介绍
河的预测状态是重要的水文、水资源管理和生态系统恢复。河流动特性的知识是有用的为洪水预报、水库操作和分水岭建模(<一个href="#B34">Sichangi et al ., 2018一个>)。在洪水预报,预测状态是用来生成警报传入的洪水防止损害人类生活、属性和环境(<一个href="#B19">Jain et al ., 2018一个>)。除此之外,从状态估计的信息用于控制外流河水库在低流的一天,还支流蓄带来的快速流动,可能会导致catastrophy环境和巨大的生命和财产损失(<一个href="#B2">Adnan et al ., 2017一个>),(曹et al ., 2019一个>)。水流也可以用于分水岭建模,用于管理通过将水从任何来源到一个较大的水体,如更大的河(<一个href="#B4">Aswathy et al ., 2016一个>)。水源的管理和规划是很重要的对于水需求的增加在未来几年内由于增加人口增长、城市化、工业用水,灌溉需求,需水量大的农业(<一个href="#B38">Tinka et al ., 2013一个>)。这包括水利工程的规划、灌溉系统、水电系统,优化利用水资源(<一个href="#B2">Adnan et al ., 2017一个>)。河道流量的信息(流)是必要的管理过程和水文循环的变化与气候变化、土地利用和用水(<一个href="#B6">Bjerklie et al ., 2018一个>)。气候变量的河道流量是一个由全球气候观测系统(<一个href="#B37">Tarpanelli et al ., 2019一个>)。变量的预测表示水流政权有助于生态系统康复计划,旨在维护或恢复本土生态系统通过操纵河水流(<一个href="#B7">布莱斯和施密特,2018一个>)。河的估计状态可以使用数据同化(DA)方法。DA方法观测数据相结合的数学技术与系统模型和创建更新的模型状态,同时保持模型的参数(<一个href="#B23">李et al ., 2014一个>)。更新后的模型状态被定义为概率密度函数(pdf),是基于贝叶斯定理和被称为新后pdf (<一个href="#B35">史密斯et al ., 2013一个>)。新状态是获得每当有新的观察和使用它们来启动下一个模型预测作为研究报告(<一个href="#B16">他et al ., 2014年一个>)。DA方法所需的最优一致估计,即使吵闹的阅读顺序抵达时间(<一个href="#B27">刘和Gupta, 2007年一个>)。DA技术可以在两个类中即变分和顺序(<一个href="#B13">加兹登et al ., 2014一个>)。变分法是基于最优控制理论。通过最小化优化进行相关参数影响的成本函数模型不适应环境的信息。这种方法的例子是变分资料同化(VAR),进化数据同化(EDA)和最大似然合奏过滤器(本厂)(<一个href="#B1">扎准将et al ., 2014一个>)。VAR方法使得估计通过最小化代价函数衡量模型之间的差异估计,观察,和相关的不确定性。基于的梯度优化算法用于调整模型的模型状态和参数测量和获得适当的估计(<一个href="#B21">金正日et al ., 2014一个>)。除此之外,EDA利用多目标进化策略不断开发的模型状态和参数,为每个同化模型误差和罚函数最小化时间步长自适应地决定。这样做是为了提高参数的收敛,导致优秀的估计结果(<一个href="#B5">Bertino et al ., 2003一个>;Solonen et al ., 2014一个>)。另一种类型的变分方法是现在,它结合了VAR和合奏卡尔曼滤波器(EnKF)。这种方法维护方法和处理能力的强度非线性动力学以及非线性观测模型。但是,在某些情况下的性能现在可能恶化由于一致性的观察(<一个href="#B32">Rafieeinasab et al ., 2014一个>)。除此之外,序贯方法使用概率框架和评估整个系统状态顺序通过传播信息只有及时提出。这种方法不需要一个伴随模型与模型(很容易适应<一个href="#B33">Rigatos 2012一个>)。循序型技术经常用于估计与变分法相比,自前一个状态更新新的观察和过程是顺序执行(<一个href="#B3">Arulampalam et al ., 2002一个>)。这种方法的例子是扩展卡尔曼滤波(<一个href="#B23">李et al ., 2014一个>),集合卡尔曼滤波(EnKF) (<一个href="#B32">Rafieeinasab et al ., 2014一个>)、无味卡尔曼滤波(UKF) (<一个href="#B31">Pintelon et al ., 2017一个>),容积卡尔曼滤波(<一个href="#B27">刘和Gupta, 2007年一个>),粒子滤波(PF) (<一个href="#B39">Ugryumova et al ., 2015一个>)。卡尔曼滤波器常用的顺序DA方法由于容易实现,但很大程度上取决于系统的准确性进行线性化,利用泰勒级数展开(<一个href="#B23">李et al ., 2014一个>)。这项技术显示了出色的效率低的非线性和发散在高非线性情况下(<一个href="#B41">Zhang et al ., 2015一个>)。高度非线性的系统,估计可以使用EnKF提供估计没有线性化(<一个href="#B32">Rafieeinasab et al ., 2014一个>)。这种方法涉及大样本大小代表样本的数量或乐团成员进行精确估计和蒙特卡罗方法可以产生,拉丁超立方体抽样和弯矩方程(<一个href="#B20">康,2013一个>;加兹登et al ., 2014一个>;王et al ., 2017一个>)。样本的均值和协方差估计过程中用于执行更新(<一个href="#B32">Rafieeinasab et al ., 2014一个>)。