集合卡尔曼滤波数据同化方法改进土壤水分模拟效果

陈　鹤，杨大文，刘　钰，张宝忠（. 中国水利水电科学研究院，流域水循环模拟与调控国家重点实验室，北京 00048；. 清华大学水利水电工程系，水沙科学与水利水电工程国家重点实验室，北京 00084）



集合卡尔曼滤波数据同化方法改进土壤水分模拟效果

陈鹤1，杨大文2，刘钰1，张宝忠1
（1. 中国水利水电科学研究院，流域水循环模拟与调控国家重点实验室，北京 100048；2. 清华大学水利水电工程系，水沙科学与水利水电工程国家重点实验室，北京 100084）

摘要：陆面过程模型是连续模拟土壤水分的有效工具，然而输入数据及模型结构本身的不确定性会导致模拟误差在模型运行过程中不断积累。数据同化技术可以考虑模型不确定性，实时修正模型状态变量，进而提高土壤水分的模拟精度。本研究构建集合卡尔曼滤波（EnKF， ensemble Kalman filter）数据同化方法，将其集成到水文强化陆面过程模型HELP （hydrologically-enhanced land process）中，对模型中土壤水分及表面温度等状态变量进行优化。模型选取山东位山生态水文观测站2006年的数据进行验证，采用未经同化的模型率定结果作为基准值。结果表明，数据同化后表层、根层、深层土壤水分模拟结果相比基准值均有提高，土壤含水量均方根误差减小30%～50%，证明采用数据同化方法能够有效提高土壤水分的模拟结果。

关键词：土壤；遥感；温度；数据同化；陆面过程模型；土壤含水量

陈鹤，杨大文，刘钰，张宝忠. 集合卡尔曼滤波数据同化方法改进土壤水分模拟效果[J]. 农业工程学报，2016，32（2）：99－104.doi：10.11975/j.issn.1002-6819.2016.02.015http://www.tcsae.org

Chen He， Yang Dawen， Liu Yu， Zhang Baozhong. Data assimilation technique based on ensemble Kalman filter for improving soil water content estimation[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE），2016， 32（2）: 99－104. （in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.02.015http://www.tcsae.org

0　引　言

非饱和带的土壤含水量是联结地表与地下水分与能量交换的纽带，影响着降水入渗过程、地表蒸散发等重要水文环节[1]，对于气象学、水文学及农学都具有重要意义。在农业研究中，准确模拟土壤含水量是农业水管理、灌溉制度确定，以及农业增产的必要前提[2]。土壤含水量可以通过地面观测、模型模拟以及遥感反演定量获取。然而，土壤含水量空间变异性较大，点尺度地面观测难以获取大范围土壤含水量空间分布情况[3]；而遥感数据虽然能获取空间信息，但仅能反演卫星过境时刻的瞬时状态，在时间上是不连续的[4]；陆面过程模型能够连续模拟土壤含水量空间分布，但一方面模拟结果对初值误差非常敏感，另一方面模拟误差在模型运行过程中不断积累，导致模拟精度无法保证[5]。数据同化技术能够考虑模型结构及模型输入数据的不确定性，将其与遥感信息结合，引入遥感观测数据，在卫星过境时刻实时修正模型状态变量，可以充分发挥陆面过程模型和遥感数据的优势，为土壤含水量的连续模拟提供新途径[6]。数据同化的核心思想是误差估算及误差模拟，即在动力学模型框架下，融合不同来源、不同时空分辨率、不同精度的观测数据，根据不同观测之间的误差关系，通过数学算法对模型中的状态变量进行优化，以期提高模拟精度[7]。数据同化的概念和算法最早由海洋学家和气象学家提出[8]，近年来逐渐引入水文学研究中[9]，例如土壤水同化[7]，地表温度同化[10]等。随着遥感技术的发展，越来越多的地表参数可以由遥感观测反演获取，给同化系统提供了数据基础[11]。本研究构建集合卡尔曼滤波（EnKF， ensemble Kalman filter）数据同化方法，将其集成到水文强化陆面过程模型HELP （hydrologically-enhanced land process）中，采用SEBS （surface energy balance system）遥感蒸散发模型模拟的卫星过境时刻瞬时潜热通量为观测值，对陆面过程模型中土壤水分及表面温度进行同化，验证数据同化方法在改进土壤含水量模拟精度中的作用。

