对美国北部平原2017年5月的骤旱监测结果

结论

l  将SMAP卫星土壤水分同化到VIC水文模型中，提供时空连续的土壤湿度估计。

l  改进的粒子滤波数据同化算法对于SMAP土壤湿度的同化效果较好。

l  基于降水、潜在蒸散发、土壤湿度，提出了一种新型干旱指数SPESMI。