摘要：集合卡尔曼滤波（the Ensemble Kalman Filter，简称 EnKF）中将预报集合的统计协方差作为预报误差协方差，但该估计可能严重偏离真实的预报误差协方差，影响同化精度。基于极大似然估计理论，发展了一种优化预报误差协方差矩阵的实时膨胀方法，即 MLE（the Maximum Likelihood Estimation）方法。利用蒙古国基准站 Delgerts-got（简称 DGS 站）观测资料，基于 EnKF 方法和 MLE 方法，在通用陆面模式（the Common Land Model，简称CoLM）中同化了地表温度和10 cm 土壤温度观测资料，建立了土壤温度同化系统。结果表明：MLE 方法对地表温度和各层土壤温度（尤其深层土壤温度）的估计比 EnKF 方法准确。考虑到浅层和深层土壤温度的差别，在实施MLE 方法时对浅层和深层土壤温度采用了不同的膨胀因子。对比膨胀因子为单一标量时的结果，多因子膨胀能缓解深层土壤温度的不合理膨胀，改善同化效果。

关键词：数据同化 集合卡尔曼滤波 误差协方差膨胀 

单位：国家气象信息中心 北京100081 北京师范大学 北京100875