文章快速检索     高级检索
  高原气象  2017, Vol. 36 Issue (4): 1060-1071  DOI: 10.7522/j.issn.1000-0534.2017.00004
0

引用本文 [复制中英文]

杨启东, 凌彩云, 杜冰, 等. 2017. 粒子群算法在陆面过程模式参数优化中的应用研究[J]. 高原气象, 36(4): 1060-1071. DOI: 10.7522/j.issn.1000-0534.2017.00004
[复制中文]
Yang Qidong, Ling Caiyun, Du Bing, et al. 2017. Application of the Particle Swarm Optimization in the Land Surface Model Parameters Calibration[J]. Plateau Meteorology, 36(4): 1060-1071. DOI: 10.7522/j.issn.1000-0534.2017.00004.
[复制英文]

资助项目

公益性行业(气象)科研专项(GYHY201406001);国家自然科学基金项目(41305103);云南省应用基础研究(青年)项目(2013FD005)

作者简介

杨启东(1984-), 男, 青海西宁人, 讲师, 主要从事陆面过程相关研究.E-mail:yangqd@ynu.edu.cn

文章历史

收稿日期: 2016-04-14
定稿日期: 2017-01-05
粒子群算法在陆面过程模式参数优化中的应用研究
杨启东1, 凌彩云1, 杜冰2, 王丽娟3, 杨扬3     
1. 云南大学大气科学系, 昆明 650000;
2. 四川省气象探测数据中心, 成都 610072;
3. 中国气象局兰州干旱气象研究所, 兰州 730000
摘要: 陆面过程模式中输入参数的不确定性会引起模式模拟偏差。为了改善模式的模拟能力,减小参数的不确定性,通常要进行参数优化过程。利用温江站观测的近地层资料,结合粒子群优化算法(Particle Swarm Optimization,PSO),优化了陆面过程模式SHAW(Simultaneous Heat and Water)中难以直接观测的土壤和植被参数。在此基础上,分别利用优化后的参数和默认参数运行SHAW模式,模拟该地区陆面过程特征,并与观测值进行对比,研究优化参数后对陆面过程模拟的影响。结果表明:利用PSO算法优化SHAW模式后,能提高土壤湿度和潜热通量的模拟性能,模拟的土壤湿度和潜热通量与相应的观测值偏差减小。但与此同时,并没有改进净辐射、土壤温度和感热通量的模拟性能。说明PSO算法可以用于陆面模式参数优化,但仅仅通过参数优化并不能同时提高所有变量的模拟性能。
关键词: 温江站    SHAW模式    PSO算法    参数优化    
1 引言

在气候模式中, 大气与陆地间的相互作用是通过陆面过程模式来实现的, 陆面过程模式模拟的物质和能量的准确性对气候模拟具有重要的影响(Foley et al, 1996; 王介民, 1999; 左洪超和胡隐樵, 1992; 曾庆存和林朝晖, 2010)。陆面过程模式模拟的准确性与模式中所采用的参数化方案以及输入的参数密切相关(Henderson-Sellers et al, 1995)。一方面, 不同的陆面模式所采用的植被、土壤、积雪和边界层参数化方案不尽相同, 造成不同模式的模拟性能存在差异。另一方面, 在陆面过程模式模拟过程中需要输入大量的参数, 包括植被和土壤参数、地形参数、土壤水热的初始条件等, 这些参数对模拟结果也有着重要的影响(Guo and Dirmeyer, 2006; Kahan et al, 2006; Veihe and Quinton, 2015), 其中部分参数对模拟结果非常敏感(Xue et al, 1996; 王愚等, 2013; 房云龙等, 2010; 贾立等, 2000)。因此, 发展和完善陆面参数化方案, 准确确定陆面参数, 进而改善陆面过程模式的模拟性能, 对于提高数值天气预报和气候预测具有重要的意义。

通常陆面过程模式中的一些参数可以通过站点或遥感观测获得较为准确的值。例如, 可通过站点观测得到土壤成分, 植物根系分布, 地表空气动力学粗糙度, 土壤初始温湿度等; 通过大尺度遥感获得植被叶面积指数, 植被高度, 地表反照率等(Ganguly et al, 2014); 另外一些参数还可通过参数灵敏度数值模拟试验与观测结果比较, 使数值模拟与观测值间的偏差达到最小时得到。但是仍然有一些陆面参数的获取比较困难。这是由于: (1) 站点观测的值并不能代表较大尺度的值, 甚至无法用一个点的观测值代替相邻点处的值, 如饱和土壤导水率等参数是处处不同的; (2) 有些参数是相互联系的, 同时准确观测难度较大, 如植被蒸腾气孔阻抗经验参数; (3) 模式中所使用的部分参数并无明确的物理意义, 无法进行观测, 如Clapp-Hornberger常数。为了克服这些困难, 通常对不同的地表参数进行组合, 通过比较模拟值与观测值间的偏差, 来衡量参数的适用性, 即所谓的参数优化过程。

