【高校科研前沿】青藏高原所李新研究员为第一作者在REV GEOPHYS发表长篇综述:陆面数据同化–陆面过程研究中理论与数据的和弦

1.文章简介 

论文名称Land Data Assimilation: Harmoni-zing Theory and Data in Land Surface Process Studies

第一作者及通讯作者:李新研究员(兼通讯作者)

第一作者及通讯作者单位:中国科学院青藏高原研究所

文章发表期刊:REVIEWS OF GEOPHYSICS》(中科院1区Top期刊|最新影响因子:25.2);

期刊平均审稿速度:12个月(参考)

2.研究内容

        中国科学院青藏高原研究所三极观测与大数据团队李新研究员等以“Land Data Assimilation: Harmoni-zing Theory and Data in Land Surface Process Studies”为题,在《Reviews of Geophysics》发表长篇综述文章。论文指出,数据同化是整合理论(模型模拟)和观测数据的有效方法论,在地球大数据时代可进一步与机器学习共生集成,增强对地球系统的理解和预测。

    陆面数据同化是调和陆面过程的理论(通常是数值模型)和观测数据的重要方法论,其核心思想是在模型的动力框架内融合不同来源和不同分辨率的直接与间接观测,生成对陆面状态、参数和通量的最优估计,从而增强系统的可预报性和可观测性。近几十年来,陆面数据同化在理论、方法和应用方面都取得了长足的进步,在促进地球系统科学的科学认知和工程应用方面发挥着双重作用:一方面,通过调和已有认知的陆面过程理论和蕴含不确定性的观测数据,陆面数据同化可提升预报精度,促进对地球系统的科学认知;另一方面,陆面数据同化成为陆面过程再分析、模拟和预测的主要工具,并助力数字地球孪生的实现。

    该文章系统回顾了近二十年陆面数据同化的发展历史、方法创新与多学科应用研究。目前陆面数据同化理论和方法快速发展,且已具备不同于大气和海洋数据同化的独特学科特征,包括:1)尺度依赖与空间相关的状态/通量及参数具有高度非线性,2)模型观测误差具有非高斯性,3)与初场相比,驱动的重要性更大,4)模型预测对参数具有更高的敏感性。针对这些特征,研究人员在贝叶斯滤波和变分数据同化的基础上衍生出集合变分同化方法,采用更成熟的理论和机器学习等新方法估计模型、驱动、参数和观测的不确定性并控制误差传播,设计状态-参数同步估计的同化算法以增强对复杂人地系统的认知,并针对真实世界的非高斯非线性、时空尺度异质性和空间相关等普遍原则,研制鲁棒、自适应的算法。数据同化已经成功应用于陆面过程关键变量(如土壤水分、积雪、蒸散量、径流、地下水、灌溉和地表温度等)的模拟与预测,特别是在水循环和能量循环的时空演进研究中,发挥了重要作用。国内外一系列全球、区域、流域尺度陆面数据同化系统的建立,以及开源数据同化软件的发布,进一步促进了陆面数据同化的深入研究和应用。

    文章还展望了陆面数据同化未来的发展机遇和挑战。他们指出,数据同化应扩大其研究应用范围,从纯粹的地球物理系统扩展到“自然-社会”耦合系统,深化对“人-地”多圈层耦合系统的认知。同时,数据同化还应关注提高驱动数据的质量,研建长时间序列的陆面再分析数据,开发业务化的陆面数据同化系统,推进关键带同化应用。此外,数据同化还面临着一些挑战,如降低观测数据的代表性误差、处理地表过程的强非线性、以及量化由多尺度空间相关性引起的不确定性等。

    作者还认为,在地球大数据时代,发展大数据同化的新理论和方法,实现机器学习/深度学习与数据同化的共生集成,通过“知识-数据”双重驱动来提高“人-地”系统的预测能力,助力实现地球系统科学中的人工通用智能(Artificial General Intelligence)和数字孪生,也是陆面数据同化未来发展的重要方向。

    中国科学院青藏高原研究所李新研究员为第一作者和通讯作者,中国科学院西北生态环境资源研究院黄春林研究员、刘丰博士、马春锋博士、侯金亮博士、马瀚青博士,中国科学院青藏高原研究所郑东海研究员,西北师范大学摆玉龙教授,西南大学韩旭军教授,德国于利希研究中心Harry Vereecken教授,清华大学阳坤教授,河海大学段青云教授等学者共同参与了该项工作。

