基于集合卡尔曼滤波的湖泊富营养化模型Delft3D-BLOOM数据同化
发布时间：2019-10-09 13:35
【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(En KF)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En KF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.
【图文】：
芏任?．199×107cells/L［29］．从2009－2011年太湖水质特性(表1)可见，蓝藻门生物量远大于其他门类．因此，本研究选择太湖为对象，开展蓝藻浓度数值模型的数据同化分析．1．2数据收集本研究收集了太湖2009－2011年的水文、水动力、水质和藻类生物量数据．其中水文、水动力数据来自太湖流域管理局，包括18条主要出入湖河流水位及流量数据，监测频率为每月1次;太湖5个水位监测站的水位数据，监测频率为每天1次．其余数据除光照来自中国气象科学数据共享网(http:∥data．cma．cn/site/index．html)外，全湖29个站点(图1)的水温(T)、光照、溶解氧(DO)、氨氮(NH3-N)、硝酸盐氮(NO－3-N)、总氮(TN)、总磷(TP)、磷酸盐(PO3－4)、叶绿素a、蓝藻生物量、绿藻生物量和硅藻生物量数据依托太湖流域管理局采样与分析设备自测获得，监测频率为每月1次，水温、溶解氧现场测定，具体的水质特性见表1．图1太湖监测点位分布(1:三号标、2:拖山、3:直湖港、4:小湾里、5:竺山湖、6:龙头、7:大贡山、8:沙墩港、9:渔业村、10:贡湖、11:东太湖、12:庙港、13:戗港外、14:乌龟山、15:平台山、16:焦山、17:14号灯标、18:湖心南、19:横山、20:大浦口、21:伏东、22:夹浦、23:新塘、24:小梅口、25:大钱闸、26:西山、27:胥口、28:漫山、29:胥湖)Fig．1DistributionofmonitoringsitesinLakeTaihu1．3富营养化模型简介Delft3D-BLOOM模型是广泛应用于计算初级生产力、叶绿素a浓度、浮游植物功能群结构的二维水生态模型，由荷兰WL|DelftHydraulics开发，现已得到广泛应用．它可以模拟包括蓝藻、绿藻和硅藻在内多达15类浮游植物的生消．Los等［31］对荷兰NorthSea的叶绿素a浓度进行了模拟;Chen等［32］利用Delft3D模拟了淀山湖不同季节水动力水质条件下?
1076J．LakeSci．(湖泊科学)，2017，29(5)2结果选择蓝藻生物量作为状态变量，选择敏感性最高的E-型蓝藻最大生长速率温度系数作为待同化参数［40］，以太湖29个站点每月1次的蓝藻生物量实测值作为观测值，对模型的状态变量和参数进行同化．首先将模型计算1年(2009－01－01－2009－12－31)，使模型达到稳定后，在2010－01－01－2011－12－31时段开展数据同化．图2不同集合数下的均方根误差Fig．2Ｒootmeansquareerror(ＲMSE)ofdifferentensemblesizes2．1数据同化方案确定研究设置了6种集合数(30、50、70、100、200和500)，并用ＲMSE来表征不同集合数下同化后的状态变量与观测值的一致程度．从图2可以看出随着集合数的增大，ＲMSE逐渐减小，当集合数达到100后，ＲMSE减小速度大幅降低，同化结果趋于稳定．本研究将观测误差和模拟误差均分别设置了1%、10%、20%、30%4种情况．表3列出了16种不同的观测误差和模拟误差组合下同化结果的ＲMSE．从表中可以看出，当观测误差为1%、模拟误差为10%和20%时，同化结果的ＲMSE均较小，且差别不大．根据以上分析，确定适合本研究实例和富营养化模型的集合卡尔曼滤波数据同化设置:集合数为100，模拟误差为10%，观测误差为1%．2．2数据同化分析2．2．1只同化状态变量采用直接插值法对蓝藻生物量进表3不同观测误差和模拟误差下的均方根误差Tab．3ＲMSEunderdifferenterrorvariancesettingsforobservationandsimulation模型误差1%10%20%30%观测误差1%1．53830．27010．27071．364010%1．36400．61381．05741．675420%0．68920．53211．10991．649830%1．64981．64981．64982．2180行更新，即参数值保持不变，，不对观测值和状态变量进行扰动，直接以观测值作为状态变量的最优估计．将太
【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;
