WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

 

  На правах рукописи

Беляев Константин Павлович

Методы усвоения данных в гидродинамических моделях циркуляции и их применения для анализа состояния и изменчивости Мирового океана 

Специальность 25.00.28 – Океанология

Автореферат

диссертации на соискание ученой степени доктора физико-математических наук

Москва – 2011

Работа выполнена в Учреждении Российской академии наук Институте океанологии им. П.П. Ширшова  РАН, г. Москва

Официальные оппоненты:

Доктор физико-математических наук, профессор

Залесный Владимир Борисович,

Учреждение Российской академии наук, Институт

  вычислительной математики РАН

Доктор физико-математических наук

Катцов Владимир Михайлович,

ГУ Главная геофизическая обсерватория им. А.И. Воейкова

  (ГГО)

  Доктор физико-математических наук,

  Рубинштейн Константин Григорьевич,

ГУ Гидрометеорологический научно-исследовательский центр

  Российской Федерации (ГУ Гидрометцентр России )

Ведущая организация:

Московский физико-технический институт (государственный университет)

Защита состоится « »  на заседании Диссертационного Совета Д 002.239.02 при учреждении Российской академии наук Институте океанологии РАН по адресу Москва 117997, Нахимовский проспект, 36.

С диссертацией можно ознакомиться в библиотеке Института океанологии им. П.П. Ширшова. РАН.

Автореферат разослан  «  »

Ученый секретарь Диссертационного совета Д 002.239.02

Кандидат физико-математических наук  А.И. Гинзбург

Общая характеристика работы

Актуальность темы диссертации. Задача наилучшим образом совместить результаты численного и/или аналитического моделирования и полученные независимо от модели данные наблюдений получила в литературе название задачи оптимального усвоения данных или просто задачи усвоения. Усвоение данных является неотъемлемым элементом построения прогностических моделей океанской циркуляции для различных приложений – от оперативной океанографии до задач прогнозирования климата. Кроме того, усвоение данных – необходимый элемент модельных экспериментов по созданию долговременных реконструкций океанской циркуляции. При современном уровне развития океанского моделирования достоверность воспроизведения циркуляции (как региональной, так и глобальной) существенно зависит как от особенностей формулирования самой модели, так  и от алгоритмов усвоения. В метеорологии и океанологии задачи усвоения стали активно рассматриваться с конца 1960-ых годов, а с конца 1990-ых годов и по настоящее время это направление переживает настоящий взрыв.  Современные технологии, лежащие в основе прогноза погоды, просто невозможны без оперативных методов усвоения данных. В современной океанологии из-за резкого увеличения наблюдаемой информации и в связи с появлением мощных компьютеров, методов параллельного программирования ситуация близка к той, что имеет место в метеорологии. Без дальнейшего развития методов усвоения данных невозможно существенно улучшить сезонные прогнозы состояния океана и, следовательно, адекватно воспроизвести океанский сигнал в моделях климатической динамики. Все вышеперечисленное определяет актуальность темы исследования и позволяет классифицировать данный тип задач как фундаментальную научную проблему.

Основная цель работы – разработка, обоснование и экспериментальная апробация новых схем усвоения данных в океане и их сравнение с существующими и используемыми в настоящий момент методами. Детально эта цель разбивается на следующие пункты реализации:

1. Математическая и численная разработка нового метода усвоения, основанного на теории диффузионного приближения, и его реализация совместно с гидродинамической моделью циркуляции океана и/или совместной моделью циркуляции «океан-атмосфера».

2. Применение предложенного метода совместно с имеющимися и пополняемыми архивами данных измерений в океане и построение на основе предложенной схемы четырехмерных полей основных физических характеристик океана.

3. Изучение пространственно-временной изменчивости построенных полей и их сравнение с независимыми данными наблюдений в океане, а также полями, построенными по другим моделям и с помощью других методов усвоения.

4. Разработка единых критериев верификации и сравнения предлагаемых схем усвоения с аналогичными схемами и другими моделями. Коррекция начальных полей с помощью усвоения данных наблюдений и проведение прогностических и ансамблевых модельных экспериментов со скорректированными начальными условиями. Оценка чувствительности моделей к возмущенным таким образом начальным условиям.