    该研究获得青藏高原地球系统基础科学中心等项目资助。

图片

图1 陆面数据同化:基础理论、关键要素与技术流程

图片

图2 机器学习/深度学习与数据同化的共生集成概念框架

文献引用:Li, X., Liu, F., Ma, C., Hou, J., Zheng, D.,Ma, H., et al. (2024). Land data assimilation: Harmonizing theory and data in land surface process studies. Reviews of Geophysics, 62, e2022RG000801.https://doi.org/10. 1029/2022RG00 -0801

信息来源:中国科学院青藏高原研究所官网

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/806445.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Golang ProtoBuf 初学者完整教程:安装

一、Protobuf 特点 更高效:使用二进制编码,相比XML/JSON更加高效 跨语言支持:Protobuf 在 .proto 定义需要处理的结构化数据,可以通过 protoc 工具,将 .proto 文件转换为 C、C、Golang、Java、Python 等多种语言的代…

在线客服系统:客服源码与在线客服搭建企业沟通的未来

随着互联网技术的飞速发展,在线客服系统已成为企业与客户沟通的重要桥梁。在这个信息爆炸的时代,客户对于服务质量的要求越来越高,企业如何通过高效的在线客服系统提升用户体验,增强客户满意度,已成为提升竞争力的关键…

JS阅读笔记

myweb3.html <video id"video" width"400" height"300" autoplay></video> <button id"capture-btn">拍摄图片</button> <canvas id"canvas" width"400" height"300">&…

win11-CapsWriter-Offline

https://github.com/Garonix/CapsWriter-Offline. 下载exe. git clone https://github.com/Garonix/CapsWriter-Offline/tree/docker-support 权重扔进models docker-compose up -d 打开exe

网站SEO关键词规划时如何筛选出合适的关键词?

在网站SEO优化过程中&#xff0c;关键词布局是一个至关重要的环节。首先&#xff0c;我们需要确定核心关键词&#xff0c;然后通过各种策略和方法对关键词进行扩展。完成关键词扩展后&#xff0c;接下来的任务就是对这些扩展后的关键词进行筛选。那么&#xff0c;如何进行有效的…

学习java第三十九天

一般使用 Autowired 注解让 Spring 容器帮我们自动装配 bean。要想把类标识成可用于 Autowired 注解自动装配的 bean 的类,可以采用以下注解实现&#xff1a; Component&#xff1a;通用的注解&#xff0c;可标注任意类为 Spring 组件。如果一个 Bean 不知道属于哪个层&#x…

模型训练基本概念-赛博炼丹

文章目录 拓展知识基础名词解释&#xff08;语义库更新&#xff09;机器学习任务流程模型训练基本流程模型训练详细流程正向传播与反向传播正向传播-求误差值反向传播-求参数值 学习率激活函数激活函数-为什么希望激活函数输出均值为0&#xff1f;激活函数 — softmax & ta…

机器学习和深度学习-- 李宏毅(笔记与个人理解)Day10

Day 10 Genaral GUidance training Loss 不够的case Loss on Testing data over fitting 为什么over fitting 留到下下周哦~~ 期待 solve CNN卷积神经网络 Bias-Conplexiy Trade off cross Validation how to split? N-fold Cross Validation mismatch 这节课总体听下来比较…

使用Docker部署开源项目FreeGPT35来免费调用ChatGPT3.5 API

Vercel部署FreeGPT35有严重限制&#xff0c;玩玩就好&#xff0c;真用还是得docker。 限制原因: Vercel的流式响应并不是一开始写流&#xff0c;客户端就能立刻收到响应流&#xff0c;而是先写到一个缓冲区&#xff0c;当流关闭才一股脑的流式响应回来(不是实时流) 因此导致: …

VideoGPT:Video Generation using VQ-VAE and Transformers

1.introduction 对于视频展示&#xff0c;选择哪种模型比较好&#xff1f;基于似然->transformers自回归。在没有空间和时间溶于的降维潜在空间中进行自回归建模是否优于在所有空间和时间像素级别上的建模&#xff1f;选择前者&#xff1a;自然图像和视频包括了大量的空间和…

