较易实现，能应对系统中动力模型和观测模型的非线性问题，且能找到目标函数的全局最优解。
顺序数据同化方法是指在系统运行过程中，当有观测的时刻，利用观测信息在观测和模型误差分别加权的基础上对模型状态进行更新，从而获得模型状态的后验优化估计；状态更新后，模型利用新的状态重新初始化，继续向前积分，直到获得新的观测信息。顺序数据同化方法传统上以针对线性系统的Kalman滤波和针对非线性系统的扩展Kalman滤波为代表——卡尔曼滤波能够利用目标的动态信息,设法去掉噪声的影响,得到一个关于目标位置的好的估计。这个估计可以是对当前目标位置的估计(滤波),也可以是对于将来位置的估计(预测)，也可以是对过去位置的估计(插值或平滑).后者需要发展系统中的动力模型和观测模型的切线性操作数。为了更好地应对非线性问题，更合理地估计系统误差的演进，非线性滤波方法逐渐被引入到数据同化领域，其中，以集合Kalman滤波为代表的Monte Carlo顺序数据同化方法取得了巨大的成功，并在海洋、陆面和大气数据同化领域都得到了广泛的应用。最近几年来，以粒子滤波为代表的非线性、非高斯滤波方法的优异性能也吸引了数据同化领域的高度关注。它们和集合Kalman滤波一起，将成长为一族新兴的具有生命力的资料同化方法，将资料同化研究带向新高度。下图是将数据同化方法的分类做了概要的总结。
数据同化方法经验方法优化插值连续方法顺序方法多项式插值等价变分方法Monte Carlo全局优化方法4DVar模拟退火法Kalman滤波扩展Kalman滤波集合Kalman滤波粒子滤波3DVar连续修正法遗传算法洗牌复形算法松弛法等价Bayes滤波图9 数据同化方法的分类[15]
17
2陆面数据同化系统介绍
陆面数据同化系统(LDAS， Land Data Assimilation System)是近年来将四维同化方法应用到地球表层科学和水文学中而迅速发展起来的新方法，是一种集成多源地理空间数据的新思路。它的核心思想是在陆面过程模型的动力框架内，融合不同来源和不同分辨率的直接与间接观测，将陆面过程模型和各种观测操作数(如辐射传输模型)集成为不断地依靠观测而自动调整模型轨迹，并且减小误差的预报系统。其理论、概念和方法来源于大气和海洋科学，在数学上主要借助于估计理论、控制论、优化方法和误差估计理论。
当前，陆面资料同化的研究主要为：在陆面模型和水文模型基础上，采用不同的数据同化算法同化地表观测数据、卫星和雷达数据，优化地表和根区土壤水分、温度、地表能量通量等的估算。
陆面数据同化系统主要由驱动数据和参数集、陆面过程模型、数据同化方法、观测数据、输出数据等构成。其中，驱动数据集通常是由大气数据同化系统获得大气状态数据；参数集主要包括陆面模型中所需要的静态参数和动态参数；观测数据包括各种地面观测数据以及卫星、雷达数据；输出数据与具体的陆面模型有关，主要是地表的土壤湿度、能量通量、径流、蒸散发等数据。
陆面数据同化系统流程：①利用大气环流模式与陆面过程模型耦合的大气数据同化系统生成精度较高的大气驱动数据(辐射、气温、降水、水气压、风速等)；②利用遥感和地表观测制备陆面过程模型所需的陆面参数；③驱动数据与陆面参数进入陆面过程模型，生成当前时刻的状态变量；④同化当前时刻的地面观测、卫星、雷达数据，估计背景场误差，优化状态变量；⑤陆面同化与大气同化继续向前推进，生成下一时刻的背景场。
近年来，陆面资料同化已日趋成为陆面过程和水文研究中的热点和前沿，其发展阶段已经迅速跨过了幼年期，显现出它不同于大气和海洋同化的特征，在理论和方法的探索、实用同化系统的建立等方面都取得了重要的进展。最具代表性的事件是几个大区域同化系统的建立，包括:北美陆面数据同化系统(NLDAS)和全球陆面数据同化系统(GL-DAS)，欧洲陆面数据同化系统(ELDAS) ，以及中国陆面数据同化系统。中国科学院寒区旱区环境与工程研究所和兰州大学大气科学学院正在承担中国陆面数据同化系统的研究和开发。其目标是:建立中国陆面数
18
据同化系统，使用陆面过程模型和分布式水文模型同化被动微波遥感观测资料SSM/l、TMI和AMSR，获得1991年以来高分辨率的中国西北干旱区和青藏高原土壤水分、土壤温度、积雪和冻土的同化资料，为研究大尺度和流域尺度的水循环提供具有时空和物理一致性的数据;促进陆面过程、微波遥感、同化算法的基础研究。表一中比较了现今三大陆面数据同化系统的各部分组成，选用的数据集、陆面模型及同化算法等。
表一 三大陆面数据同化系统的比较表[14]
北美（全球）陆面同欧洲陆面土壤水分化系统 同化系统 项目来NASA，GSFC，NOAA等 欧盟资助专案 源及完成单位 包括NCEP的全球数据气象驱动数据源于同化系统和NASA的哥达欧洲中尺度天气预报德的数据同化系统生成中心(ECMWF)，短波辐的气象驱动数据等 射和长波辐射利用数值天气预报(NWP)模式同化ETEOSAT/MSG数驱动数据获得，降水资料由地据 面观测站获得，METEOSAT/MSG 中国西部陆面同化系统 寒旱所，兰州大学 陆面模型 陆面参数集 观测资料 同化算法 发展一个三维变分分析系统，以GAME、ECMWF、和NCEP再分析数据为基础，融入台站观测数据和 卫星反演数据最终生成中国西部地区0。25°~0。5°分辨率的辐射、气温、降水、水气压、风速等驱动数据。 包括Mosaic、VIC、数值天气预报模型分布式水文模型NOAH、Sacramento 4种(Tessel，LM)，气候模 (VIC模型)、改进陆面过程模型 型(ISBA)和土壤物的CLM模型; 理模型(SWAPS) 包括北美和全球的植 针对VIC、CLM被分类图、叶面积指模型 数、土壤数据集、高程所需参数制备; 数据集等 Geostationary IR，由METEOSAT/MSG获SSM/I、TMI和SSM/I，TRMM等遥感数据得地表短波辐射和地AMSR 以及地面站点观测数表温度，由地面观测和被动微波观测资据; 雷达获得降水资料等 料; 四维变分、Kalman滤四维变分、优化内插四维变分、集合波、集合Kalman滤波算Kalman滤波算法 Kalman滤波算法、 19
输出数据 法 通过同化地表观测和遥感数据，最终将输出土壤水分、蒸散发、能量通量、径流、积雪等数据集 模拟退火算法; 通过陆地表面模型通过同化地表观与数值天气预报系统测和遥感数据，最耦合，同化观测获得降终将输出空间分水和辐射数据，最终得辨为1/4°×到最优的土壤水分含1/4°、时间分辨量、表面蒸发、径流资率为6 h的中国西料 北干旱区和青藏高原土壤水分、土壤温度、积雪和冻土的同化(再分析)资料 图10，图11和图12分别给出了北美陆面数据同化系统(NLDAS)和全球陆面数据同化系统(GL-DAS)，欧洲陆面数据同化系统(ELDAS) [4]，以及中国陆面数据同化系统的结构框架图。
图10北美陆面数据同化系统框架图[15]
图11欧洲陆面土壤水分数据同化系统框架图[15]
20
