数据同化在土壤盐分运移中的应用

高杨 任显丞 蒋青松

摘 要：人类社会的生存和发展离不开农业这一基础和动力，农业是社会阶层分工和国民经济发展的前提和基础，其稳定发展关系到一个国家的民生与稳定。在农业生产中，为实现作物高品质栽培，掌握土壤成分和运移情况，是其中的一项重要内容。该文以现代农业为背景，分析了数据同化在土壤盐分运移中的应用，为相关科研人员掌握领域动态提供一定的参考意义。

关键词：现代农业;数据同化;土壤盐分

中图分类号 S152.7   文献标识码 A文章编号 1007-7731（2021）14-0123-02

Application of Data Assimilation in Soil Salt TranSport

GAO Yang et al.

（College of Information Engineering， Tarim University， Alar 843300， China）

Abstract： The survival and development of human society is inseparable from the power and foundation of agriculture， which is also the premise and foundation of social class division and national economic development，and the stable development of agriculture is also related to the people′s livelihood and stability of a country. In agricultural production，in order to achieve high-quality cultivation of crops，it has become an important content to master the soil composition and migration. Based on the background of modern agriculture，this paper analyzes the application of data assimilation in soil salt transport， which has a certain reference significance for relevant researchers to grasp the field dynamics.

Key words： Modern agriculture; Data assimilation; Oil salinity

1 引言

土壤盐分动态是多因素（包括气候、地形、地质、人类活动等因素）作用下，随时间变化的运动过程。在各种因素的作用下，研究土壤盐分动态规律和掌握实时情况，对于改良农作物种植方式和提高其品质都有着重大的实际意义[1]。最初，数据同化主要应用于数值天气预报[2]，并且以初始场数据为基础，为数值天气预报提供预处理技术。现如今，数据同化技术已被广泛应用于大气海洋领域，并且取得了显著成果。由于数据同化技术的应用范围越来越广泛，在农业领域中利用数据同化技术解决农业实际问题已成为热门的科研方向。

2 国内外研究现状

Charney等[3]于1969年最早提出数据同化的研究思想，利用数据同化可以在气候、地质、水域等多个领域进行科学研究。对于数据同化的定义与扩展，不同领域的专家给出了各自的理解和表达，但是无论表述如何，数据同化的定义可以概括为以下4个基本要素：（1）建立模型：对所研究对象的进行动力过程模拟;（2）建立状态量：包括所观测（直接或间接方式）的数据;（3）数据的融入和模型的校正：1不断将新观测（直接或间接方式）的数据融入过程模型中;2运行过程模型得出结果;3校正模型参数以提高模型的精确度;4数据模型的运行和更新。

数据同化的主要任务为：（1）将所观测的数据（包括误差和不同时空分辨率信息）融合并代入数值动力模式;（2）以科学理论为基础，遵照数学理论，在模型运行结果的条件下，参考实际观测值，以求得一个最优解;（3）动力模式的初始场可由以往所得到最優解继续提供[4]，并不断融入新的观测数据，然后不断循环下去，使得模型运行的结果不断趋向于研究对象的真实值。

数据同化过程主要分为以下2个步骤：（1）统计与融合。利用所观测（直接或间接观测）的有用数据与模型产生的预报值相比较并融合，以求取动力模型的最佳估计;（2）在考虑不确定因素与误差（包含观测数据和模型两者）的基础上，运行数据模型以求得未来系统状态的预报值，并且运行结果可以满足平衡两者（包含观测数据和模型）之间的关系，而具体时间点的确定则由下一批观测值所决定。

综上所述，数据同化方法的基本研究思路是在现有的土壤盐分数据及时空分布，不断校正数据模型，使模型结果不断接近实际情况，以达到评估与预测。

3 存在问题与展望

3.1 存在的主要问题 （1）在模拟分析过程中，数据同化方法往往要简化不可测变量和外界影响因子，直接性或间接性对分析结果产生影响。如果研究对象的结构离散化表现形式不同，那么模型运行的结果所呈现的精确度也会不同，且随机性比较大，使得可信度大大降低。（2）由于农作物生长期的不同，土壤盐分运移情况也不会相同。为了使模型更加真实可靠，在实际测量过程中应当进行多次取样，选取可靠数据进行数据处理，不断完善模型。在这一过程中，为了得到完美模型，大量人力和物力的耗费不得不考虑其中，并且数据的采集需要在不同时期进行，以保证数据的典型性、全面性。