1　数据与方法

1.1研究区域及数据

验证站点选取山东位山生态水文观测站（36°38′55.5″N，116°3′15.3″E，海拔高度30 m（黄海海平面））。观测站位于山东位山灌区（36°8′～37°1′N，115°25′～116°31′E）中部一处典型农田内，在区域内具有代表性。观测站内设置有高10 m的铁塔，在铁塔上及铁塔周边的两个土壤剖面中安置观测仪器，对农田内的水、热、碳通量以及常规气象及土壤、作物状态进行观测。与本研究内容相关的观测包括通量观测、气象观测及植被参数观测。

1）通量观测：包括土壤热通量，以及由涡度相关系统观测的显热通量和潜热通量，以及由大孔径激光闪烁仪观测的显热通量；

2）气象观测：包括降雨、日照时数、空气温度及湿度、气压、风速及风向、向上/向下长、短波辐射，以及热红外地表温度；

3）植被参数观测：包括冠层高度及叶面积指数，其中冠层高度采用实地采样的方式每2周观测一次，叶面积指数采用在农田内随机采样的方式进行观测。

遥感数据来源于Terra和Aqua卫星上搭载的MODIS传感器观测的陆面产品，其中Terra卫星的过境时间为上午10:30左右，Aqua卫星的过境时间为下午1:30左右。MODIS陆面产品的空间分辨率为250 m到1 km，时间分辨率为逐日到16d合成不等。以上数据产品的介绍可参见MODIS网站（http://modis-land.gsfc.nasa.gov/），遥感数据可以通过NASA数据平台下载（http://reverb.echo.nasa.gov/reverb/）。下载的数据产品经过坐标转换、重采样、质量控制、数据插补等预处理环节，得到最终的地表输入数据集。

1.2数据同化系统

数据同化系统的核心组成部分是模型算子、观测算子和同化算法。在陆面数据同化系统中，模型算子通常采用水文模型或者陆面过程模型，用来模拟地表水热耦合的物理过程；观测算子用来连接需要被优化的模型状态变量和用来辅助同化的观测数据；数据同化算法通常分为变分算法和滤波算法两种，陆面数据同化研究中通常采用滤波算法。陆面数据同化系统中用到的数据，除了随时间变化的模型输入数据和不随时间变化的模型参数集之外，还需要一套独立来源的观测数据用于同化计算。本研究中用到的模型算子为水文强化陆面过程模型HELP，数据同化算法为集合卡尔曼滤波方法（EnKF），用于同化运算的观测数据为由遥感蒸散发模型SEBS计算得到的瞬时潜热通量。

1.2.1水文强化陆面过程模型

水文强化陆面过程模型（HELP）以SiB2模型（simple biosphere model 2）为基础，并强化了产流过程等水文过程模拟。HELP模型中，陆气间辐射传输，能量以及碳交换的模拟沿用SiB2模型，采用水热传输模型和阻抗网络模拟水热状况及土壤-植被-大气间的水热传输[12]。对于SiB2模型的水文模拟部分，HELP模型做出了以下改进：1）在包气带土壤水分模拟中，HELP模型将包气带细化为厚度为0.1 m的土层，采用一维Richards方程描述土层之间的土壤水分交换；2）在计算过程中，HELP模型采用van Genuchten公式[13]取代SiB2模型中的Campbell/ Clapp-Hornberger公式，描述非饱和导水率与饱和导水率之间的关系；3）此外，HELP模型在SiB2地表产流模型的基础上，增加了壤中流和地下水出流的模拟，采用质量守恒方程和达西定律描述土壤水与河道之间的水量交换[14]。

