一种基于数据同化的近岸水质数据再分析方法技术

本发明专利技术创造提供了一种基于数据同化的近岸水质数据再分析方法，基于文献资料和实测数据进行水动力模型的模型初始条件、边界条件和参数的设定；采用强化的参数校正数据同化方法进行数据同化，反复调试数据同化算法中的局地化半径和膨胀系数，以获取同化效果最优的模型状态和参数，由水动力模型在该时间步的模拟结果插值生成水环境模型初始条件，进行水环境数值模拟，通过理想试验测试模型的最优同化参数，再采用最优同化参数，基于EAKF方法对水动力、水质浓度和扩散系数进行最优估计。本发明专利技术方法将实测数据和数值模拟相结合，通过基于最小二乘的EAKF方法对模型参数和状态变量进行订正，最终提高模型模拟精度，获得较高精度水环境数据的方法。环境数据的方法。环境数据的方法。

【技术实现步骤摘要】
一种基于数据同化的近岸水质数据再分析方法


[0001]本专利技术创造属于水环境数据再分析和预报
，尤其是涉及一种基于数据同化的近岸水质数据再分析方法。

技术介绍

[0002]随着计算机技术的发展，数值模拟已经成为了水动力、水环境分析和预报的重要手段。市面上已有Delft3D，SWAN等开源软件和MIKE21、EFDC等商业软件。但仅依靠数值模型对较复杂的水动力过程进行分析和预报往往不能得到理想的效果：一方面模型的离散格式和模型方程的近似带来了一定的模型误差；另一方面人为给定的底摩擦系数、地形和边界条件等模型参数也对模型的计算精度产生了较大影响。水环境数值模拟中，目前广泛应用的数据同化方法主要包括最优插值、四维变分、粒子滤波和集合卡尔曼滤波（Ensemble Kalman Filter，EnKF）等。其中，四维变分和EnKF能够在调整模型状态场的同时对模型参数进行估计，从而获得更为准确的参数值。其中，EnKF方法能够量化模型的不确定性和误差，并随着时间步的推进不断对模式进行优化，相比于同样是目前研究热点的四维变分方法，EnKF方法实现相对简单，且更加适用于强非线性的数学模型。目前已有采用EnKF方法开展水环境数值模拟的相关研究，然而，多数研究中采用的是传统的EnKF方法，需要的集合成员数较大，模型运算时间较长，除此之外，由于EnKF方法在实现过程中需要给定一观测扰动集合，在实际应用中，生成该集合时会产生一定的抽样误差，从而导致同化精度的降低，因此，有必要进行优化改进。

