《基於統計仿真器的陸面模式參數不確定性估計方法》是依託北京師範大學，由段青雲擔任項目負責人的面上項目。
基本介紹
- 中文名：基於統計仿真器的陸面模式參數不確定性估計方法
- 依託單位：北京師範大學
- 項目負責人：段青雲
- 項目類別：面上項目
項目摘要,結題摘要,
項目摘要
如何給定陸面模式參數對陸面模式的模擬能力有很大的影響，然而地學領域中的常用方法對陸面模式參數估計的套用有限，該項目提出一個基於統計仿真器的陸面模式參數不確定性估計方法，它能夠克服常用方法對陸面模式計算量要求過高的瓶頸，本研究申請（1）研發一個統計抽樣方法來系統地逐步篩選重要的、敏感的陸面模式參數，（2）研發適合於陸面模式的統計仿真器，（3）將開發的統計仿真器套用到陸面模式CoLM上，篩選出重要模型參數、並對其進行最佳化和不確定性分析。我們將系統地檢測通過統計仿真器最佳化後的CoLM模式參數能否提高CoLM的模擬能力。
結題摘要
陸面過程模式的參數化方案是模式模擬能力的決定因素之一。由於區域陸面模擬的計算量很大，現有的最佳化方法需要的模型運行次數又很多，導致陸面過程模式的參數最佳化面臨計算瓶頸。本項目提出（1）使用敏感性分析方法，篩選重要的、敏感的陸面模式參數；（2）建立適用於陸面模式的統計仿真器，替代原模型進行參數最佳化，能夠大幅減少模型運行次數，克服計算瓶頸；（3）提出適用於陸面過程模式的多目標最佳化方法，平衡各個輸出變數對參數的要求，使多個變數的模擬效果都能達到最優。我們以我國西北內陸地區黑河流域為研究對象，對通用陸面過程模式Common Land Model（CoLM）進行參數篩選、統計仿真器建立與多目標參數最佳化。本項目的主要研究進展有：（1）按敏感性對CoLM模式的敏感參數進行篩選。比較了6種不同的敏感性分析方法：局部方法、SOT方法（Sum-of-trees）、MARS方法、DT方法、Morris方法和Sobol’方法，研究結果表明SOT、MARS和Morris方法能用較少的樣本量準確的篩選出敏感參數。（2）比較了5種統計仿真器：多元自適應樣條回歸（MARS），高斯過程回歸（GPR），隨機樹森林（RF），支持向量機（SVM），人工神經網路（ANN）。研究結果表明隨著樣本數目的增加，統計仿真器的誤差在減少。一般400個樣本點時誤差已經比較穩定，5種方法中以GPR效果最好。（3）對CoLM的6項輸出結果：感熱、潛熱、上行長波、淨輻射、土壤溫度和土壤濕度，分別進行了單目標和多目標最佳化。我們提出基於統計仿真器的自適應最佳化方法（Adaptive Surrogate Model-based Optimization，ASMO），能夠合理利用計算資源，減小原模型運行次數。通過與CoLM默認參數化方案和SCE-UA直接最佳化結果的對比，可見除土壤溫度外，其他通量的模擬誤差均有10%左右的改進。這說明本項目提出的方法確實能夠用比較低的成本提升CoLM模型的模擬效果。本項目開發的不確定性分析軟體系統能夠套用於大複雜系統動力模型的最佳化，可進一步推廣到區域/全球陸面模式、中尺度數值天氣預報甚至全球氣候模式，具有可觀的套用前景。
