一维水动力模型中用于估计水位、底摩阻和水深的对偶集合卡尔曼滤波
大气与海洋物理
2016-07-05 v1 数据分析、统计与概率
流体动力学
摘要
数据同化已应用于海岸水动力模型，通过将观测数据融入模型来更好地估计系统状态或参数。卡尔曼滤波（Kalman Filter, KF）是研究最多的数据同化方法之一，但其应用仅限于线性系统。对于水动力模型等非线性系统，采用一种称为集合卡尔曼滤波（Ensemble Kalman Filter, EnKF）的 KF 变体，在蒙特卡洛模拟的背景下更新系统状态。本研究采用对偶 EnKF 方法，同时估计浅水模型的状态（水面高程）和参数（底摩阻和水深）。在一个位于墨西哥湾的一维浅水问题中，考察了滤波器对 1) 观测数据的数量和精度，以及 2) 参数初始估计的敏感性。结果表明，从逻辑范围内的底摩阻和水深初始估计出发，并利用有限数量测站可用的观测数据，对偶 EnKF 能够改善底摩阻和水深场。滤波器的性能对实测数据的精度敏感，尤其是在同时估计曼宁系数 n 和水深的情况下。
引用
@article{arxiv.1607.00569,
title = {A Dual EnKF for Estimating Water Level, Bottom Roughness, and Bathymetry in a 1-D Hydrodynamic Model},
author = {Milad Hooshyar and Stephen C. Medeiros and Dingbao Wang and Scott C. Hagen},
journal= {arXiv preprint arXiv:1607.00569},
year = {2016}
}