技术实现思路

[0003]有鉴于此，本专利技术创造旨在克服现有技术中的缺陷，提出一种基于数据同化的近岸水质数据再分析方法，实现集合调整卡尔曼滤波（Ensemble Adjustment Kalman Filter，EAKF）方法对水环境模拟中水质的状态估计，进而为水环境的分析和预报提供一种新的优化方法，为提高水环境数值再分析和预报精度提供技术支持。
[0004]为达到上述目的，本专利技术创造的技术方案是这样实现的：一种基于数据同化的近岸水质数据再分析方法，包括如下步骤：基于文献资料和实测数据进行水动力模型的设置：水动力模型可采用冷启动，即初始条件可全部设置为0，也可基于已有水位、流速数据进行设置；可采用验潮站观测数据、卫星数据或再分析数据集等给定开边界处的水位和流速，波浪开边界采用侧向边界条件；由于研究区域范围较小，可假设区域内底摩擦处处相同，即曼宁系数可设为常数；模型水深可采用卫星测深数据，根据模型分辨率进行插值生成；风场可采用ECWMF等再分析数据。通过在模型原有曼宁系数的基础上叠加无偏的高斯随机数生成参数集合，使模型自由积分至稳定；采用强化的参数校正数据同化方法进行数据同化，该数据同化方法包括：先进行潮位、潮流和波高的状态估计，待模型达到准平衡状态后，同时进行状态估计和对曼宁系数
的参数估计；反复调试数据同化算法中的局地化半径和膨胀系数，以获取同化效果最优的模型状态和参数，该过程通过人为设置“真实”解并基于“真实”解生成观测场，测试不同局地化半径和膨胀系数下同化结果与“真实”解的误差，最终确定一组最优的同化参数；水环境模型的初始条件由对应时间步的水动力模型的数值模拟结果进行插值生成，水环境模型的动力边界条件采用水动力模型的潮位、潮流模拟结果，水质边界条件采用零梯度边界条件，通过在水质扩散系数的基础上叠加无偏的高斯随机数生成参数集合，水质指标包括但不限于溶解氧、化学需氧量、生物需氧量、氨氮、总磷、总氮、硝酸盐氮、叶绿素等；基于上述生成的水环境模型边界条件和实测温度、盐度等模型参数条件，进行水环境数值模拟，将曼宁系数设置为水动力模型中优化后的结果，进行模型自由积分；通过与水动力模型形式相同的理想试验测试模型的最优同化参数，再采用最优同化参数，基于EAKF方法对水动力和水质浓度同时进行状态估计并针对水质扩散系数开展参数估计，获取优化后的水动力和水质数据。
[0005]进一步，水动力模型、水环境模型的风场均采用实测或再分析资料；水环境模型的水质浓度选择实测数据。
[0006]进一步，水环境模型参数中曼宁系数采用EAKF优化后的结果。
[0007]进一步，水动力模型的运算中，将模型设置为冷启动，给定各时刻潮位、潮流数据作为边界条件，根据海区具体海底地貌，曼宁系数取值不同，可参照相关文献或已有研究结果设定模型的曼宁系数值。
[0008]进一步，水环境模型的运算中，将模型设置为热启动。
[0009]进一步，实测数据包括地形、风场、水质、海区温度、海区盐度等初始场和数据同化观测数据，以及潮位、潮流边界数据。
[0010]进一步，文献资料包括ECWMF的风场资料，以及验潮站的潮位、潮流数据，以及NAO.99b的潮位、潮流数据。
[0011]进一步，水动力模型的边界条件直接采用潮位站数据。
[0012]相对于现有技术，本专利技术创造具有以下优势：本专利技术方法将实测数据和数值模拟相结合，通过基于最小二乘的EAKF方法对模型参数和状态变量进行订正，最终提高模型模拟精度，获得较高精度水环境数据的方法，本方法主要应用于水环境数据的再分析和预报，基于观测数据，通过数据同化，将观测信息与数值模型相结合，以此优化水环境模型的模拟结果，从而提供精度较高的水环境再分析和预报数据。
附图说明
[0013]构成本专利技术创造的一部分的附图用来提供对本专利技术创造的进一步理解，本专利技术创造的示意性实施例及其说明用于解释本专利技术创造，并不构成对本专利技术创造的不当限定。在附图中：图1为本专利技术基于数据同化的近岸水质数据再分析方法的示意图；图2为本专利技术中基于集合调整卡尔曼滤波的水环境数据再分析和预报方法的流程
图。
具体实施方式
[0014]需要说明的是，在不冲突的情况下，本专利技术创造中的实施例及实施例中的特征可以相互组合。
[0015]在本专利技术创造的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术创造的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0016]在本专利技术创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本专利技术创造中的具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据同化的近岸水质数据再分析方法，其特征在于，包括如下步骤：基于文献资料和实测数据，进行水动力模型的模型初始条件、边界条件和参数的设定；通过在模型原有曼宁系数的基础上叠加无偏的高斯随机数生成参数集合，使模型自由积分至稳定；采用强化的参数校正数据同化方法进行数据同化，该数据同化方法包括先进行潮位、潮流和波高的状态估计，待模型达到准平衡状态后，同时进行状态估计和对曼宁系数的参数估计；通过理想试验反复调试数据同化算法中的局地化半径和膨胀系数，以获取同化效果最优的模型状态和参数，该过程通过人为设置“真实”解并基于“真实”解生成观测场，测试不同局地化半径和膨胀系数下同化结果与“真实”解的误差，最终确定一组最优的同化参数；水环境模型的初始条件由对应时间步的水动力模型的数值模拟结果进行插值生成，水环境模型的动力边界条件采用水动力模型的潮位、潮流模拟结果，水质浓度采用零梯度边界条件，通过在水质浓度数据的基础上叠加无偏的高斯随机数生成集合，进行水环境模型的自由积分；基于上述生成的水环境模型边界条件和实测水质数据，进行水环境数值模拟，将曼宁系数设置为水动力模型中优化后的结果，进行模型自由积分；通过与水动力模型相同的理想试验测试模型的最优同化参数，再采用最优同化参数，基于EAKF方法对水动力和水质浓度同时进行状态估计，待模型达到...

【专利技术属性】
技术研发人员：武浩文，董智超，李斌，韩桂军，李威，
申请(专利权)人：中交第一航务工程局有限公司天津港湾工程质量检测中心有限公司，
类型：发明
国别省市：