第1章 绪论

1.1全球变化研究与数据同化

1.2数据同化基本构成

1.3数据同化算法分类

1.4陆面数据同化研究进展

1.5遥感数据同化研究进展

1.6本书主要内容

1.7本章小结

主要参考文献

第2章 数据同化算法发展与进步

2.1变分方法

2.1.1三维变分算法

2.1.2四维变分算法

2.2卡尔曼滤波算法

2.3集合卡尔曼滤波算法

2.4粒子滤波算法

2.5层状贝叶斯方法

2.6数据同化算法基本公式、机制与特点

2.7本章小结

主要参考文献

第3章 过程模型选择与应用改进

3.1陆面过程模型发展阶段

3.2陆面过程模型比较与选择

3.3 VIC水文过程模型原理与应用改进

3.3.1 VIC水文过程模型原理

3.3.2 VIC水文过程模型代码移植与编译

3.3.3 VIC水文过程模型应用改进

3.4 VIC水文过程模型基础参量准备

3.4.1大气驱动数据

3.4.2土壤参数

3.4.3植被参数

3.4.4全局参数

3.4.5基础参量与数据来源

3.5 VIC水文过程模型数据准备与程序代码

3.6 VIC水文过程模型运行与校验

3.6.1 VIC水文过程模型运行

3.6.2 VIC水文过程模型校验

3.7 VIC水文过程模型实验

3.7.1 VIC水文过程模型实验一

3.7.2 VIC水文过程模型实验二

3.7.3 VIC水文过程模型实验三

3.8本章小结

主要参考文献

第4章 经典数据同化算法开发与实验

4.1三维变分算法

4.1.1算法原理

4.1.2算法流程

4.1.3算法实现

4.2三维变分算法同化实验

4.3四维变分算法

4.3.1算法原理

4.3.2算法流程

4.3.3算法实现

4.4四维变分算法同化实验

4.5集合卡尔曼滤波算法

4.5.1算法原理

4.5.2算法流程

4.5.3算法实现

4.6集合卡尔曼滤波算法同化实验

4.6.1实验一站点观测数据与VIC水文过程模型数据同化

4.6.2实验二微波亮温数据与VIC水文过程模型数据同化

4.7本章小结

主要参考文献

第5章 现代智能数据同化算法Ⅰ：粒子滤波算法

5.1粒子滤波算法理论基础

5.1.1贝叶斯滤波基本原理

5.1.2粒子滤波算法原理

5.2重要性采样

5.2.1贝叶斯重要性采样

5.2.2序贯重要性采样

5.3粒子退化与重采样

5.3.1粒子退化

5.3.2重采样

5.4粒子滤波算法流程与实现

5.4.1粒子滤波算法流程

5.4.2粒子滤波算法实现

5.5粒子滤波算法同化实验

5.5.1实验一站点观测数据与VIC水文过程模型数据同化

5.5.2实验二微波亮温数据与VIC水文过程模型数据同化

5.5.3实验三数据同化与VIC水文过程模型参数同步估计

5.6本章小结

主要参考文献

第6章 现代智能数据同化算法Ⅱ：层状贝叶斯网络算法

6.1层状贝叶斯方法理论基础

6.1.1数据模型

6.1.2过程模型

6.1.3参数模型

6.1.4贝叶斯推理

6.2层状贝叶斯网络算法

6.2.1数据描述

6.2.2层状贝叶斯网络构建

6.2.3层状贝叶斯网络结构

6.2.4层状贝叶斯网络学习、校验与预测

6.2.5层状贝叶斯网络算法流程

6.3基于多尺度回归模型的层状贝叶斯网络算法

6.3.1基于多尺度回归模型的层状贝叶斯网络构建

6.3.2基于多尺度回归模型的层状贝叶斯网络结构

6.3.3基于多尺度回归模型的层状贝叶斯网络推理

6.3.4最大似然参数估计

6.3.5基于多尺度回归模型的层状贝叶斯网络算法技术流程

6.4层状贝叶斯网络同化站点观测与VIC水文过程模型数据实验

6.4.1数据预处理

6.4.2层状贝叶斯网络学习与校验

6.4.3层状贝叶斯网络预测

6.4.4程序代码

6.5本章小结

主要参考文献

第7章 数据同化集成系统

7.1系统结构与功能设计

7.2系统详细设计

7.2.1输入输出模块

7.2.2陆面过程模型模块

7.2.3数据同化算法模块

7.2.4数据可视化模块

7.2.5精度评价模块

7.3系统功能实现与界面

7.3.1数据同化功能与界面

7.3.2数据可视化功能与界面

7.3.3精度评价功能与界面

7.4本章小结

主要参考文献

附录一 VIC水文过程模型与数据准备的C/C++代码

附录二 三维变分算法（3DVAR）开发C++代码

附录三 四维变分算法（4DVAR）开发C++代码

附录四 集合卡尔曼滤波算法（EnKF）开发C++代码

附录五 粒子滤波算法（PF）开发C++代码

附录六 层状贝叶斯网络算法（HBN）开发WinBUGS和Matlab代码