数据同化是减少土地利用模型模拟误差的有效方法。而与传统的针对连续变量的数据同化方法不同，土地利用模型的输出为类型变量，无法直接利用现有的数据同化算法，这对面向土地利用的数据同化应用提出挑战。
　　中国科学院西北生态环境资源研究院博士胡晓利联合中科院青藏高原研究所，基于类型分布的贝叶斯推理，突破了传统的针对连续变量的同化方法，利用狄利克雷分布的共轭先验特征解决了贝叶斯数据同化中类型变量的后验概率计算问题，创新性地提出了离散类型分布变量（土地利用类型）同化策略；首次实现了多维土地利用动态模型的多状态变量的同步更新。
　　研究表明，数据同化精度优于模拟精度。至模拟目标年，整个研究区的Kappa系数和FM（Figure of Merit）值分别提高了0.34%和1.78%。而在土地利用发生剧烈变化的典型区，Kappa系数和FM值可分别增加23.88%和38.39%。该成果为离散变量的数据同化研究提供了重要的参考价值。
　　相关研究成果以A novel strategy to assimilate category variables in land-use models based on Dirichlet distribution为题，发表在Environmental Modelling and Software上。研究工作得到中科院战略性先导科技专项、高分辨率对地观测系统重大专项等的支持。
　　论文链接