3.2 未来展望 （1）通过对土壤盐分运移模拟，以进行合理的灌溉和调控是一个长远和可行的方法。虽然遥感监测可以用来对土壤盐分进行监测，但是遥感监测只能进行实时土壤盐分监测控制，无法对土壤盐分运移情况进行模拟和预测，以至于无法实现提前对作物的生长调控和分配灌溉用水。对于弥补这一缺陷，数据同化技术恰好可以解决。预测土壤盐分运移变化借助耦合陆面模式的中尺度数值模式进行，并以数据同化技术为基础，在土壤盐分运移模型中融入遥感反演参数信息，使运行结果靠近真实值[5-7]。该方法对提高当前区域作物高质量生长提供了新的科学研究方案[8]。

（2）将作物模型融入数据同化的方法，是数据同化的另一种扩展和应用，也为模拟区域性作物生长需求提供了可行性方案。目前，以遥感数据同化系统为基础，把作物模型融入系统中，以建立单一作物模型的方法已经非常普遍，但是模型结构存在的误差以及观测数据的不稳定性都是被容易低估的问题，从而导致在数据同化的结果在不同区域中存在不确定性和不精准性[9]。因此，研究结合数据同化方法和多模型集合预报方法，以发展多模型数据同化方法，并将其用于构建作物多模型与遥感数据同化系统，以提高区域作物生长模拟和估产的精度及稳健性。

（3）在农业领域，利用数据同化方法实现参数反演已成为非常受关注的问题，主要是因为参数的准确性对模型预测的准确性有着至关重要的影响。比如，土壤盐分运移模型中，盐分的含量、位置以及多孔介质的渗透率等参数对预测土壤盐分的运移就非常重要;这些与孔介质本身相关的参数基本都有明显的空间非均质性，也就是不同区域着不同的参数值[10]。若通过野外试验对参数进行实地测量，将会非常费时费力，工程成本也非常高昂。再者，参数本身也具有尺度效应，意味着在小尺度区域（比如实验室内）开展实验测得的参数在大尺度模型上不一定适用。因此，利用间接观测数据，通过数据同化方法获得对模型参数的估计，已成为越来越热门的研究领域。

4 结语

数据同化作为一个数学工具，不但应用于大气科学和海洋科学，还被成功应用于其他学科（如农学、地磁场）。数据同化是将观测数据的有效信息不断融入先键的动态模型中，在简化其他作用因素和不可观测变量的条件下，使模型的（预测）输出逼近现实，以达到预测的效果。数据同化甚至已应用于森林火灾模型。作为另一方面的推广，数据融合可以借鉴于数据同化的方法，将不同来源的同一类型数据（如地面观测数据和卫星数据）优化结合起来，得到质量更高的数据。由于数据同化可以运用于获取高质量大范围的农业遥感数据[11]，从而成为农业一个新的研究方向。

参考文献

[1]毕海芸，马建文.粒子滤波算法在数据同化中的应用研究进展[J].遥感技术与应用，2014，29（05）：701-710.

[2]Stanley L Barnes.A technique for maximizing details in numerical weather map analysis[J].Journal of Applied Meteorology，1964，3（4）：396-409.

[3]Charney J G，Halem M，Jastrow R.Use of incomplete historical data to infer the present state of the atmosphere （Incomplete historical data to infer state of atmosphere based on global circulation model，noting tradeoff of temperature for wind and time for space）[J].Journal of the Atmospheric Sciences，1969，26：1160-1163.

[4]马文通，刘青海，李凯，等.风能资源评估系统搭建方法研究[J].风能，2013（11）：80-86.

[5]Dorigo W A，Zurita-Milla R，de Wit A J W，et al.A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling[J].International Journal of Applied Earth Observation and Geoinformation，2007，9（2）：165-193.

[6]赵艳霞，周秀骥，梁顺林.遥感信息与作物生长模式的结合方法和应用：研究进展[J].自然灾害学报，2005，14（1）：103-109.

[7]邢雅娟，刘东升，王鹏新.遥感信息与作物生长模型的耦合应用研究进展[J].地球科学进展，2009，24（4）：444-451.

[8]黄健熙，黄海，马鸿元，等.遥感与作物生长模型数据同化应用综述[J].农业工程学报，2018，34（21）：144-156.

[9]文莉娟，呂世华.陆面数据同化方法在绿洲农田土壤温湿度模拟中的应用[J].农业工程学报，2010，26（07）：60-65.

[10]郑强.地下渗流模型数据同化算法研究[D].杭州：浙江大学，2020.

[11]潘海珠.基于作物多模型遥感数据同化的区域冬小麦生长模拟研究[D].北京：中国农业科学院，2020.

（责编：张宏民）