为了精确模拟土壤含水量，进一步对HELP模型土壤层离散方法加以细化，将土壤水分剖面细化为10层。因此HELP模型中共有17个状态变量，分别为：10层土壤含水量，植被冠层和地表层对降雨的截留及贮存量，冠层、地表层及土壤深层的温度，地下水位以及河道水位。在分析模拟结果时，再将10层土壤含水量换算为表层、根层、深层土壤含水量。

HELP模型的输入数据主要为常规气象数据，包括向下短波辐射、空气温度、相对湿度、风速、降水量及灌溉量，以上数据均来自于位山站观测数据。除了输入数据外，HELP模型采用一系列参数描述土壤的物理特性及植被的生理特性。植被参数由植被类型决定，不随时间变化，包括植被形态以及植被光学和生理学参数。土壤参数的取值见表1，植被参数的取值来源于位山站试验数据。除了两个表中列出的参数外，模型的其他参数与SiB2模型中的默认参数一致，未进行人工调参。

HELP模型的模拟时段为2006年1月1日至2006年12月31日，模拟步长为半小时。模型的初始条件（10层土壤含水量，冠层、地表及深层土壤温度）取自实测值。模型的输出值包括地表能量通量，土壤含水量，植被冠层、地表层、土壤深层3层温度，径流量，地下水位，河道水位以及碳通量方面的计算结果。本研究中对土壤含水量，冠层温度，净辐射，土壤热通量，显热通量以及潜热通量进行验证，验证数据均来自位山站观测值。其中，10层土壤含水量重新插值成表层、根层、深层含水量进行验证。

表1　位山站土壤水分特征参数Table 1　Soil water characteristic parameter of Weishan Station

1.2.2集合卡尔曼滤波方法

集合卡尔曼滤波方法（EnKF）方法采用蒙特卡洛随机采样，依靠随机生成一系列样本，通过计算样本的随机误差，直接得到模型误差分布。采用EnKF方法进行数据同化分为两个步骤：1）集合预报；2）状态变量校正。在每一个时刻t，采用蒙特卡洛方法对模型的状态变量随机生成一系列样本，每一个样本写作xbi,t，其中下标i表示第i个样本，上标b表示同化前的状态变量。向量x的维度是m，表示模型中有m个状态变量。在初始时刻，模型的集合预报可以用公式表示为

其中xi，0为模型的初始变量；M为模型算子。

同化前的状态变量样本矩阵为Xb

其中n是样本数，则Xb的维度是m行n列。数据同化前状态变量的平均值可以表示为

对同化前状态变量样本矩阵进行背景场误差计算如下

其中Pb是m×m维的矩阵，X′b是状态变量离均值样本矩阵，维度是m×n。

采用滤波法对状态变量进行校正，计算公式如下：

式（5）中的K是卡尔曼增益值（Kalman gain），计算公式为

其中R是作为同化量的观测值背景场误差，维度为p×p。

根据式（5）对每一个样本的状态变量xbi进行校正，得到同化后的状态变量xɑi，再进行下一个时间步长的模型预测

根据上述EnKF算法原理及计算公式，即可采用EnKF方法对模型进行同化。首先随机生成一组状态变量的集合样本，状态变量的背景场误差由下式计算

同样，对观测变量也加入随机误差，生成一组集合样本

其中y是实测值，yi是加入了随机误差ηi之后的观测值样本。同化的具体过程可按照下式计算

式中I是单位矩阵。

1.2.3遥感蒸散发模型

采用基于能量平衡原理的SEBS（surface energy balance system）模型[15]模拟的卫星过境时刻瞬时潜热通量作为同化系统的观测值。SEBS模型包含以下4个模块：1）基于遥感空间反照率和辐射率的地表物理参数反演；2）热量粗糙长度的计算；3）显热通量的计算；4）潜热通量的计算。与其他基于能量平衡原理的单层模型相比，SEBS模型的优点在于每一个网格都独立计算，因此即使在某天某些网格因为阴雨或云等影响缺乏遥感数据，也并不影响其他网格的计算结果，可以最大化地利用遥感数据。SEBS模型在位山站验证的结果表明，小麦季和玉米季的模拟均方根误差均小于20%[16]，证明SEBS模型在研究区具有良好的模拟精度。