在过去的20多年中, 对于参数的优化以及敏感性做了大量的研究。例如, Gupta et al(1999)利用多判据方法优化BATS模式中的参数, 发现利用该方法在仅知参数物理取值范围时非常有效, 能够改善BATS模式的模拟性能; Ines and Mohanty(2008)在同化土壤湿度时利用GA算法优化水文参数, 改善了土壤湿度的模拟性能; 李德勤等(2013)借助一维土壤湿度模型, 评估了SCE-UA算法对参数优化效果, 发现通过合理地给定参数之间的约束条件和优化判据, 可以提高参数的优化效果; 李红祺等(2011)应用条件非线性最优扰动算法优化陆面过程模式SiB中的参数, 显著改进了土壤湿度的模拟。其他一些研究也表明, 通过参数优化, 选择合理的参数也可以提高陆面过程模式的模拟性能(Sellers et al, 1989; Yapo et al, 1998)。

近年来兴起了人工智能粒子群优化算法(Particle Swarm Optimization, PSO)(Kennedy and Eberhart, 1995)。该算法由Kennedy和Eberhart(1995)用于模拟社会心理行为, 其后逐渐扩展其应用范围而成为优化算法, 用于求解大型非线性问题的最优值。由于该算法简单易行, 稳定高效, 并能得到问题的全局最优或近似全局最优解(Schmitt and Wanka, 2015), 已经在不同的领域广泛应用, 成为人工智能领域研究的热点算法(Eberhart and Shi, 2001)。PSO算法最初是受动物行为的启示而建立, 例如, 鱼群或鸟类寻找食物的过程。其实质是空间中的一簇粒子在一定的目标函数约束下求解一个全局最优解。事实上, 优化陆面过程模式中的参数也可以认为是类似的一个过程, 即不断选择不同的参数组合方式, 使得在某一时段内观测和模拟值间的偏差达到最小, 偏差最小时的参数组合即为最优参数。正因如此, 研究者已经探索利用该方法优化水文模型的参数, 如Gill et al(2006)用多目标的粒子群算法估计大尺度水文模式的参数, Scheerlinck et al(2009)利用PSO算法优化土壤水热模型等。然而, 一个复杂的陆面过程模式中包含各种复杂的物理过程, 需要输入众多植被和土壤参数。而以往研究中所涉及的水文模型结构较为简单, 待优化参数选择较为随意, 因而得到的参数一般难以移植到陆面过程模式中。能否利用PSO算法直接优化一个复杂的陆面模式以及优化参数后对模拟值有何种影响仍值得深入研究。

为此, 本文利用青藏高原东侧温江站观测的近地层资料, 结合PSO算法, 优化陆面过程模式SHAW(Simultaneous Heat and Water)中的参数。在此基础上, 利用优化后的参数模拟该地区陆面过程特征, 并与使用默认参数的模拟值进行对比分析, 研究PSO算法优化陆面参数的可行性和局限性, 为其他模式参数的优化提供参考。

2 方法 2.1 SHAW模式简介

SHAW(Simultaneous Heat and Water)模式是由美国农业部Flerchinger et al(1989, 2004)建立, 最初用于模拟土壤的冻结与融化, 后来通过不断的发展和完善, 逐渐形成了包含土壤-积雪-残留层-植被-大气相互作用的陆面模式。该模式详细的考虑了各物理层间的辐射传输、湍流交换、土壤中水热传输以及降水渗透等物理过程。现已利用该模式对不同的下垫面进行了模拟研究, 检验了模式的性能(Flerchinger and Pierson, 1997)。

2.2 PSO算法

粒子群算法(Particle Swarm Optimization, PSO)最早是由Kennedy和Eberhart于1995年提出的(Kennedy and Eberhart, 1995), 它的基本概念源于对鸟群觅食行为的研究。这个算法的基本思想是:在一个区域内只有一块食物, 有一群飞鸟在随机搜寻食物, 假定所有的鸟都不知道食物在哪里, 但是它们知道当前的位置离食物还有多远, 那么找到食物的最简单有效的办法就是搜寻目前离食物最近的鸟的周围区域。PSO算法就是从这种生物种群行为特性中得到启发并用于求解优化问题。在PSO算法中, 每个优化问题的可能解都可以想象成空间中的一只鸟, 称之为“粒子”(Particle), 所有的粒子都有一个被目标函数所决定的适应值(Fitness Value), 如最大、最小值等, 每个粒子还有一个速度决定他们飞行的方向和距离, 然后粒子们就追随当前的最优粒子在解空间中搜索。PSO算法初始化为一群随机粒子, 然后通过迭代找到最优解。在每一次迭代中, 粒子通过跟踪两个极值来更新自己的位置, 一个是粒子本身所找到的最优解, 这个解称之为个体极值, 另一个极值是整个种群目前找到的最优解, 称之为全局极值。在找到这两个极值后, 粒子不断地更新速度和位置, 最终达到所有粒子的全局极值。其数学表达方式如下:假设要对于一个n维问题进行优化, 选择m个粒子, 其中第i个粒子的位置和速度向量可以表示为:

