[發明專利]無參數的農田數據同化方法

在審

• 申請號: 201910335809.2
• 申請日: 2019-04-24
• 公開（公告）號: CN110321917A
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 史良勝;張洋;王亞昆;查元源;鄧力源;何昱曉;張宇婷
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 唐萬榮;程力

本發明公開了一種無參數的農田數據同化方法，先預測，利用高斯過程替代物理模型，對已有的觀測數據進行訓練學習，預測下一時刻的狀態向量，觀測數據包括土壤含水量；再更新，基于集合卡爾曼濾波思想同化當前時刻的觀測，對當前時刻的觀測值和高斯過程預測值進行加權且權重根據二者的誤差確定，得到當前時刻狀態最優估計值并將其作為下一時刻的先驗狀態向量；最后重復預測和更新，直到所有可用的觀測全部被同化。該方法利用高斯過程對時序土壤水觀測數據進行順序性訓練并預測，擺脫了物理模型，可以對多種觀測信息進行訓練學習，可以根據需要預測得到任意分辨率的信息，應用簡單，具有普適性。

技術領域

本發明屬于農田水土環境領域，具體涉及一種無參數的農田數據同化方法。

背景技術

非飽和帶(非飽和帶又稱包氣帶或通氣帶，指地下水位以上、土壤水分含量小于飽和含水量的土層)對人類活動有著非常重要的意義，涉及農業、林業、水文和工程等多個領域，因此利用非飽和土壤水模型對土壤水運移過程進行模擬十分重要，然而，這種物理模型往往受限于多種不確定性(其來源可能包括輸出和脅迫條件數據的誤差)以及對于內在機理模型的不完美描述等等。

為了解決上述問題，數據同化方法被提出，它將可用的實際觀測融入到所構建的物理模型中，基于兩者的誤差來確定權重，加權得到狀態變量的最優估計值。該方法已在多個領域成功應用，如海洋和大氣科學，水文學等。但是，標準的數據同化也存在一些限制，一方面是應用到實際的高維系統時對計算成本要求過高，另一方面是當物理模型不可用或難以構建時，這種傳統的基于物理模型的參數型濾波受到極大的挑戰。

近些年，為避免構建復雜的物理機理模型，大量的數據驅動(無參數)方法被提出，并被融合到數據同化框架中。其中最為常用的是基于Takens理論的數據同化方法，Hamilton et al.2016提出一種混合的Kalman-Takens方法，利用遲豫坐標向量來重構非線性系統并進行預測，然后再采用Kalman更新同化觀，在該方法的基礎上，Hamilton etal.2017考慮了動態系統噪聲的存在，同時利用自適應濾波過程將動態噪聲與觀測噪聲進行分離，Khaki et al.2018則首次將Kalman-Takens方法應用到實際的陸地水文模型的數據同化中。

發明內容

本發明的目的是提供一種無參數的農田數據同化方法，該方法利用高斯過程對時序土壤水觀測數據進行順序性訓練并預測，擺脫了物理模型，可以對多種觀測信息進行訓練學習，可以根據需要預測得到任意分辨率的信息，應用簡單，具有普適性。

本發明采用的技術方案是：

一種無參數的農田數據同化方法，包括步驟：

S1、預測—利用高斯過程(Gaussian Process，簡稱GP)替代物理模型，對已有的觀測數據(如土壤含水量等)進行訓練學習，預測下一時刻的狀態向量；

S2、更新—基于集合卡爾曼濾波(簡稱EnKF)思想同化當前時刻的觀測，對當前時刻的觀測值和高斯過程預測值進行加權且權重根據二者的誤差確定，得到當前時刻狀態最優估計值并將其作為下一時刻的先驗狀態向量；

S3、重復S1和S2，直到所有可用的觀測全部被同化。

在S1中，首先，給實際觀測一定噪聲，將實際觀測離散為N個符合高斯分布的觀測樣本；其次，通過以下三種高斯過程建模方法得到t時刻的狀態向量預測值：1)利用[1:t-1]時刻的所有觀測，構建N個高斯過程模型；2)利用[1:t]時刻的所有觀測，構建N個高斯過程模型；3)利用整個模擬時間T內的所有觀測，構建N個高斯過程模型；三種高斯過程模型的輸入信息均為相關觀測信息(如時空信息、脅迫條件等，時空信息為時刻、深度等，脅迫條件為降雨、土壤溫度等)，輸出為目標變量(如土壤含水量等)；最后，利用訓練后的高斯過程模型，預測t時刻的目標狀態向量。

S1的具體方法為，