陆面数据同化通过融合理论模型和观测数据,为科学家提供了一个强大的工具,以更准确地模拟和预测土壤湿度、积雪、蒸散发、径流、地下水、农业灌溉、湍流通量、陆表温度、植被动态、作物产量等地表过程关键参量[1~4]。数据同化如同一把钥匙,已经开启了对地球系统科学深入理解的大门。近期,中国科学院青藏高原研究所李新及其合作者[5]在Reviews of Geophysics上发表了综述文章,详细探讨了陆面数据同化的理论发展、方法创新及其在地球系统科学中的应用,在促进理论-数据双重驱动的陆面过程研究方面奠定了基石。李新及其合作者长期致力于陆面数据同化研究,发展了中国陆面数据同化系统,在非线性滤波算法、多源遥感数据同化等方面取得了显著成就。
陆面数据同化的核心是在统一的动力框架下,通过调和陆面模型和多源、多尺度观测数据之间的关系来降低陆面过程状态变量和参数的不确定性(图1(a)),在提高陆面模型模拟精度的同时,也实现了观测数据的时空尺度扩展。经过几十年的发展和完善,科学家相继发展出了以贝叶斯滤波算法、变分法、以及滤波-变分集成算法为代表的数据同化算法,构建了模型参数和状态变量同步估计的双通道数据同化、多尺度观测数据同化、考虑空间相关性的局地化同化方案等数据同化策略,提出了机器学习-数据同化集成的新框架,这些数据同化理论和算法被用来处理陆面数据同化中特有的模型参量之间的高非线性关系、非高斯分布的模型和观测误差、模型模拟精度对驱动数据高度依赖性、以及对模型参数高度敏感性等问题。在逐步完善的理论和算法的支撑下,国内外科研和业务部门相继开发了全球、区域、流域尺度的数据同化系统,以及陆面数据同化系统平台,取得了令人瞩目的成果。
尽管陆面数据同化已经取得了显著的进步,但仍面临着一系列挑战[5],包括发展高质量和高时空分辨率的大气驱动数据集[6]、通过同化地球系统观测数据生产长时间序列陆面再分析资料、推动陆面数据同化系统的业务应用、开发陆-气耦合的数据同化系统、以及推进地球关键带同化研究等。文章还指出,未来需要借鉴贝叶斯理论进一步发展更为成熟的陆面数据同化理论和方法,将空间尺度作为陆面数据同化中的自变量,以便更好地表征多尺度空间异质性、刻画尺度依赖的代表性误差等[7]。
陆面数据同化技术的未来发展机遇在于其与大数据和人工智能的结合(图1(b))。随着来自遥感、物联网、传感器网络等地球观测和社会感知数据的爆炸性增长,科学家已经看到了将这些数据融入理论模型的潜力[8,9]。通过联合机器学习和数据同化技术,可以更好地理解和预测自然-社会耦合系统的行为。这种“知识-数据”双重驱动的方法有望提高我们对“人-地”系统的预测能力,并为实现地球系统科学中的通用人工智能和数字孪生提供支持[9]。
总的来说,陆面数据同化为地球系统科学提供了一项革命性方法论和技术体系,它通过整合理论模型和观测数据,极大地提高了我们对地球表面过程的理解和预测能力。随着技术的不断进步和新方法的开发,陆面数据同化将在未来的研究中发挥更大的作用,不仅在科学认知方面,也在支持全球气候变化研究和应对策略的制定中起到关键的工程工具作用。我们期待这项技术能够带来更多的科学突破,帮助我们更好地理解和保护我们赖以生存的地球。
推荐阅读文献
欢迎转发朋友圈
转载、投稿请留言