${{x}_{i}}=\left( {{x}_{i1}},{{x}_{i2}},\cdots ,{{x}_{in}} \right),$ (1)
${\mathit{\boldsymbol{v}}_i} = \left( {{v_{i1}},{v_{i2}}, \cdots ,{v_{in}}} \right),$ (2)

i个粒子更新后的位置和速度分别表示为:

$\mathit{\boldsymbol{v}}_{in}^{N + 1} = \omega v_{in}^N + {c_1}{r_1}\left( {p_{in}^N - x_{in}^N} \right) + {c_2}{r_2}\left( {G_n^N - x_{in}^N} \right),$ (3)
$x_{in}^{N + 1} = x_{in}^N - v_{in}^N,$ (4)

式中: N表示迭代次数; w是为惯性权重; c1c2表示加速度常数, 是粒子跟踪自己历史最优值的权重系数, 用于衡量粒子自身的认识。r1r2是[0, 1]间的随机数, piGn分别表示第i个粒子搜索到的局部和全局最优位置。可分别表示为:

${p_i} = \left( {{p_{i1}},{\rm{ }}{p_{i2}}, \cdots ,{\rm{ }}{p_{in}}} \right),$ (5)
${G_n} = \left( {{p_{g1}},{\rm{ }}{p_{g2}}, \cdots ,{\rm{ }}{p_{gn}}} \right),$ (6)
$g = \mathop {{\rm{min}}}\limits_{1 \le i \le n} \left[ {f\left( {{p_i}} \right)} \right],$ (7)

式中: g表示目标函数取值最小时的位置; f表示目标函数。PSO算法中目标函数f可以为单一的函数, 也可以为向量函数。当为向量函数时便是多目标函数, 一种求解方法是求其帕累托解(Gupta et al, 1999), 还有一种方法是对不同量级的多个变量进行标准化, 然后定义单一目标函数并求其极小值(Crow et al, 2003)。

3 资料介绍

温江站位于青藏高原东侧四川省温江县境内(30°42′N, 103°50′E), 海拔548. 9 m, 图 1a为该站点的位置示意图, 图 1b为该站的外观图。该站所在地区年平均气温为289. 25 K, 年平均降水量为882. 6 mm, 下垫面为农田, 为该地区较为广泛的一种下垫面类型。温江站始建于2007年2月, 是日本国际合作署(Japan International Cooperation Agency, JICA)中日气象灾害合作研究中心(Japan-China Meteorological Disaster Cooperative Research Center)的一个重要观测项目(Jiang et al, 2012)。该站观测场内架设了微气象塔、四分量辐射表、超声风速仪及土壤监测系统等, 可以全天候观测大气温度、湿度、风速、气压、太阳辐射, 大气和地表长波辐射、湍流通量以及土壤温度和湿度等, 仪器的详细情况见表 1。该站自建立起已经获取了大量连续的观测资料, 可应用于边界层, 区域气候和水分循环等各方面研究。

图 1 温江观测站地理位置(a)及观测站外观(b) Figure 1 Location (a) and appearance (b) of the observation site in Wenjiang
表 1 仪器名称、型号及架设高度 Table 1 The name and version of the instrument and the install height

本研究中选取2008年8月1日至10月30日温江站的观测资料, 并对所选取的资料进行了质量控制。具体方式如下:对于湍流资料利用爱丁堡大学发展的EdiRe软件(http://www.geos.ed.ac.uk/abs/research/micromet/EdiRe/)对原始通量数据进行了处理, 并进行了稳态测试和整体湍流特征检验, 最终得到研究时段内感热和潜热通量有效数据占比分别为65. 5%和60. 4%。对所使用的其它资料均进行了预处理、后处理及其质量评估, 具体方法可参考肖霞等(2010)的论文。最终发现研究时段内辐射四分量、风速、温度、气压、土壤温度、土壤湿度缺测较少, 有效数据占比均在90%以上。降水数据缺测较多, 因此使用了邻近的温江县气象局观测的逐日降水资料, 并经过线性插值成为逐时资料。进一步评估了研究时段内的能量闭合情况, 利用可利用能量与湍流通量之和的线性拟合度衡量, 得到该时段内的能量闭合度为0. 83。

4 模拟试验设计

陆面过程模式SHAW运行时需要输入的变量包括大气强迫, 土壤温度和湿度的初始值, 地表植被和土壤参数。根据下垫面实际状况, 将植被分为1层, 土壤层分为6层, 深度分别取为4 cm、10 cm、20 cm、60 cm、100 cm和250 cm。4~100 cm处土壤温湿度利用2008年8月1日实际观测值。250 cm为模式中土壤最底层, 其土壤温湿度日变化和年变化均较小, 根据温江地区多年观测均值, 将模式中250 cm处土壤温度设定为10 ℃, 土壤湿度设定为0. 3 m3·m-3。大气强迫变量为观测的每小时风速、气温、相对湿度、向下短波辐射和降水。