1.2.4数据同化方案

在数据同化系统中，需要计算初始背景场误差协方差矩阵和模型误差协方差矩阵。本研究对模型输入数据加入随机扰动，生成一系列随机样本集合，通过模型自由运行得到模型状态变量的随机样本，进而计算背景误差。分别对HELP模型的输入数据（降雨、风速、相对湿度、空气温度、向下短波辐射）进行随机采样，参考已有的研究成果，本研究采取的输入数据随机误差见表2。

表2　HELP模型输入数据随机扰动Table 2　Random disturbation of model input in HELP model

由于HELP模型的模拟步长为半小时，SEBS模型反演的潜热通量为每天2次，因此在有潜热通量模拟值时进行数据同化，其他计算时段模型自由运行，给定观测值的随机误差为20%。另外，在HELP模型的17个状态变量中，冠层和地表截留是随降雨输入变化的状态变量，在时间上不存在连续变化规律，即误差不随时间传播。而地下水位与河道水位还受到临近网格的影响，在一维垂向模型处理中无法准确模拟。因此仅对10层土壤含水量及3层温度进行优化计算，状态变量向量的维度为13。选择样本数为10倍状态变量向量维度，即130。

2　结果与分析

2.1模型自由运行结果

在评价数据同化计算效果时，需要选定作为参照的基准值，即模型未经数据同化的自由运行的模拟结果。模型自由运行与数据同化方案采用同一套输入数据、参数集以及初始状态变量，模拟的3层土壤含水量（soil water content， SWC）如图1所示。

表层、根层、深层土壤含水量的模拟相对误差分别3.3%、4.7%和−0.9%，尽管整体的相对误差较小，但模拟值与实测值吻合程度较低，3层土壤含水量绝对平均误差分别为17.1%、16.3%和14.7%，均方根误差分别为0.055、0.053、0.053 m3/m3。从图中可以看出，在降雨/灌溉前后，模拟值的变化非常剧烈，表明在HELP模型中，土壤含水量对降雨/灌溉的输入非常敏感。其中表层土壤含水量的变化幅度最为剧烈，根层其次，即使深层土壤含水量也会随着降雨过程发生比较明显的升高。

图1　HELP模型自由运行3层土壤含水量模拟值与实测值比较Fig.1　Open loop run of estimated and observed three-layer soil water content

2.2数据同化后模拟结果与基准值对比

对同化结果进行验证，模型从2006年1月1日起运行至2006年12月31日，分别截取小麦季（3月1日－5 月31日）和玉米季（7月1日－9月30日）的结果进行分析。采用百分比相对误差（biɑs），百分比绝对平均误差（mɑe），均方根误差（rmse），以及数据同化效率系数（Eff）对同化结果进行验证，其中Eff的计算公式为

式中上标u和b分别表示同化后和同化前；Oi为第i时刻的观测值；Sij为第i时刻的模拟值；i1和i2为模拟起止时间。Eff指标大于0，表示数据同化后，模拟结果有改善；反之，小于0，则表示经过数据同化后，模拟结果反而不如同化前。Eff值越趋近于100%，表示同化效果越好。

