模型参数作为一种不确定性来源容易引起状态量的系统偏差，极大地影响着同化系统中土壤水含量的估计精度。此研究通过基于CoLM模型的状态-参数同时估计方法来获取与土壤水含量相关的模型参数。在EnKF的同化框架内探讨AEnKF（增广卡尔曼滤波），DEnKF（双重卡尔曼滤波），SODA（同时优化和数据同化）三种算法在模型参数修正和土壤水含量估计精度提高中的表现。研究分为两个部分，引进蒙古高原的站点表层土壤水测量数据作为观测量分析不同观测间隔对于状态-参数同时估计的影响；利用辐射传输模型建立土壤水和亮温间的关系分析不同的观测频率组合对于状态-参数同时估计的影响。土壤水和亮温同化实验均进阶式地考虑三种不确定性来源：参数，驱动和模型。研究结果表明，三种方法在状态存在偏差时均优于EnKF（状态同化），并且极大提高了土壤水含量的估计精度。在只存在参数不确定性时，AEnKF得到最小的RESE值成为最有效的状态-参数估计方法，但在不确定性来源增多和观测数据减少时暴露劣势。SODA在复杂情景下以统计指标的细小差异优于DEnKF，同时前者在计算时间和内存的消耗上要大于后者。

        查看详细>>    W. Chen, C. Huang, H. Shen, “Comparison of ensemble-based state and parameter estimation methods for soil moisture data assimilation,” Advances in Water Resources,2015.