【摘要】集合卡尔曼滤波（ＥｎＫＦ）是一种灵活有效的序贯数据同化方法，解决参数优化问题具有优势：一是可以显式地考虑多源不确定性，从而避免对参数的过度调整来弥补其他来源的误差而产生次优参数；二是实时处理最新更新的观测数据，从而不需要存储和同时处理所有历史数据；三是使用集合和蒙特卡罗方法来表征和预报相关误差统计量，不需要封闭解逼近，易于实施。论文借助一维土壤湿度模型，通过观测系统模拟试验的方式，评估ＥｎＫＦ对水力学函数参数的优化效果。结果表明，敏感参数更易得到最优估值，优化效果不受初始猜测及观测误差设置等的影响。和直观想法相反，增加同化频率可能会使估值结果不稳定。