發(fā)布時(shí)間：2019-10-09 13:35

【摘要】：富營養(yǎng)化模型是進(jìn)行湖泊水環(huán)境質(zhì)量預(yù)測和管理的重要工具,然而模型客觀存在的誤差一直是應(yīng)用者關(guān)心的重要問題.數(shù)據(jù)同化作為連接觀測數(shù)據(jù)與數(shù)值模型的重要方法,可以有效提高模型的準(zhǔn)確性.集合卡爾曼濾波(En KF)是眾多數(shù)據(jù)同化算法中應(yīng)用最為廣泛的一種,可進(jìn)行非線性系統(tǒng)的數(shù)據(jù)同化,并能有效降低數(shù)據(jù)同化的計(jì)算量.本研究以太湖作為具體實(shí)例,選擇Delft3D-BLOOM作為富營養(yǎng)化模型,在數(shù)值實(shí)驗(yàn)確定En KF集合數(shù)為100、觀測誤差方差為1%、模擬誤差方差為10%的基礎(chǔ)上分別進(jìn)行模型狀態(tài)變量同化以及狀態(tài)變量與關(guān)鍵參數(shù)同步同化.結(jié)果顯示,僅同化狀態(tài)變量時(shí),模型預(yù)測精度有所增加;同時(shí)同化狀態(tài)變量和關(guān)鍵參數(shù)時(shí),可顯著提升模型在湖泊水環(huán)境質(zhì)量預(yù)測中的精度.該研究為應(yīng)用集合卡爾曼濾波以提高復(fù)雜的湖庫富營養(yǎng)化模型模擬精度提供了有效的方法.
【圖文】：

芏任?．199×107cells/L［29］．從2009－2011年太湖水質(zhì)特性(表1)可見，藍(lán)藻門生物量遠(yuǎn)大于其他門類．因此，本研究選擇太湖為對(duì)象，開展藍(lán)藻濃度數(shù)值模型的數(shù)據(jù)同化分析．1．2數(shù)據(jù)收集本研究收集了太湖2009－2011年的水文、水動(dòng)力、水質(zhì)和藻類生物量數(shù)據(jù)．其中水文、水動(dòng)力數(shù)據(jù)來自太湖流域管理局，包括18條主要出入湖河流水位及流量數(shù)據(jù)，監(jiān)測頻率為每月1次;太湖5個(gè)水位監(jiān)測站的水位數(shù)據(jù)，監(jiān)測頻率為每天1次．其余數(shù)據(jù)除光照來自中國氣象科學(xué)數(shù)據(jù)共享網(wǎng)(http:∥data．cma．cn/site/index．html)外，全湖29個(gè)站點(diǎn)(圖1)的水溫(T)、光照、溶解氧(DO)、氨氮(NH3-N)、硝酸鹽氮(NO－3-N)、總氮(TN)、總磷(TP)、磷酸鹽(PO3－4)、葉綠素a、藍(lán)藻生物量、綠藻生物量和硅藻生物量數(shù)據(jù)依托太湖流域管理局采樣與分析設(shè)備自測獲得，監(jiān)測頻率為每月1次，水溫、溶解氧現(xiàn)場測定，具體的水質(zhì)特性見表1．圖1太湖監(jiān)測點(diǎn)位分布(1:三號(hào)標(biāo)、2:拖山、3:直湖港、4:小灣里、5:竺山湖、6:龍頭、7:大貢山、8:沙墩港、9:漁業(yè)村、10:貢湖、11:東太湖、12:廟港、13:戧港外、14:烏龜山、15:平臺(tái)山、16:焦山、17:14號(hào)燈標(biāo)、18:湖心南、19:橫山、20:大浦口、21:伏東、22:夾浦、23:新塘、24:小梅口、25:大錢閘、26:西山、27:胥口、28:漫山、29:胥湖)Fig．1DistributionofmonitoringsitesinLakeTaihu1．3富營養(yǎng)化模型簡介Delft3D-BLOOM模型是廣泛應(yīng)用于計(jì)算初級(jí)生產(chǎn)力、葉綠素a濃度、浮游植物功能群結(jié)構(gòu)的二維水生態(tài)模型，由荷蘭WL|DelftHydraulics開發(fā)，現(xiàn)已得到廣泛應(yīng)用．它可以模擬包括藍(lán)藻、綠藻和硅藻在內(nèi)多達(dá)15類浮游植物的生消．Los等［31］對(duì)荷蘭NorthSea的葉綠素a濃度進(jìn)行了模擬;Chen等［32］利用Delft3D模擬了淀山湖不同季節(jié)水動(dòng)力水質(zhì)條件下?

