大部分的水文地质系统工程的操作依赖于利用包含不确定参数以及初始条件在内的数学模型所模拟的物理过程。卡尔曼滤波技术能够按顺序同化监测数据从而提高不确定性模型所作出的预测。每次同化包括一个非线性的优化,其通过线性化模型预测的目标功能以及利用线性校正这个预测。然而,如果模型参数以及初始条件不确定,那么优化问题将变的更加的非线性且线性修正可能产生非物理结果。本文,我们探究了先行平滑的效果,该过程对传统过滤进行调整,以减少非物理结果的产生以及减少由非线性造成的预测。我们展示了基于平滑压缩状态的卡尔曼滤波,该算法将先行平滑与协方差压缩方案合并,通过高效的探究高纬状态以及参数空间来减少计算费用。数值试验表明当模型参数不确定且数值弥散时,例如二氧化碳存储应用,先行平滑能够减少过冲误差并且能够使达到物理一致状态和合理的参数估计。我们比较了sCSKF与常规数据同化方法,结果表明对于相同的计算成本而言,将先行平滑和压缩相结合对于大尺度水文系统的实时的描述以及监控有很大的优势。