表 2中列出了SHAW模式中需要输入的地表参数名称、取值和单位等。对于这些地表参数, 其中部分参数能够直接测量得到, 故利用温江站的实际观测值。另外一些参数难以直接测量, 通常使用经验参数或模式建议值, 因而取值的随意性较大, 为此, 将利用粒子群优化算法求出最优的值或最优组合。根据温江站的实际观测情况, 在SHAW模式中, 选取ψe, b, θs, Ks, rso, rlo, rroψc为优化参数, 由于土壤分为六层, 假定相邻两层土壤的ψe, b, θs, Ks取为相同的值, 这样共有16个参数需进行优化, 这些参数的名称, 取值范围等均列入表 2中, 所有参数均相互独立, 参数所代表的物理含义可参看Flerchinger and Saxton(1989)的文献。

表 2 SHAW模式中的输入参数 Table 2 Input parameter for SHAW model

利用PSO算法优化参数时, 需要定义目标函数, 通常使用Nash-Sutcliffe efficiency (NSE)作为目标函数, NSE定义为:

$NSE = 1 - \frac{{\sum\limits_k {{{\left( {{S_k} - {O_k}} \right)}^2}} }}{{\sum\limits_k {{{\left( {{O_k} - O} \right)}^2}} }},$ (8)

式中: SkOk分别表示模拟值与观测值; O表示观测平均值。NSE用于衡量观测与模拟值间的拟合度, 变化范围为-∞到1, 越接近1, 表示模拟性能越好。在具体使用该目标函数时, 利用SHAW模式模拟的各层土壤湿度, 土壤温度, 感热通量, 潜热通量, 净辐射与观测的相应变量值, 计算出相应的NSEj (j表示相应的土壤湿度, 温度等), 最终的NSE为所有NSEj的平均值。由于这些变量的量级并不一致, 因此在计算过程中将所有的模拟和观测的相应变量都进行标准化, 即用观测或模拟值减去其相应的平均值, 并除以相应的标准偏差(Crow et al, 2003)。

由于PSO算法还依赖于算法本身的参数:粒子群数目N, c1, c2w, 每个粒子的位置和速度变化范围。根据多次的模拟试验并结合以前的研究(Scheerlinck et al, 2009), 取N=300, w变化范围为0. 2~0. 5, c1=1. 7, c2=2, 粒子位置变化范围为-1~1, 粒子速度变化范围为-0. 01~0. 01。对所有待优化的参数, 通过如下映射将其范围变化为[-1, 1]。

$x = \frac{{2y - \left( {{R_{{\rm{max}}}} + {R_{{\rm{min}}}}} \right)}}{{\left( {{R_{{\rm{max}}}} - {R_{{\rm{min}}}}} \right)}},$ (9)

式中: y为参数的实际取值, RmaxRmin为参数的实际取值范围。

将SHAW模式和PSO算法结合, 称之为SHAW_PSO方法, 具体实现方法可见流程图(图 2)。为了验证该方法的有效性, 使用2008年8月1日至9月15日的资料优化参数(Calibrate), 并将所有优化后的参数也列入表 2中(表中黑体所示), 使用2008年9月16日至10月30日资料验证(Validate)参数的可移植性。作为对比试验, 同时也利用相同的大气强迫变量, 初始条件及表 1中给定的模式默认参数(土壤各层参数均一致)进行模拟, 记作“SHAW_DEFAULT”。

图 2 SHAW_PSO优化过程流程图 Figure 2 Flow chart of SHAW_PSO optimization process
5 模拟结果 5.1 模拟的土壤湿度

通过两组模拟试验模拟的土壤湿度(Soil moisture, SM)与观测值的比较(图 3)可以看出, 优化参数后的模拟试验能较为合理的模拟各层土壤湿度的变化趋势。表 3中给出了两组模拟试验模拟的各层土壤湿度与观测值的偏差值, 可以看到优化参数后的SHAW_PSO模拟试验偏差较SHAW_DEFAULT显著减小, 而NSE提高。说明使用粒子群算法优化参数后明显改善了模式的模拟性能。

图 3 SHAW_DEFAULT与SHAW_PSO试验模拟的2008年8月1日至10月30日不同深度处土壤湿度与观测值的比较 (a) 4 cm, (b) 10 cm, (c) 20 cm, (d) 60 cm, (e) 100 cm Figure 3 Comparison of SHAW_DEFAULT and SHAW_PSO simulations against observed soil moisture at different depths from 1 August to 31 October 2008
表 3 两组模拟试验模拟的不同深度处土壤湿度与观测值间的统计评估量 Table 3 Statistical evaluations for soil moisture at different depths for observation and simulated by two tests
5.2 模拟的土壤温度