然而,在大样本大小计算需求可能会导致(<一个href="#B13">加兹登et al ., 2014一个>)。是另一种形式的EnKF合奏平方根滤波(EnSRF)不需要观察被摄动EnKF的标准实现。该方法的算法已被证明是尽快指定的EnKF和更精确的比EnKF合奏的大小(<一个href="#B26">刘et al ., 2017一个>)。UKF更适合应用低计算和精度高。该方法包括σ点来源于无味转换(<一个href="#B11">丁et al ., 2015一个>)。σ点是通过系统来传播模型和相关的体重因素在评估过程中,产生新的套σ点,随后应用于计算预计州(<一个href="#B31">Pintelon et al ., 2017一个>)。然而,这种方法依赖于先验噪声分布的精确。之前错误的值会导致大的估计错误或错误(发散<一个href="#B28">毛et al ., 2017一个>)。另一种类型的顺序DA法是PF,它不涉及系统线性化,包括在预测粒子数(<一个href="#B17">胡锦涛等人。,2012年一个>)。每个粒子代表估计状态及其相关的可能性决定使用模拟输出之间的残余和观察(<一个href="#B36">Solonen et al ., 2014一个>)。大量的粒子提供良好的机会估计,但计算时间将会增加。使用PF时需要考虑的另一个因素是变性的问题和维度诅咒,它们会影响估计(<一个href="#B39">Ugryumova et al ., 2015一个>)。所有上述DA方法实施在河里状态估计研究。修改方法可能提高性能的方法和结果。在一项研究(<一个href="#B8">曹et al ., 2019一个>修改),粒子滤波通过考虑系统状态和粒子权重过程。改性提高了估计的结果。除此之外,所做的修改也可以结合两种或两种以上方法的组合等PF与光滑的变结构滤波器(SVSF)。SVSF生产状态和状态估计误差协方差,用于制定PF生成提议分布粒子(<一个href="#B30">Ogundijo et al ., 2016一个>)。SVSF健壮的建模误差和不确定性(<一个href="#B12">冯et al ., 2011一个>)。这种方法比PF只产生更好的估计效果。除此之外,SVSF还结合容积卡尔曼滤波(位置)。位置提供了最近的已知近似贝叶斯过滤器的维护中包含二阶信息的高斯假设噪声测量。这种方法也不需要雅克比,因此适用于范围广泛的问题。位置的准确性和SVSF确保良好的稳定性评估结果(<一个href="#B27">刘和Gupta, 2007年一个>)。在这部作品中,估计河流系统流程和阶段,并启发从传感器的速度(<一个href="#B38">Tinka et al ., 2013一个>)和(<一个href="#B42">Zhang et al ., 2014一个>)。这些值可以使用前面提到的DA方法获得。然而,失踪的观测数据可以有问题,它会影响评估过程(<一个href="#B18">伊斯梅尔Jalaludin, 2016一个>)。丢失的数据可以使用现代方法或传统方法处理。所代表的现代方法最大似然和多个罪名,而传统技术删除和意味着归责技术(<一个href="#B14">加兹登et al ., 2012一个>)。指出,多个归罪粒子滤波(MIPF)介绍给解决这个问题通过随机画值称为归罪取代丢失的信息,然后使用粒子滤波预测非线性状态报告(<一个href="#B15">哈比比,2007一个>)。然而,添加新的数据负担估计过程。因此,介绍了SVSF绑定错误的区别和协助评估过程。在这篇文章中,收敛分析估算MIPF-SVSF的河流量和舞台的初始条件。本文构建如下:系统模型,观察模型,并给出了状态空间模型估计过程造型海洋河流量。问题公式化简要解释失踪的观察期间估计的影响。然后,该算法对缺失的数据估计的描述提出了数据同化方法。给出了收敛性分析收敛性分析包括几近收敛和收敛的均方误差。在结果与讨论,细节估计过程和数值模拟进行了讨论,最后给出了结论结论。<一个我d="h3" name="h3">
海洋河流量建模
河水流模型可以表示为一个或二维把方程(<一个href="#B38">Tinka et al ., 2013一个>根据水流的特点)。如果流是一维,一维把方程。然而,如果不是一维流动,这可能发生在洪泛区或大型河流、二维把方程更适合应用(<一个href="#B25">Litrico Fromion, 2009一个>)。除此之外,观察是指的代表性的运动传感器由于拉格朗日传感器是用于这个研究(<一个href="#B38">Tinka et al ., 2013一个>)。系统的组合模型和状态空间模型观察是由DA方法和使用。系统模型和观测模型通过考虑一维流动的河水没有任何控制释放的水流,系统模型是由一维把方程。这两个方程耦合一阶双曲型偏微分方程(pde)源自于质量守恒和动量。通过考虑一个移动信道中具有相同截面通道的长度没有侧流入,方程表示为(<一个href="#B38">Tinka et al ., 2013一个>)。
在哪里一个横截面,问放电或流,L是河,T自由表面的宽度,D是液压的深度,年代<年代ub>f年代ub>是摩擦的斜率,年代<年代ub>o年代ub>是床上斜坡,F<年代ub>g年代ub>重力加速度,h<年代ub>c年代ub>是横截面的形心的距离从自由表面,P是湿周,米曼宁粗糙系数。
观察模型系统观察是由流动的速度测量的传感器。之间的关系的速度传感器和相应截面的流依赖假设对水速度的形象作为观测模型。这个概要文件的组合平均速度在横向和垂直方向。在横向方向上,表面流速剖面被认为是四次,卡门对数轮廓是假定在垂直方向。通过考虑一个粒子移动的距离y从中心行z从表面上看,粒子的速度和水流之间的关系是由以下方程(<一个href="#B38">Tinka et al ., 2013一个>)