作者：满俊，张江江，郑强，尧一骏，曾令藻
单位：中国科学院土壤环境与污染修复重点实验室（南京土壤研究所）
土壤非均质性是造成土壤水力参数不确定性的主要原因，土壤非均质性刻画一直以来均是研究的热点问题。随着物联网技术的发展，通过信息传感和实时监控手段，能够实现对土壤数据（如含水量和水头）的自动采集。数据同化方法能够将自动采集的观测数据信息与基于物理机制的模型预测结果相融合, 从而实现对模型参数的反演估计。近些年来，利用数据同化方法反演土壤水力参数的研究在国内外有了一定的发展。本文旨在总结和分析这些研究进展，为土壤水力参数的获取提供参考。
1 土壤水力参数的测定及反演
直接测定土壤水力参数的方法主要分为实验室方法和田间方法，大多需要施加严格的初始和边界条件，耗时且受尺度效应限制。物联网技术和数值计算方法的发展，使得对原位获取的观测数据进行同化，进而识别土壤水力参数的研究得以广泛开展。通过监测含水量和水头等状态量，将获得的观测数据信息融入到土壤非饱和流模型中，通过不断地更新参数和状态使得模型预测值与观测数据相匹配，这一过程称为数据同化（Data assimilation）（图1）。
Fig. 1 Procedures of data assimilation
2 常用的数据同化方法
目前应用较为广泛的数据同化方法包括马尔可夫链蒙特卡罗（MCMC）、集合卡尔曼滤波（EnKF）及其变体。MCMC通常需要大量的模型调用才能达到收敛，而且所需模型调用次数随着参数个数的增加而显著上升，对于高维问题这将造成巨大的计算量。在EnKF中，当参数分布非高斯或系统模型呈现强非线性时，EnKF的反演效果有时欠佳。
3 计算效率和反演精度提升
虽然MCMC、EnKF及其变体在土壤水力参数反演方面得到了较为广泛的应用，但各自也存在着不足。由于土壤具有非均质性，导致未知参数过多，并且土壤非饱和流模型呈现较强的非线性，而原位观测数据又相对稀缺，需要发展更加高效的数据同化方法。以下几点能从不同角度提升计算效率和反演精度。
不确定性量化
低保真度模型模拟精度较低，但所需计算时间相对较短。使用一种或多种低保真度模型来近似系统模型的多保真度模拟可以兼顾效率和精度，常被用于量化模拟过程的不确定性，以及提高数据同化的计算效率。
模型结构误差
在同化过程中，同时更新模型参数、状态和结构误差；采用高斯过程对模型结构误差进行拟合，并用MCMC来同时反演未知模型参数和超参数；采用贝叶斯模型平均量化模型结构的不确定性，均能获得更加准确的结果。
优化试验设计
优化试验设计方法大致分为两类：全局设计（批量设计）和序贯设计。在一定预算条件下，通过试验设计找到最优的监测方案，从而获得信息含量最高的观测数据，有助于提高参数反演的精度。
机器学习应用
机器学习能够自动提取复杂特征，并有效地从训练数据中发掘隐含信息。近年来，很多学者将其嵌入到数据同化的框架中。但目前机器学习在土壤水力参数反演中的应用还相对较少，尤其是结合实际土壤数据的研究更是稀少。
4 研究展望
针对土壤的非均质性、土壤非饱和流模型的强非线性以及原位观测数据的相对稀缺性，前人发展了不同的数据同化方法用于土壤水力参数反演。然而，这些数据同化方法的应用大多停留在数值实验的层面，在实际田间乃至区域尺度上的适用性还有待验证。考虑到实际应用中土壤的非均质特性更加复杂，综合上述研究进展，本文认为未来可以考虑从发展监督式降维方法、多源多尺度数据融合以及耦合物理机制的机器学习等方面进一步深化土壤水力参数反演方法研究。
作者简介
主要从事土壤污染（包括重金属和挥发性有机物）空间识别、归趋模拟与暴露分析方面的研究工作。目前在ACS ES&T Engineering、Journal of Hazardous Materials、Water Resources Research和Journal of Hydrology等领域主流期刊上发表SCI论文20余篇，申请（或授权）国家发明专利1项，登记软件著作权3项，参编中文专著1部，参与发布行业标准1项。主持国家自然科学基金、国家重点研发项目子课题、中国科学院特别研究助理资助项目、江苏省自然科学基金等10项。现担任《土壤学报》和《环境科学与技术》青年编委，曾入选中国科学院率先行动青年引才计划和江苏省高层次创新创业人才引进计划。
点击下方 “阅读原文” 查看更多
↓↓↓