【基金】：国家自然科学基金项目(51579149,51609142) 江苏省水利科技项目(2016021)联合资助
【分类号】：X524
本文编号：2546803
【图文】：
芏任?．199×107cells/L［29］．从2009－2011年太湖水质特性(表1)可见，蓝藻门生物量远大于其他门类．因此，本研究选择太湖为对象，开展蓝藻浓度数值模型的数据同化分析．1．2数据收集本研究收集了太湖2009－2011年的水文、水动力、水质和藻类生物量数据．其中水文、水动力数据来自太湖流域管理局，包括18条主要出入湖河流水位及流量数据，监测频率为每月1次;太湖5个水位监测站的水位数据，监测频率为每天1次．其余数据除光照来自中国气象科学数据共享网(http:∥data．cma．cn/site/index．html)外，全湖29个站点(图1)的水温(T)、光照、溶解氧(DO)、氨氮(NH3-N)、硝酸盐氮(NO－3-N)、总氮(TN)、总磷(TP)、磷酸盐(PO3－4)、叶绿素a、蓝藻生物量、绿藻生物量和硅藻生物量数据依托太湖流域管理局采样与分析设备自测获得，监测频率为每月1次，水温、溶解氧现场测定，具体的水质特性见表1．图1太湖监测点位分布(1:三号标、2:拖山、3:直湖港、4:小湾里、5:竺山湖、6:龙头、7:大贡山、8:沙墩港、9:渔业村、10:贡湖、11:东太湖、12:庙港、13:戗港外、14:乌龟山、15:平台山、16:焦山、17:14号灯标、18:湖心南、19:横山、20:大浦口、21:伏东、22:夹浦、23:新塘、24:小梅口、25:大钱闸、26:西山、27:胥口、28:漫山、29:胥湖)Fig．1DistributionofmonitoringsitesinLakeTaihu1．3富营养化模型简介Delft3D-BLOOM模型是广泛应用于计算初级生产力、叶绿素a浓度、浮游植物功能群结构的二维水生态模型，由荷兰WL|DelftHydraulics开发，现已得到广泛应用．它可以模拟包括蓝藻、绿藻和硅藻在内多达15类浮游植物的生消．Los等［31］对荷兰NorthSea的叶绿素a浓度进行了模拟;Chen等［32］利用Delft3D模拟了淀山湖不同季节水动力水质条件下?
1076J．LakeSci．(湖泊科学)，2017，29(5)2结果选择蓝藻生物量作为状态变量，选择敏感性最高的E-型蓝藻最大生长速率温度系数作为待同化参数［40］，以太湖29个站点每月1次的蓝藻生物量实测值作为观测值，对模型的状态变量和参数进行同化．首先将模型计算1年(2009－01－01－2009－12－31)，使模型达到稳定后，在2010－01－01－2011－12－31时段开展数据同化．图2不同集合数下的均方根误差Fig．2Ｒootmeansquareerror(ＲMSE)ofdifferentensemblesizes2．1数据同化方案确定研究设置了6种集合数(30、50、70、100、200和500)，并用ＲMSE来表征不同集合数下同化后的状态变量与观测值的一致程度．从图2可以看出随着集合数的增大，ＲMSE逐渐减小，当集合数达到100后，ＲMSE减小速度大幅降低，同化结果趋于稳定．本研究将观测误差和模拟误差均分别设置了1%、10%、20%、30%4种情况．表3列出了16种不同的观测误差和模拟误差组合下同化结果的ＲMSE．从表中可以看出，当观测误差为1%、模拟误差为10%和20%时，同化结果的ＲMSE均较小，且差别不大．根据以上分析，确定适合本研究实例和富营养化模型的集合卡尔曼滤波数据同化设置:集合数为100，模拟误差为10%，观测误差为1%．2．2数据同化分析2．2．1只同化状态变量采用直接插值法对蓝藻生物量进表3不同观测误差和模拟误差下的均方根误差Tab．3ＲMSEunderdifferenterrorvariancesettingsforobservationandsimulation模型误差1%10%20%30%观测误差1%1．53830．27010．27071．364010%1．36400．61381．05741．675420%0．68920．53211．10991．649830%1．64981．64981．64982．2180行更新，即参数值保持不变，，不对观测值和状态变量进行扰动，直接以观测值作为状态变量的最优估计．将太
【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;
【基金】：国家自然科学基金项目(51579149,51609142) 江苏省水利科技项目(2016021)联合资助
【分类号】：X524
本文编号：2546803
本文链接：https://www.wllwen.com/shengtaihuanjingbaohulunwen/2546803.html