2.2.1表面温度同化结果

图2是小麦季和玉米季同化前后的表面温度模拟值与实测值对比散点图。小麦季表面温度的模拟基准值存在较大的系统偏差，数据同化后模拟值比基准值系统偏差明显降低，相对误差减小至−16.6%，绝对平均误差为20.9%，均方根误差为1.79℃，数据同化的效率系数达到94.8%，确定性系数由0.66提高到0.95。玉米季表面温度模拟基准值模拟较好，均方根误差为2.47℃，确定性系数为0.94。数据同化后，各项指标也有了显著提升，相对误差由6.7%减小至3.2%，均方根误差降低至1.29℃，确定性系数提高到0.97，数据同化效率系数为73.0%。结果表明数据同化对于改进表面温度状态变量的模拟具有明显效果。

图2　表面温度模拟值与实测值比较Fig.2　Scatter plot of estimated and observed surface temperature

2.2.2土壤含水量同化结果

图3和4分别是小麦季和玉米季3层土壤含水量观测值、基准值和同化后的模拟值对比图，表3是同化后3层土壤含水量与基准值误差对比分析。统计结果表明小麦季和玉米季同化后的模拟结果对比基准值都有了不同程度的改善，均方根误差降低，Eff的范围从9.31%到74.17%。

从误差评价指标来看，在小麦季表层土壤水同化方面，同化以后的模拟值相对误差和绝对平均误差比基准值略有增高。原因在于小麦季表层土壤水的基准模拟值在降雨/灌溉前后变化非常剧烈，在降雨/灌溉发生后明显升高，而过了一段时间后又显著降低，导致在整个模拟时段内，相对误差处在较低的水平。但从图中分析同化结果的具体过程可以看出，经过数据同化后的表层土壤含水量在时间变化过程上与实测值吻合良好，但是存在一定的系统偏低。同化后的模拟均方根误差比基准值降低0.01 m3/m3，而同化后小麦季表层土壤含水量的效率系数为9.31%，表明虽然改善程度较根层和深层土壤含水量为低，但经过数据同化后，表层土壤含水量的模拟值仍有一定程度的改善。小麦季根层和深层土壤含水量的同化值与基准值相比有了明显的改善，系统误差显著减小，与实测值的吻合程度也更高。

图3　小麦季土壤含水量模拟值与实测值比较Fig.3　Soil water content estimation and observation in wheat season

图4　玉米季土壤含水量模拟值与实测值比较Fig.4　Soil water content estimation and observation in maize season

与小麦季相比，玉米季土壤含水量的同化效果更好，尤其在相对误差方面，同化后的3层土壤含水量模拟相对误差分别为3.70%，3.62%和−5.45%，比基准值有了显著改善，绝对平均误差、均方根误差也显著降低，效率系数均在60%以上，表3所示。

表3　同化后土壤含水量与基准值误差对比分析Table 3　Error analysis of updated soil water content withbenchmark run

3　结　论

将数据同化算法结合遥感数据集成到陆面过程模型中，为土壤含水量的连续模拟提供了新途径。本研究将集合卡尔曼滤波算法集成到陆面过程模型HELP中，构建陆面数据同化系统。采用对输入数据加入随机扰动的方法生成随机样本和背景场误差。利用遥感反演的潜热通量模拟值作为同化系统的观测值，对HELP模型状态变量进行优化，并分别验证了同化结果对表面温度和土壤含水量模拟的改进程度。结果表明数据同化后的土壤含水量模拟结果明显优于未经过同化的模拟基准值，模拟相对误差、绝对平均误差以及均方根误差都有不同程度的降低，在整个生育期内的过程模拟与实测值吻合程度更高。综合来看，同化后的土壤含水量均方根误差降低幅度在30%～50%之间，表明对遥感反演的潜热通量进行同化，能够改善HELP模型土壤水状态变量模拟精度。

[参考文献]

[1] Entekhabi D， Nakamura H， Njoku E G. Solving the inverse problem for soil moisture and temperature profiles by sequential assimilation of multifrequency remotely sensed observations[J]. IEEE Transactions on Geoscience and Remote Sensing， 1994， 32（2）: 438－448.