通过SHAW_DEFAULT和SHAW_PSO试验模拟的不同深度处土壤温度(Soil temperature, ST)与观测值的比较(图 4, 为方便起见, 折线图均以10月为例, 下同)可以看出, SHAW_DEFAULT和SHAW_PSO试验都能较好地模拟出土壤温度的日变化趋势, 两组模拟试验间仅存微小差别。通过进一步比较两组试验模拟的各层土壤温度与观测值之间的偏差(表 4)可以发现, 两组模拟试验模拟的土壤温度与观测值间均方根偏差均小于1. 90 ℃, 相关系数均大于0. 85, SHAW_DEFAULT模拟试验偏差略小于SHAW_PSO试验, NSE较为接近。说明使用粒子群算法优化参数后SHAW模式并没有改进土壤温度的模拟性能。

图 4 SHAW_DEFAULT与SHAW_PSO试验模拟的2008年10月1-31日不同深度处土壤温度与观测值的比较 (a) 4 cm, (b) 10 cm, (c) 20 cm, (d) 60 cm, (e) 100 cm Figure 4 Comparison of SHAW_DEFAULT and SHAW_PSO simulations against observed soil temperature at different depths from 1 to 31 October 2008
表 4 两组模拟试验模拟的不同深度处土壤温度与观测值间的统计评估量 Table 4 Statistical evaluations for soil temperature at different depths for observation and simulated by two tests
5.3 模拟的净辐射

由SHAW_DEFAULT和SHAW_PSO试验模拟的净辐射(Net Radiation, Rn)与观测值的比较(图 5)可以看到, 两组模拟试验均能模拟净辐射的日变化趋势, 并与观测值较为接近, 两组模拟值间偏差较小。从图 5b, c可以看到, SHAW_DEFAULT和SHAW_PSO试验模拟值与观测值的线性拟合线均为0. 95, 相关系数均为0. 93, 相关性较高。从表 5中的偏差可以看到, 两组模拟值与观测值间的偏差较为接近, NSE均为0. 83。说明两组模拟试验模拟性能一致, 优化参数后并没有提高净辐射模拟性能。

图 5 SHAW_DEFAULT与SHAW_PSO试验模拟的净辐射与观测值的比较(a), 及SHAW_DEFAULT (b)和SHAW_PSO (c)试验模拟的净辐射与观测值之间的散点分布 Figure 5 Comparison of net radiation simulated by SHAW_DEFAULT and SHAW_PSO tests against observations (a), scatter plot of net radiation simulated by the SHAW_DEFAULT (b) and SHAW_PS (c) test against observations
表 5 两组模拟试验模拟的净辐射, 感热通量和潜热通量与相应的观测值间的统计评估量 Table 5 Statistical evaluation for net radiation, sensible heat flux and latent heat flux for observation and simulated by two tests
5.4 模拟的湍流通量

从两组控制试验模拟的潜热通量(Latent heat flux, LAT)与观测值的比较(图 6)可以看到, 两组模拟试验均能模拟潜热通量的日变化。从两组试验模拟的潜热通量与观测值的散点图(图 6b, c)中可以看到, 相应的线性拟合线的斜率分别为0. 95, 0. 81, 相关系数均为0. 88。从表 5中给出的两组模拟试验模拟的潜热通量与观测值间的偏差可以看到, SHAW_PSO试验模拟值与观测值之间RMBE较SHAW_DEFAULT小, NSE较高, 说明优化参数后SHAW模式能更好的模拟潜热通量。

图 6 SHAW_DEFAULT与SHAW_PSO试验模拟的潜热通量与观测值的比较(a), SHAW_DEFAULT(b)和SHAW_PSO(c)试验模拟的潜热通量与观测值之间的散点分布 Figure 6 Comparison of latent heat flux simulated by SHAW_DEFAULT and SHAW_PSO tests against observations (a), scatter plot of latent heat flux simulated by the SHAW_DEFAULT (b) and SHAW_PSO (c) test against observations

通过对两组模拟试验模拟的感热通量与观测值间的比较(图 7)可知, SHAW_DEFAULT和SHAW_PSO模拟试验均能合理地模拟感热通量的日变化趋势, 但是SHAW_DEFAULT模拟值较观测值偏低, 而SHAW_PSO较观测值偏高。图 7b, c分别为SHAW_DEFAULT与SHAW_PSO模拟的感热通量与观测值之间的散点图, 可以看到相应的线性拟合线斜率分别为0. 79和1. 29, 相关系数分别为0. 81和0. 80。并且通过两组模拟试验的模拟值与观测值的之间的偏差(表 5)可以看到, SHAW_DEFAUL模拟试验偏差小于SHAW_PSO试验, NSE较高。说明使用默认参数的SHAW模式模拟的感热通量更好。这与多目标函数方法所产生的帕累托解是类似的, 先前的其他优化算法相关研究(Gupta et al, 1999; Yapo et al, 1998)也表明, 采用优化后的参数并不能同时改善陆面过程模式对所有变量的模拟性能。

