类型a
本研究的主要作者包括田佳鑫（Jiaxin Tian）、秦军（Jun Qin）、杨坤（Kun Yang）等，他们分别隶属于中国科学院青藏高原研究所、中国科学院地理科学与资源研究所、清华大学地球系统科学系等多个知名科研机构。该研究发表在《Remote Sensing of Environment》期刊上，发表时间为2022年。
土壤水分是控制地表水和能量交换的关键变量，在气象学、水文学、生态学和农学等领域中具有重要意义。然而，利用遥感技术获取土壤水分数据时，常因模型参数和观测误差的不确定性而影响精度。为了解决这些问题，本研究提出了一种双循环同化算法（Dual-Cycle Assimilation Algorithm），旨在通过同时估计模型参数、观测算子参数、模型误差和观测误差来提高土壤水分估算的准确性。
本研究分为多个步骤进行，主要包括理论推导、算法开发、实验验证以及实际应用四个主要部分。
研究团队首先基于最优估计理论开发了双循环同化算法。该算法包含两个核心循环：内循环和外循环。内循环使用集合卡尔曼滤波器（Ensemble Kalman Filter, EnKF）进行状态变量的分析，同时保留每次分析时刻的状态变量和创新值；外循环则利用内循环生成的创新时间序列构建似然函数，并通过优化算法调整模型参数和误差。这种设计使得算法能够在单一框架下同时估计模型参数、观测算子参数、模型误差和观测误差。
为了验证算法的有效性，研究团队首先基于Lorenz-63（L63）模型进行了数值实验。L63模型是一种高度非线性的低维混沌模型，广泛用于测试数据同化方案。研究团队设置了三种实验场景：最小二乘法估计模型参数（Case A）、标准EnKF运行（Case B）、双循环算法运行（Case C）。通过对比三种方法的结果，评估了双循环算法在估计模型参数、模型误差和观测误差方面的性能。
在验证了算法的基本性能后，研究团队将其应用于实际卫星微波信号的同化实验中，以估算地表土壤水分。实验区域包括青藏高原的那曲试验区和蒙古国的CEOP参考站点。研究团队采用了SIB2（Simple Biosphere Model Scheme Version 2）作为陆面模型，并结合Q-H辐射传输模型作为观测算子。实验设计包括四种场景：双循环算法（Case A）、双通道算法（Case B）、标准EnKF（Case C）、开放环路模拟（Case D）。通过对不同场景结果的对比，进一步验证了双循环算法的优越性。
数据分析主要包括以下步骤： 1. 模型初始化：根据初始条件生成集合样本。 2. 状态预测与更新：通过EnKF进行状态预测和更新。 3. 创新值计算：记录每次分析时刻的创新值。 4. 似然函数优化：利用创新时间序列构建似然函数，并通过SCE-UA（Shuffled Complex Evolution）优化算法调整参数。 5. 结果评估：通过均方根误差（RMSE）、平均偏差误差（MBE）和决定系数（R²）等指标评估算法性能。
在L63模型实验中，双循环算法（Case C）表现最佳，其RMSE为1.40，MBE为-0.030，R²为0.96，显著优于最小二乘法（Case A）和标准EnKF（Case B）。此外，双循环算法能够准确估计模型参数（如a=9.69、b=29.1、c=2.01）、模型误差（0.5）和观测误差（1.37），与真实值非常接近。
在那曲试验区，双循环算法的RMSE为0.023 m³/m³，MBE为-0.0050 m³/m³，R²为0.81，优于其他三种方法。在蒙古试验区，双循环算法同样表现最佳，其RMSE为0.022 m³/m³，MBE为-0.0070 m³/m³，R²为0.83。此外，双循环算法还成功估计了土壤特性参数（如孔隙率、粘土含量和砂含量），并显著减少了模拟误差。
研究还探讨了根区土壤水分的估算潜力。在那曲试验区，双循环算法能够较好地反映根区土壤水分的动态变化，尽管在初期和末期略有低估。而在蒙古试验区，由于模型无法充分描述实际情况，根区土壤水分的估算效果较差。
本研究提出的双循环同化算法在地表土壤水分估算方面表现出显著优势，其科学价值在于提供了一种同时估计模型参数、观测算子参数、模型误差和观测误差的新方法。这种方法不仅提高了土壤水分估算的精度，还为多源遥感数据的同化提供了潜在可能性。在应用价值方面，该算法可广泛应用于气象预报、水文模拟和农业管理等领域。
研究团队还探讨了算法的计算负担问题，并提出了未来改进方向，例如用扩展卡尔曼滤波器（Extended Kalman Filter）替代EnKF，或用确定性单纯形算法（Deterministic Simplex Algorithm）替代SCE-UA优化算法。这些改进将进一步提升算法的效率和适用性。