[2] Jackson T J， Hawley M E， O’Neill P.E. Preplanting soil moisture using passive microwave sensors[J]. Water Resources Bulletin， 1987， 23（1）: 11－19.

[3] Jackson T J， Schmugge T J， Nicks A D， et al. Soil moisture updating and microwave remote sensing for Hydrological simulation[J]. Hydrological Sciences Bulletin， 1981， 26（3）: 305－319.

[4] Lin S D， Wood E F， Troch Peter A， et al. Comparisons of remotely sensed and model-simulated soil moisture over a heterogeneous watershed[J]. Remote Sensing of Environment，1994， 48: 159－71.

[5] Feddes R A， Menenti M， Kabat P， et al. Is large-scale inverse modelling of unsaturated flow with areal average evaporationand surface soil moisture as estimated from remote sensing feasible[J]. Journal of Hydrology， 1993， 143: 125－52.

[6] Daley R. Atmospheric data analysis[M]. New York: Cambridge University Press， 1991， 457.

[7] Margulis S A， Mclaughlin D， Entekhabi D， et al. Land data assimilation and estimation of soil moisture using measurements from the Southern Great Plains 1997 field experiment[J]. Water Resources Research， 2002， 38（12）: 1－18.

[8] Salamon P， Feyen L. Assessing parameter， precipitation， and predictive uncertainty in a distributed hydrological model using sequential data assimilation with the particle filter[J]. Journal of Hydrology ， 2009， 376: 428－42.

[9] Mclaughlin D. An integrated approach to hydrologic data assimilation: interpolation， smoothing， and filtering[J]. Advances in Water Resourses， 2002， 25: 1275－86.

[10] Bosilovich M G， Radakovich J D， Silva A， et al. Skin Temperature Analysis and Bias Correction in a Coupled Land-Atmosphere Data Assimilation System[J]. Journal of the Meteorological Society of Japan. Ser.II， 2007， 85A: 205－28.

[11] Walker J P， Houser P R， Reichle R. New Technologies Require Advances in Hydrologic Data Assimilation[J]. EOS，2003， 84: 545－51.

[12] Sellers P J， Randall D A， Collatz G J， et al. A revised land surface parameterization （SiB2） for atmospheric GCMs. Part I: Model Formulation[J]. Journal of Climate， 1996， 9: 676－705.

[13] Genuchten M T. A closed form equation for predicting the hydraulic conductivity of unsaturated soils[J]. Soil Science Society of America Journal， 1980， 44: 892－898.

[14] Yang Dawen， Tamagawa K. Hydrological improvement of the land surface process scheme using the CEOP observation data[C]//Proceeding of CEOP/IGWCO Joint Meeting. Tokyo，2005.

[15] Su Zhongbo. The surface energy balance system （SEBS） for estimation of turbulent heat fluxes[J]. Hydrological Earth System Science， 2002， 6: 85－99.

[16] Yang Dawen， Chen He， Lei Huimin. Estimation of evapotranspiration using a remote sensing model over agricultural land in the North China Plain[J]. International Journal of Remote Sensing， 2010， 31（14）: 3783－98.

Data assimilation technique based on ensemble Kalman filter for improving soil water content estimation

Chen He1, Yang Dawen2, Liu Yu1, Zhang Baozhong1
（1.Stɑte Key Lɑborɑtory of Simulɑtion ɑnd Regulɑtion of Wɑter Cycle in River Bɑsin， Chinɑ Institute of Wɑter Resources ɑnd Hydropower Reseɑrch， Beijing 100048， Chinɑ;2. Depɑrtment of Hydrɑulic Engineering, Stɑte Key Lɑborɑtory of Hydroscience ɑnd Engineering，Tsinghuɑ University， Beijing 100084， Chinɑ）

