Сравнение методов усвоения данных в гидродинамических моделях циркуляции океана

Представлены результаты сравнения двух различных методов усвоения данных наблюдений, а именно предложенного ранее авторами метода обобщенной фильтрации Калмана (GKF) и стандартного метода объективной ансамблевой интерполяции (EnOI), который является частным случаем метода ансамблевой фильтрации Калмана (EnKF). Методы сравниваются по различным критериям, в частности, по критерию минимума ошибки прогнозирования и по критерию минимума апостериорной ошибки на заданном временном интервале. В качестве наблюдаемых данных используется массив спутниковых измерений уровня океана (альтиметрии) Archiving, Validating and Interpolating Satellite Oceanography Data (AVISO), а в качестве базовой численной модели циркуляции океана ‒ модель Hybrid Circulation Ocean Model (HYCOM). Показывается, что метод GKF имеет ряд преимуществ перед методом EnOI. Также анализируются результаты численных экспериментов с усвоением данных AVISO по рассматриваемым методам, их результаты сопоставляются с контрольным расчетом (без усвоения данных наблюдений) по модели HYCOM. Результаты расчетов также сравниваются с данными наблюдений, и делается вывод о пригодности исследуемых методов усвоения для прикладных расчетов по прогнозированию состояния океана.

Ключевые слова

моделирование динамики океана, усвоение данных наблюдений, обобщенный фильтр Калмана, ансамблевая интерполяция, спутниковые данные альтиметрии

Источник финансирования

Исследование выполнено при поддержке РНФ, проект №14-11-00434.

Получено

10.11.2018

Дата публикации

30.11.2018

Цитировать Скачать pdf Для скачивания PDF необходимо авторизоваться

ГОСТ	Беляев К. П. , Кулешов А. А. , Смирнов И. Н. , Танажура К. А. Сравнение методов усвоения данных в гидродинамических моделях циркуляции океана // Математическое моделирование – 2018. – Tом 30. – номер 12 C. 39-54 [Электронный ресурс]. URL: http://ras.jes.su/mmod/s207987840001166-1-1 (дата обращения: 03.05.2024). DOI: 10.31857/S023408790001935-2
MLA	Belyaev, K., Kuleshov, A., Smirnov, I., Tanajura, K. "Comparison of data assimilation methods into hydrodynamic models of ocean circulation." Matematicheskoe modelirovanie 30.12 (2018):39-54. DOI: 10.31857/S023408790001935-2
APA	Belyaev K., Kuleshov A., Smirnov I., Tanajura K. (2018). Comparison of data assimilation methods into hydrodynamic models of ocean circulation. Matematicheskoe modelirovanie 30(12), pp.39-54 DOI: 10.31857/S023408790001935-2

Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 1453

Оценка читателей: голосов 0

1. Г.И. Марчук. Численное решение задач динамики атмосферы и океана. ‒ Л.: Гидрометиздат, 1974, 303 с.

2. А.С. Саркисян. Численный анализ и прогноз морских течений. ‒ Л.: Гидрометиздат, 1977, 182 c.

3. В.И. Агошков, В.М. Ипатова, В.Б. Залесный, Е.И. Пармузин, В.П. Шутяев. Задачи вариационной ассимиляции данных наблюдений для моделей общей циркуляции океана и методы их решения // Изв. РАН. Физика атмосферы и океана, 2010, т.46, №6, с.734-770.

4. Л.С. Гандин. Объективный анализ метеорологических полей. ‒ Л. Гидрометиздат, 1963, 282 с.

5. M. Ghil, P. Malnotte-Rizzoli. Data assimilation in meteorology and oceanography // Adv. Geophys., 1991, v.33, p.141-266.

6. S. Cohn. An introduction to estimation theory // J. Meteor. Soc. Japan 1997, v.75, p.257-288.

7. C.A.S. Tanajura, K. Belyaev. A sequential data assimilation method based on the properties of a diffusion-type process // Appl. Math. Model., 2009, v.33, № 5, p.2165-2174.

8. K. Belyaev, C.A.S. Tanajura, J.J. O’Brien. Application of the Fokker-Planck equation to data assimilation into hydrodynamical models // J. Math. Sciences, 2000, v.99, №4, p.1393-1402.

9. К.П. Беляев, А.А. Кулешов, Н.П. Тучкова, К.А. Танажура. Метод коррекции расчетов динамической модели данными наблюдений и его применение к анализу динамики Атлантического океана // Матем. моделирование, 2015, т.27, № 12, с.20-32.

10. K. Belyaev, A. Kuleshov, N. Tuchkova, C.A.S. Tanajura. An optimal data assimilation method and its application to the numerical simulation of the ocean dynamics // Mathematical and Computer Modelling of Dynamical Systems, 2018, v.24, № 1, p.12-25.

11. C. Lorenc, N.E. Bowler, A.M. Clayton, S.R. Pring, D. Fairbairn. Comparison of Hybrid-4DEnVar and Hybrid-4DVar data assimilation methods for Global NW // Mon. Wea. Rev., 2015, v.134, p.212-229.

12. R. Bleck. An oceanic general circulation model framed in hybrid isopycnic-Cartesiancoordinates // Ocean Model., 2002, № 4, p.55-88.

13. К.П. Беляев, К.А.С. Танажура, Н.П. Тучкова. Сравнительный анализ экспериментов с усвоением данных дрифтеров АРГО // Океанология, 2012, т.52, № 5, с.643-653.

14. М.Н. Кауркин, Р.А. Ибраев, К.П. Беляев. Усвоение данных наблюдений в модели динамики океана высокого пространственного разрешения с применением методов параллельного программирования // Метеорология и гидрология, 2016, №7, с.47–57.

15. К.А.С. Танажура, Л.Н. Лима, К.П. Беляев. Усвоение аномалий уровня океана в гидродинамической модели НYСОМ по данным наблюдений со спутников в Атлантике // Океанология, 2015, т.55, № 5, с.738-750.

16. G. Evensen. Data Assimilation, the Ensemble Kalman Filter, 2nd ed. ‒ Berlin: Springer, 2009, 307 p.

17. Вл.В. Воеводин, С.А. Жуматий, С.И. Соболев и др. Практика суперкомпьютера «Ломоносов» // Открытые системы, 2012, № 7, с.36-39.

18. J.I. Antonov, D. Seidov, T.P. Boyer et al. World Ocean Atlas 2009. Ed. S. Levitus. ‒ Washington: U.S. Government Printing Office, 2010, 184 p.

19. E. Kalnay. Atmospheric modeling, data assimilation and predictability. ‒ New York: Cambridge University Press, 2002, 364 p.