摘要: 从字面意思上讲,陆面数据同化就是陆面过程模式+数据同化方法. 那么很自然的,陆面数据同化与大气或者海洋数据同化唯一的区别也就在于其预报模型为陆面模式而已,仅此而已.因此在大气与海洋中被成熟应用的同化方法可以被想当然的移植过来. 至少最初我也是如此想. 但事情...
从字面意思上讲,陆面数据同化就是陆面过程模式+数据同化方法. 那么很自然的,陆面数据同化与大气或者海洋数据同化唯一的区别也就在于其预报模型为陆面模式而已,仅此而已.因此在大气与海洋中被成熟应用的同化方法可以被想当然的移植过来. 至少最初我也是如此想.
但事情并非如此,陆面过程有其特殊性:高度的非线性与间断性质,使得很多依赖于模式的同化方法很难轻易地在陆面数据同化中应用,这其中包括在大气同化中应用相当广泛的四维变分同化方法以及克服非线性问题的拓展Kalman滤波方法.拿陆面过程模式最为典型的土壤水方程为例,其非线性不仅仅体现在空间上,而且还体现在时间维上,很难找到一个合适的方式去对其进行合理的线性化.既然无法得到合适的线性化算子,那么以此为基础的四维变分方法和扩展Kalman滤波方法也自然没有立足的根基. 但无论如何,很多人去做了,也写了很多的文章.
采用扩展Kalman滤波甚至四维变分方法去对土壤湿度进行同化,文章中的结果总是可以弄得不错,但是其里面线性化算子是如何来的,是值得推敲,但很少有人去进行推敲.当然,也能够听到很多信誓旦旦的去写陆面模式的伴随算子,准备利用四维变分方法建立陆面数据同化系统.我只能说雄心壮志可钦佩,除了钦佩我只能说钦佩了.
从另一个角度上来看,那些依赖于模式的同化方法的不适用性.因为陆面过程模式发展程度应该说是依然远远不够成熟,很多过程都有可能也期待进行改进,这包括水文过程,能量过程以及其他各个方面.一旦费了很大的劲弄出一个跟模式紧密相连的同化系统或者方法出来,还没等热火呢,陆面模式变了,变的面目全非,到时候叫苦可来不及. 实际上就四维变分方法而已,求预报模型的切线性算子只是对进行代价函数极小化的过程的一个要求,如果能够采用其他的方式对代价函数极小化并避开对切线性算子和伴随模式的要求,这便意味着要对一般意义上的四维变分方法进行改进,四维变分在陆面数据同化的中应用是可以期待的.但是拓展Kalman滤波方法就很有所作为了.
在我看来,它几乎是陆面数据同化的毒药. 最后还要反对两种倾向:很多人忽视陆面模式的存在,直接把陆面模式作为一个黑箱子使用来鲁莽的进行陆面数据同化的研究(后面我将具体讲一下这些方面的一些例子),结果使得同化结果面目全非;另一方面很多人在完全否定陆面模式,认为陆面模式太差劲了,基于此,所谓的陆面数据同化也是无皮之毛,这种思想很值得指责,呵呵,那么多人靠陆面模式吃饭,你否定了此,让我们去你家里找饭辄去?再不济,从发展的角度来看,结合模式的陆面数据同化还是值得期待的.
罗唆了这么多,差点忘了主题,适合陆面数据同化的同化方法毫无疑问是那些不依赖于模型的同化方法:如Ensemble Kalman filter,诸如此类吧,当然会包括一些以集合为基础的变分方法，如果可能我将多介绍一些这类的方法.
