为有效解决粒子滤波中粒子退化和贫化问题,实验将遗传算法耦合到粒子滤波中用于对粒子进行重采样,发展了基于遗传粒子滤波的积雪数据同化方案。以Noah-MP模型默认组合方案为模型算子搭建了积雪数据同化系统,分别在真实和合成同化试验情景下比较了集合卡尔曼滤波和粒子滤波的同化性能、不同重采样方法对粒子滤波同化性能的影响,探讨了遗传粒子滤波作为积雪数据同化方法的可行性。在理想试验情景中,遗传粒子滤波的整体同化性能次于系统重采样粒子滤波,但明显好于多项式重采样粒子滤波,并且遗传粒子滤波能够在积雪融化较快的阶段,更有效地利用观测信息对模型进行校正,在积雪消融期表现出了较好的同化性能。在真实试验情景中,遗传粒子滤波的同化性能明显好于采用其他重采样算法粒子滤波的同化性能。此外,两种同化情景的试验结果均表明粒子滤波的同化性能明显好于集合卡尔曼滤波。将遗传粒子滤波作为积雪数据同化方案是可行、有效的。

为有效解决粒子滤波中粒子退化和贫化问题,实验将遗传算法耦合到粒子滤波中用于对粒子进行重采样,发展了基于遗传粒子滤波的积雪数据同化方案。以Noah-MP模型默认组合方案为模型算子搭建了积雪数据同化系统,分别在真实和合成同化试验情景下比较了集合卡尔曼滤波和粒子滤波的同化性能、不同重采样方法对粒子滤波同化性能的影响,探讨了遗传粒子滤波作为积雪数据同化方法的可行性。在理想试验情景中,遗传粒子滤波的整体同化性能次于系统重采样粒子滤波,但明显好于多项式重采样粒子滤波,并且遗传粒子滤波能够在积雪融化较快的阶段,更有效地利用观测信息对模型进行校正,在积雪消融期表现出了较好的同化性能。在真实试验情景中,遗传粒子滤波的同化性能明显好于采用其他重采样算法粒子滤波的同化性能。此外,两种同化情景的试验结果均表明粒子滤波的同化性能明显好于集合卡尔曼滤波。将遗传粒子滤波作为积雪数据同化方案是可行、有效的。

为有效解决粒子滤波中粒子退化和贫化问题,实验将遗传算法耦合到粒子滤波中用于对粒子进行重采样,发展了基于遗传粒子滤波的积雪数据同化方案。以Noah-MP模型默认组合方案为模型算子搭建了积雪数据同化系统,分别在真实和合成同化试验情景下比较了集合卡尔曼滤波和粒子滤波的同化性能、不同重采样方法对粒子滤波同化性能的影响,探讨了遗传粒子滤波作为积雪数据同化方法的可行性。在理想试验情景中,遗传粒子滤波的整体同化性能次于系统重采样粒子滤波,但明显好于多项式重采样粒子滤波,并且遗传粒子滤波能够在积雪融化较快的阶段,更有效地利用观测信息对模型进行校正,在积雪消融期表现出了较好的同化性能。在真实试验情景中,遗传粒子滤波的同化性能明显好于采用其他重采样算法粒子滤波的同化性能。此外,两种同化情景的试验结果均表明粒子滤波的同化性能明显好于集合卡尔曼滤波。将遗传粒子滤波作为积雪数据同化方案是可行、有效的。