图 7 SHAW_DEFAULT与SHAW_PSO试验模拟的感热通量与观测值的比较(a), 及SHAW_DEFAULT(b)和SHAW_PSO(c)试验模拟的感热通量与观测值之间的散点分布 Figure 7 Comparison of sensible heat flux simulated by SHAW_DEFAULT and SHAW_PSO tests against observations (a), scatter plot of sensible heat flux simulated by the SHAW_DEFAULT (b) and SHAW_PSO (c) test against observations

通过对模拟的感热和潜热通量的分析可以看到, 两组试验模拟的通量与观测值均存在一定偏差, 而优化参数后只能改善潜热通量模拟, 而感热通量的模拟性能较默认参数变差, 这不仅与优化参数时产生帕累托解有关, 而且可能与模式中参数化方案密切相关。另外, 两组模拟试验模拟的感热和潜热通量偏差较大也可能与该地区能量闭合度有关(杨启东等, 2012), 而SHAW模式是以能量闭合为基础建立的, 因此必然会引起模拟值与观测值间的偏差。

6 结论和讨论

在气候模拟研究中, 准确的模拟陆面过程各项特征至关重要, 但现有的陆面过程模式模拟值与观测值间仍然存在较大偏差, 这种偏差通过陆面过程模式和中尺度及气候模式的耦合, 导致天气和气候模拟的误差。造成陆面过程模式模拟偏差的一个重要原因是模式中输入参数的不确定性。这种不确定性通常与观测手段, 参数的时空变化等密切相关。为了改善陆面过程模式的模拟能力, 减小参数的不确定性, 通常要进行参数优化过程。近年来, 人工智能粒子群优化算法在各个领域得到了广泛应用, 并展示了其高效的性能。为此, 本文尝试利用PSO算法优化陆面过程模式中的参数, 以期为今后模式参数优化提供一种可行的途径。研究中利用了青藏高原东侧温江站观测的近地层资料, 结合PSO算法和陆面过程模式SHAW, 优化了该模式中难以直接观测的土壤和植被参数。分别利用优化后的参数和默认参数运行SHAW模式, 并与实际观测值的进行了对比, 得到如下结论:

(1) 利用PSO算法优化SHAW模式后, 能提高土壤湿度和潜热通量的模拟性能。其中, SHAW_PSO模拟试验模拟的土壤湿度与观测值较为接近, 较SHAW_DEFAULT模拟的偏差显著减小, NSE值明显提高; 相应的, SHAW_PSO模拟的潜热通量偏差较SHAW_DEFAULT模拟值偏差较小。

(2) 优化参数后的SHAW模式没有改进净辐射、土壤温度和感热通量的模拟性能。其中, 两组模拟试验模拟的净辐射, 各层土壤温度均较为一致, 而SHAW_DEFAULT模拟的感热通量与观测值间的偏差更小, NSE更高。说明仅仅通过参数优化并不能同时提高所有变量的模拟性能, 陆面模式模拟性能不仅与输入参数相关, 也与模式本身结构, 参数化方案及观测中的能量闭合度等密切相关。

本文的研究表明, 可以运用PSO算法优化陆面过程模式的参数, 该算法具有简便易行, 执行效率高等特点。但是在模拟研究中, 使用PSO算法或其它类似的优化算法时依然要关注如下的一些问题: (1) 优化算法得到的参数值或者其物理变化范围应进一步通过观测来验证。虽然利用优化算法得到的参数值或参数组合可以提高陆面过程模式的模拟能力, 但是陆面参数大都具有其特定的物理意义, 不应只是作为数学意义上的一个优化解; (2) 待优化参数的维数不能太高。虽然对于待优化的参数维数没有限制, 但实际上, 参数维数越高, 相应的参数组合方式就越多, 优化后的参数变化范围可能就越大。因此在实际应用中, 应该充分结合观测和优化算法, 对于能够观测的参数, 尽量使用观测值, 而对于难以观测的参数, 采用优化算法得到; (3) 利用优化算法求解的大部分问题只存在帕累托解, 因此无法改进所有的陆面变量模拟性能。因此, 通过开展近地层综合观测试验, 发展合理的参数化方案, 并结合优化算法准确的确定地表参数或参数组合, 对提高陆面过程特征的模拟性能具有同等重要的意义。

