环境过程存在显著的空间异质性与时间动态变化，环境空间动态模拟是表达环境过程、阐明环境机理的重要手段。在国家重点基础研究发展计划项目、国家水污染治理重大专项、国家自然科学基金和研究所“一三五”重点布局项目等项目的资助下，中国科学院南京地理与湖泊研究所高俊峰研究团队以大型湖泊的藻类模拟为研究案例，在环境空间动态模拟方法与应用研究方面取得进展。

　　该研究采用集合卡尔曼滤波方法有效利用大量监测数据提高模型预测精度。以藻类空间预测模型的数据同化为研究案例，采用集合卡尔曼滤波，构建空间动态模型的数据同化模式，实现了模型参数与状态变量的实时优化，研究结果表明：（1）集合卡尔曼滤波适用于空间动态模型的数据同化，能够有效提高模型预测能力；（2）模型状态变量与参数的实时优化是提高模型预测能力的重要途径。研究结果发表在Ecological Modelling上，审稿专家认为该研究对空间动态模型的数据同化、挖掘数据的有效信息、减少模型不确定性有重要参考价值。同时，数据同化算法已申请软件著作权1项（空间动态模型的数据同化平台，2014）。

　　此外，在基于空间动态模拟方法的藻类预测方面，基于藻类生长模型和空间动态模拟方法，研究了藻类生长（藻类生物量）对数据时间分辨率、输入变量（水温、风速、风向、可溶性磷、可溶性氮、太阳辐射）等参数的响应机制。研究结果表明：（1）高时间分辨率数据能够显著提高空间动态模型的预测能力；（2）水温与光照是影响藻类短期变化的重要因素，风场对藻类空间分布有显著影响，营养盐对藻类生物量短期变化的影响较小。这一研究对识别模型敏感因子、认识系统机理过程、提高模型预测精度提供了有效手段。

    文章链接：1 2

空间动态模型的数据同化流程

　　环境因子对太湖藻类生物量短期变化的影响（WT：水温；WS：风速；WD：风向；DP：可溶性磷；DN：可溶性氮；PAR：太阳辐射）