1076J．LakeSci．(湖泊科學(xué))，2017，29(5)2結(jié)果選擇藍(lán)藻生物量作為狀態(tài)變量，選擇敏感性最高的E-型藍(lán)藻最大生長速率溫度系數(shù)作為待同化參數(shù)［40］，以太湖29個(gè)站點(diǎn)每月1次的藍(lán)藻生物量實(shí)測值作為觀測值，對(duì)模型的狀態(tài)變量和參數(shù)進(jìn)行同化．首先將模型計(jì)算1年(2009－01－01－2009－12－31)，使模型達(dá)到穩(wěn)定后，在2010－01－01－2011－12－31時(shí)段開展數(shù)據(jù)同化．圖2不同集合數(shù)下的均方根誤差Fig．2Ｒootmeansquareerror(ＲMSE)ofdifferentensemblesizes2．1數(shù)據(jù)同化方案確定研究設(shè)置了6種集合數(shù)(30、50、70、100、200和500)，并用ＲMSE來表征不同集合數(shù)下同化后的狀態(tài)變量與觀測值的一致程度．從圖2可以看出隨著集合數(shù)的增大，ＲMSE逐漸減小，當(dāng)集合數(shù)達(dá)到100后，ＲMSE減小速度大幅降低，同化結(jié)果趨于穩(wěn)定．本研究將觀測誤差和模擬誤差均分別設(shè)置了1%、10%、20%、30%4種情況．表3列出了16種不同的觀測誤差和模擬誤差組合下同化結(jié)果的ＲMSE．從表中可以看出，當(dāng)觀測誤差為1%、模擬誤差為10%和20%時(shí)，同化結(jié)果的ＲMSE均較小，且差別不大．根據(jù)以上分析，確定適合本研究實(shí)例和富營養(yǎng)化模型的集合卡爾曼濾波數(shù)據(jù)同化設(shè)置:集合數(shù)為100，模擬誤差為10%，觀測誤差為1%．2．2數(shù)據(jù)同化分析2．2．1只同化狀態(tài)變量采用直接插值法對(duì)藍(lán)藻生物量進(jìn)表3不同觀測誤差和模擬誤差下的均方根誤差Tab．3ＲMSEunderdifferenterrorvariancesettingsforobservationandsimulation模型誤差1%10%20%30%觀測誤差1%1．53830．27010．27071．364010%1．36400．61381．05741．675420%0．68920．53211．10991．649830%1．64981．64981．64982．2180行更新，即參數(shù)值保持不變，，不對(duì)觀測值和狀態(tài)變量進(jìn)行擾動(dòng)，直接以觀測值作為狀態(tài)變量的最優(yōu)估計(jì)．將太
【作者單位】： 三峽大學(xué)水利與環(huán)境學(xué)院;中國科學(xué)院生態(tài)環(huán)境研究中心;南京水利科學(xué)研究院生態(tài)環(huán)境研究中心;
【基金】：國家自然科學(xué)基金項(xiàng)目(51579149,51609142) 江蘇省水利科技項(xiàng)目(2016021)聯(lián)合資助
【分類號(hào)】：X524


本文編號(hào)：2546803