致谢 非常感谢中国气象局成都高原气象研究所提供温江站的观测数据。感谢云南大学高性能计算中心提供数值计算方面的支持!感谢两位审稿专家的建议和意见!
参考文献
Crow W T, Wood E F, Pan M. 2003. Multiobjective calibration of land surface model evapotranspiration predictions using streamflow observations and spaceborne surface radiometric temperature retrievals[J]. J Geophys Res, 108(D23): 2173–2181.
Eberhart R C, Shi Y. 2001. Particle swarm optimization:Development, applications and resources[C] //Evolutionary Computation, Proceedings of the 2001 Congress on, IEEE, 1:81-86.
Flerchinger G N, Hardegree S P. 2004. Modelling near-surface soil temperature and moisture for germination response predictions of post-wildfire seedbeds[J]. J Arid Environ, 59(2): 369–385. DOI:10.1016/j.jaridenv.2004.01.016
Flerchinger G N, Pierson F B. 1997. Modelling plant canopy effects on variability of soil temperature and water:model calibration and validation[J]. J Arid Environ, 35(4): 641–653. DOI:10.1006/jare.1995.0167
Flerchinger G N, Saxton K E. 1989. Simultaneous heat and water model of a freezing snow-residue-soil system I. Theory and development[J]. Transactions of the ASAE, 32(2): 565–571. DOI:10.13031/2013.31040
Foley J A, Prentice I C, Ramankutty N, et al. 1996. An integrated biosphere model of land surface processes, terrestrial carbon balance, and vegetation dynamics[J]. Global Biogeochemical Cycles, 10(4): 603–628. DOI:10.1029/96GB02692
Ganguly S, Nemani R, Baret F, et al. 2014. Green leaf area and fraction of photosynthetically active radiation absorbed by vegetation[M]. Biophysical Applications of Satellite Remote Sensing, Springer Berlin Heidelberg, 43-61.
Gill M K, Kaheil Y H, Khalil A, et al. 2006. Multiobjective particle swarm optimization for parameter estimation in hydrology[J]. Water Resour Res, 42(7): 257–271.
Guo Z, Dirmeyer P A. 2006. Evaluation of the second global soil wetness project soil moisture simulations:1. Intermodel comparison[J]. J Geophys Res, 111(D22): 1–14.
Gupta H, Bastidas L, Sorooshian S, et al. 1999. Parameter estimation of a land surface scheme using multicriteria methods[J]. J Geophys Res, 104(D16): 19491–19503. DOI:10.1029/1999JD900154
Henderson-Sellers A, Pitman A J, Love P K, et al. 1995. The project for intercomparison of land surface parameterization schemes (PILPS):Phases 2 and 3[J]. Bull Amer Meteor Soc, 76(4): 489–503. DOI:10.1175/1520-0477(1995)076<0489:TPFIOL>2.0.CO;2
Ines A V, Mohanty B P. 2008. Near-surface soil moisture assimilation for quantifying effective soil hydraulic properties using genetic algorithm:1. Conceptual modeling[J]. Water Resour Res, 44(6): 393–393.
Jiang X, Li Y, Zhao X, et al. 2012. Characteristics of the summertime boundary layer and atmospheric vertical structure over the Sichuan Basin[J]. J Meteorol Soc Japan, 90(7): 33–54.
Kahan D S, Xue Y, Allen S J. 2006. The impact of vegetation and soil parameters in simulations of surface energyand water balance in the semi-arid sahel:A case study using SEBEX and HAPEX-Sahel data[J]. J Hydrol, 320(1/2): 238–259.
Kennedy J, Eberhart R. 1995. Particle swarm optimization[C] //IEEE International Conference on Neural Networks, Proceedings, IEEE, 4:1942-1948.
Scheerlinck K, Pauwels V R N, Vernieuwe H, et al. 2009. Calibration of a water and energy balance model:Recursive parameter estimation versus particle swarm optimization[J]. Water Resour Res, 45(10): 208–225.
Schmitt M, Wanka R, et al. 2015. Particle swarm optimization almost surely finds local optima[J]. Theor Comput Sci, 561: 57–72. DOI:10.1016/j.tcs.2014.05.017
Sellers P J. 1989. Calibrating the simple biosphere model for Amazonian tropical forest using field and remote sensing data. Part Ⅰ:Average calibration with field data[J]. J Appl Meteorol, 28(8): 727–759. DOI:10.1175/1520-0450(1989)028<0727:CTSBMF>2.0.CO;2
Veihe A, Quinton J. 2015. Sensitivity analysis of EUROSEM using Monte Carlo simulation I:hydrological, soil and vegetation parameters[J]. Hydrol Processes, 14(5): 915–926.
Xue Y, Zeng F J, Schlosser C A. 1996. SSiB and its sensitivity to soil properties-A case study using HAPEX-Mobilhy data[J]. Global Planet Chang, 13(1): 183–194.
Yapo P O, Gupta H V, Sorooshian S. 1998. Multi-objective global optimization for hydrologic models[J]. J Hydrol, 204(1): 83–97.
房云龙, 孙菽芬, 李倩, 等. 2010. 干旱区陆面过程模型参数优化和地气相互作用特征的模拟研究[J]. 大气科学, 34(2): 290–306. Fang Yunlong, Sun Shufen, Li Qian, et al. 2010. The optimization of parameters of land surface model in arid region and the simulation of land-atmosphere interaction[J]. Chinese J Atmos Sci, 34(2): 290–306.