Spring 统一功能处理

前言:为什么要有统一功能处理? 我们在进行数据的返回的时候,不同的方法返回的数据类型也不一样,但是我们前端有时候期望拿到是一样的数据类型。就好比买菜的时候期望最后是用一个大的塑料袋进行包装的。 那么我们可以在HTTP进行响应的之前,做一些事情,让我们返回的数据统…

【八股】AOP

AOP(Aspect Oriented Programming)&#xff0c;面向切面编程&#xff0c;他是一种编程范式。 作用&#xff1a; 在不改变原始设计的的基础上对其进行功能增强。 几个基本概念&#xff1a; 连接点&#xff1a;所有的方法 切入点&#xff1a;追加功能的方法 通知&#xff1a;追加…

组合逻辑电路( Combinational Logic Circuit)知识点总结

目录 一、组合逻辑电路的基本设计方法 1.特点 2.逻辑功能的描述 3.组合逻辑电路的分析步骤 4.组合逻辑电路的设计方法 二、编码器的逻辑电路 1.普通编码器 2.优先编码器 三、二进制和二-十进制译码器 1.3-8译码器 2.二-十进制译码器 3.应用&#xff1a;逻辑函数发生…

基于GRU实现评论文本情感分析

一、问题建模 在线评论的细粒度情感分析对于深刻理解商家和用户、挖掘用户情感等方面有至关重要的价值&#xff0c;并且在互联网行业有极其广泛的应用&#xff0c;主要用于个性化推荐、智能搜索、产品反馈、业务安全等。此博文&#xff0c;共包含6大类20个细粒度要素的情感倾…

11. 【Codeforces Round 938 (Div. 3)】D.不准确的后续搜索

D . 不准确的后续搜索 D.不准确的后续搜索 D.不准确的后续搜索 每次测试的时间限制&#xff1a; 2 秒 每次测试的时间限制&#xff1a;2 秒 每次测试的时间限制&#xff1a;2秒 每次测试的内存限制&#xff1a; 256 兆字节 每次测试的内存限制&#xff1a;256 兆字节 每次测试…

设计模式: 结构型之享元模式(7)

享元模式概述 享元模式&#xff08;Flyweight Pattern&#xff09;是一种用于优化性能的结构型设计模式&#xff0c;它通过共享对象来减少内存中对象的数量享元模式通常用于当系统中存在大量相同或相似对象时&#xff0c;通过共享这些对象的状态来减少内存消耗我们会充分利用类…

Armv7-M Interworking机制

1 前言 由于历史原因(从ARM7TDMI开始)&#xff0c; ARM处理器一直支持两种形式上相对独立的指令集&#xff0c; 它们分别是&#xff1a;  32位的ARM指令集&#xff0c;对应处理器状态&#xff1a; ARM状态&#xff0c;在32位存储器上效率较高&#xff0c;能够同时访问32位的数…

【PDF.js】PDF文件预览

【PDF.js】PDF文件预览 一、PDF.js二、PDF.js 下载1、下载PDF.js2、在项目中引入3、屏蔽跨域错误 三、项目中使用四、说明五、实现效果 使用PDFJS实现pdf文件的预览&#xff0c;支持预览指定页、关键词搜索、缩略图、页面尺寸调整等等。 一、PDF.js 官方地址 文档地址 二、PD…

FPGA开源项目分享——基于 DE1-SOC 的 String Art 实现

导语 今天继续康奈尔大学FPGA课程ECE 5760的典型案例分享——基于DE1-SOC的String Art实现。 &#xff08;更多其他案例请参考网站&#xff1a; Final Projects ECE 5760&#xff09; 1. 项目概述 项目网址 ECE 5760 Final Project 项目说明 String Art起源于19世纪的数学…

高精度地图导航论文汇总

文章目录 2022基于高精度地图的智能车辆路径规划与跟踪控制研究[M] 2023一种无人驾驶融合决策方案的设计与实现[M] 2022 基于高精度地图的智能车辆路径规划与跟踪控制研究[M] 摘要&#xff1a; 随着计算机及通信技术的不断进步&#xff0c;汽车行业也得到了飞速的发展。汽车在…