顾炉华，赖锡军

(1.江苏省环境科学研究院，江苏 南京 210036; 2.长江勘测规划设计研究有限责任公司上海分公司，上海 200439; 3.中国科学院南京地理与湖泊研究所，江苏 南京 210008)

为减少数值模型的不确定性，数据同化方法被引入到水文、水动力模型[1-2]。数据同化方法可分为确定性方法和不确定性方法，前者由果及因，根据已知结果反推未知参数，代表方法有变分法[3-4]；后者基于统计估值理论，通过实时融入观测实现预报场的动态更新，代表方法有卡尔曼滤波和粒子滤波算法[5-6]。卡尔曼滤波及其改进算法以其在高维度、非线性系统中的良好表现在水文预报领域得到应用与发展，成为实时校正的主流技术之一。但这些算法都假设噪声在空间上为零均值高斯分布，在非高斯系统中应用会出现滤波发散问题。而粒子滤波算法能很好地解决这一问题，粒子滤波又叫顺序蒙特卡罗滤波，是对贝叶斯估值理论的一种蒙特卡罗算法实现。与经验方法、优化插值、连续方法等传统实时校正方法及集合卡尔曼滤波方法相比，粒子滤波算法的优势主要体现为：不受高斯分布假设的约束、能更好表现非线性系统的变化信息、计算效率高、算法容易实现等[7-10]。

关于粒子滤波方法应用于水力学模型的研究目前主要集中在滤波参数选择、算法结构完善、洪水预报等方面。Moradkhani等[11]运用粒子滤波对模型状态变量及参数展开了不确定性分析；Nohs等[12]提出了基于粒子滤波的状态变量和参数同步更新算法；……