Abstract:Soil moisture in unsaturated zone connects the water and energy exchange process between surface water and groundwater， which has great influence to rainfall infiltration and surface evapotranspiration and hence has important meaning to agriculture， hydrology and meteorology. In agricultural study， accurate estimation of soil water content has significant importance to agricultural water management， irrigation regime determination and agricultural output increase. Soil water content can be quantified by surface observation， model estimation and remote sensing retrieval. Due to the large heterogeneity of soil property， surface observation at small scale can be hardly extended to large scale; while spatial distribution retrieved by remote sensing data can only obtain instantaneous value at satellite over-passing time. Land surface model is treated as a powerful tool in continuous estimation of soil water content， which is continuous in spatial and temporal dimension. However，the error tends to accumulate in the process of model simulation due to the inevitable uncertainty of forcing data and intrinsic error in model. Data assimilation technique can consider the uncertainty of the model and observation， update model states during the simulation period， and thus improve the accuracy of soil water content estimation， and exploit the advantages of both land surface model and remote sensing measurement. The concept and algorithm of data assimilation were first proposed by oceanologists and meteorologists， and have been gradually introduced to hydrology in recent years， such as soil water data assimilation and surface temperature data assimilation. As the development of remote sensing technique， more and more surface parameters can be obtained by remote sensing retrieval， which provides the available data sources for data assimilation system. The purpose of this study was to validate the data assimilation technique in improving soil water content estimation. To this end， an ensemble Kalman filter （EnKF） technique was coupled to a hydrologically-enhanced land process （HELP）model to update model states including soil water content and surface temperature. Random disturbance was added to the input data to generate ensemble model states and background error covariance matrix. The latent heat flux derived by MODIS data and surface energy balance system （SEBS） was used as the observation value of assimilation system to update the model states in HELP model. We chose a typical cropland in Weishan irrigation area （36°8′-37°1′N， 115°25′-116°31′E） as the study area，where located an eco-hydrological station （36°38′55.5″N， 116°3′15.3″E， average sea altitude of 30 m） with long series of flux data and meteorological measurements. The observation data used in this study were composed of flux observation data including soil heat flux， sensible and latent heat flux， meteorological observation data including rainfall， sunshine duration， air temperature and humidity， wind direction and speed， upward/downward longwave/shortwave radiation and infrared surface temperature， and vegetation observation data including canopy height and leaf area index. The model was firstly validated by the observation data in 2006， in which the open-loop estimation without state updating was treated as the benchmark run. The root mean square error （RMSE） of soil water content in surface， root and deep layer was 0.055， 0.053 and 0.053 m3/m3respectively. After data assimilation update， the surface temperature estimation of both wheat season and maize season was improved to a large extent， with an effectiveness coefficient of 94.8% and 73.0% respectively. Data assimilation also improved the estimation accuracy of soil water content， with a reduction of RMSE by 30%-50% compared to the benchmark run. In wheat season， the effectiveness coefficient of soil water content estimation of data assimilation in surface， root and deep layer ranged from 9.31% to 74.17%. Compared to wheat season， data assimilation showed better results in maize season， the relative error of soil water content in surface， root and deep layer was reduced to 3.70%， 3.62%， and -5.45%， respectively， and the effectiveness coefficient of all 3 layers was over 60%. These results demonstrate that the effect of data assimilation on improving soil water states is positive， which provides a new approach in continuous estimation of soil water content.

Keywords:soils; remote sensing; temperature; data assimilation; land surface model; soil water content

作者简介：陈鹤，女，辽宁大连人，中国水利水电科学研究院工程师，博士。北京 中国水利水电科学研究院，流域水循环模拟与调控国家重点实验室，100048。Email：chenhe@iwhr.com

基金项目：国家自然科学基金（51409277， 51379217）；“十二五”国家科技计划（2012BAD08B01）

收稿日期：2015-08-03

修订日期：2015-12-17

中图分类号：S152.7

文献标识码：A

文章编号：1002-6819（2016）-02-0099-06

doi：10.11975/j.issn.1002-6819.2016.02.015