贾立, 王介民, 胡泽勇. 2000. 干旱区热力学粗糙度特征及对感热估算的影响[J]. 高原气象, 19(4): 495–503. Jia Li, Wang Jiemin, Hu Zeyong. 2000. The characteristics of roughness length for heat and its influence on determination of sensible heat flux in arid zone[J]. Plateau Meteor, 19(4): 495–503.
李红祺, 郭维栋, 孙国栋, 等. 2011. 条件非线性最优扰动方法在陆面过程模式参数优化中的扩展应用初探[J]. 物理学报, 60(1): 784–790. Li Hongqi, Guo Weidong, Sun Guodong, et al. 2011. Using conditional nonlinear optimal pertubation method in parameter optimization of land surface processes model[J]. Acta Physica Sinica, 60(1): 784–790.
李得勤, 张述文, 段云霞, 等. 2013. SCE-UA算法优化土壤湿度方程中参数的性能研究[J]. 大气科学, 37(5): 971–982. DOI:10.3878/j.issn.1006-9895.2012.12089 Li Deqin, Zhang Shuwen, Duan Yunxia, et al. 2013. Calibration of parameters in soil moisture equation with shuffled complex evolution algorithm[J]. Chinese J Atmosic Sci, 37(5): 971–982. DOI:10.3878/j.issn.1006-9895.2012.12089
王介民. 1999. 陆面过程实验和地气相互作用研究-从HEIFE到IMGRASS和GAME-TIBET/TIPEX[J]. 高原气象, 18(3): 280–294. Wang Jiemin. 1999. Land surface process experiments and interaction study in China-From HEIFE to IMGRASS and GAME-TIBET/TIPEX[J]. Plateau Meteor, 18(3): 280–294.
王愚, 胡泽勇, 荀学义, 等. 2013. 藏北高原土壤热传导率参数化方案的优化和检验[J]. 高原气象, 32(3): 646–653. DOI:10.7522/j.issn.1000-0534.2013.00063 Wang Yu, Hu Zeyong, Xun Xueyi, et al. 2013. Optimization and test of soil thermal conductivity parameterization schemes in northern Qinghai-Xizang plateau[J]. Plateau Meteor, 32(3): 646–653. DOI:10.7522/j.issn.1000-0534.2013.00063
肖霞, 左洪超, 刘辉志, 等. 2010. 春末黄土高原半干旱区地表能量闭合的观测研究[J]. 冰川冻土, 32(1): 70–77. Xiao Xia, Zuo Hongchao, Liu Huizhi, et al. 2010. Observational study of the surface energy closure in the semi-arid regions of Loess Plateau in late spring[J]. Journal of Glaciology and Geocryology, 32(1): 70–77.
杨启东, 左洪超, 杨扬, 等. 2012. 近地层能量闭合度对陆面过程模式影响[J]. 地球物理学报, 55(9): 2876–2888. DOI:10.6038/j.issn.0001-5733.2012.09.007 Yang Qidong, Zuo Hongchao, Yang Yang, et al. 2012. On the effect of the near-surface layer energy closure degree on land surface process simulations[J]. Chinese J Geophys, 55(9): 2876–2888. DOI:10.6038/j.issn.0001-5733.2012.09.007
左洪超, 胡隐樵. 1992. 黑河试验区沙漠和戈壁的总体输送系数[J]. 高原气象, 11(4): 371–380. Zuo Hongchao, Hu Yinqiao. 1992. The bulk transfer coefficient over desert and gobi in Heihe region[J]. Plateau Meteor, 11(4): 371–380.
曾庆存, 林朝晖. 2010. 地球系统动力学模式和模拟研究进展[J]. 地球科学进展, 25(1): 1–6. Zeng Qingcun, Lin Zhaohui. 2010. Recent progress on the earth system dynamical model and its numerical simulations[J]. Adv Earth Sci, 25(1): 1–6.
Application of the Particle Swarm Optimization in the Land Surface Model Parameters Calibration
YANG Qidong1 , LING Caiyun1 , DU Bing2 , WANG Lijuan3 , YANG Yang3     
1. Department of Atmospheric Sciences, Yunnan University, Kunming 650000, China;
2. Meteorological Detection Data Center of Sichuan Province, Chengdu 610072, China;
3. Institute of Arid Meteorology, China Meterological Administration, Lanzhou 730020, China
Abstract: The uncertainty of the input parameters in land surface model can introduce simulation deviation. To improve the capability of the models and reduce the parameter uncertainties, usually the parameter optimization process is necessary. In this study, using the surface layer data observed in Wenjiang station and the particle swarm optimization (PSO) algorithm to optimize soil and vegetation parameters that difficult to obtain by observations in the SHAW (Simultaneous Heat and Water) model. On this basis, the SHAW model was run with the optimized and default parameters. Then the simulations were compared with the corresponding observations to investigate the effect of optimization parameters in land surface process simulation. The following conclusions were drawn:Using the optimized parameters calibrated by PSO algorithm can improve the simulation of the soil moisture and latent heat flux. The biases between simulated soil moisture and latent heat flux with the corresponding observations are decreased, but the net radiation, soil temperature and sensible heat flux simulation are not improved. This study suggests that PSO algorithm can be used for land surface model parameter optimization, but the simulation of all variable cannot be simultaneously improved only by optimization process.
Key Words: Wenjiang station    SHAW model    PSO algorithm    Parameter optimization