Методы исследования и обоснования результатов в основном аналитические. Они основаны на теории случайных процессов, точнее ее раздела, относящегося к процессам специального вида – так называемым диффузионным процессам. В работе используется также теория параболических уравнений в частных производных, стандартные методы математической статистики и численного анализа. Вычислительные эксперименты проводились на суперкомпьютерах класса NEC и кластерах типа ИБМ «Регата». При усвоении данных наблюдений архивов PIRATA,TOGA-TAO, ARGO, многочисленных данных судовых съемок, в том числе судов погоды ГОИНа и исследовательских судов ИО РАН был предварительно проведен контроль качества данных методами многопараметрической статистики и кластерного анализа. Автором предложены оригинальные аналитические методы, используемые для сравнения имеющихся методов усвоения данных в океане, а также написаны и отлажены программы численного расчета для этих предложенных схем, реализованные на языках Fortran95, C++ с использованием языков SHELL,CSHELL и библиотек параллельного программирования MPI

На защиту выносятся  следующие положения:

  • 1. Предложена новая схема усвоения данных, включающая цепочку – теория, методология, апробация, эксперимент, анализ результатов.
  • 2. Доказано аналитически и подтверждено экспериментально, что предложенные схемы усвоения вычислительно эффективны и численно реализуемы.
  • 3. Модельные физические параметры океана, скорректированные данными наблюдений по предложенной схеме, существенно уточняют количественные характеристики их состояния и изменчивости, являются физически непротиворечивыми, соответствуют качественно известным структурам.
  • 4. Аналитически показано, что предложенная схема  частично обобщает имеющиеся и используемые в настоящий момент методы усвоения, в частности, схему объективного анализа и  расширенный фильтр Калмана.
  • 5. Аналитически разработаны и численно реализованы методы усвоения для двух отдельных случаев – схемы оперативного усвоения данных в океане и схемы климатической коррекции.
  • 6. Показано на многочисленных экспериментах в тропической зоне Атлантики, тропической зоне Тихого океана, в средних широтах Атлантики Северного и Южного полушарий, что в результате усвоения существенно улучшается модельная структура термохалинных полей океана, воспроизведение верхнего квазиоднородного слоя, трехмерная структура течений. Также показано соответствие модели после усвоения полученным независимо данным наблюдений.
  • 7. Предложены методы сравнений различных схем усвоения данных океана для одинаковой базы данных, разработан соответствующий аналитический аппарат и показано, что изучаемая схема не уступает имеющимся аналогичным методам, а в ряде случаев их превосходит.
  • 8. Разработаны специфические алгоритмы схемы усвоения данных в океане для параллельных вычислений, которые применены для моделей мелкой воды, в частности, для модели HYCOM (Университет Майами, США).

Научная новизна работы. При решении задач усвоения рассматриваются две основные группы методов. Первая группа получила название "вариационных" или "функциональных" методов. Современная версия этого метода известна под аббревиатурой 4-d var. Подробно эта схема описана в целом ряде работ [1–2]. Задачи усвоения в "вариационном" методе сводятся к решению обратных задач и минимизации определенных заданных функционалов. Математическая теория обратных задач в общем случае не разработана, и даже в тех случаях, когда теоретически это решение известно, его практическое применение сталкивается с определенными и весьма немалыми трудностями. Отметим в литературе  работы академика Г.И. Марчука и его учеников [3], специально посвященные этой теме.

К другой группе методов решения задач усвоения относятся т.н. динамико-стохастические модели, в которых неизвестная функция представляется в виде модельного поля и стохастического шума с известными характеристиками. Искомое решение в этом случае ищется как оптимальная оценка, или в терминологии, принятой в теории случайных процессов, как оптимальный фильтр, который строится по данным модели и наблюдений. Теоретически этот подход начал разрабатываться в начале ХХ века после работ Н. Винера [4] и А.Н. Колмогорова [5], затем получил развитие в работах Калмана [6], и др., например [7]. Это направление, основанное на современной версии фильтра Калмана, активно развивается  как в теоретическом, так и в практическом аспектах.

В настоящей работе предлагается, обосновывается и применяется новый метод усвоения данных в океане, основанный на этой схеме, однако имеющий ряд существенных отличий от традиционной схемы фильтра Калмана. Метод значительно проще по реализации, не требует больших вычислений,  строго математически обоснован. Показано также, что уравнения Калмановского фильтра являются частным случаем предлагаемого автором метода при некоторых дополнительных условиях, именно малых интервалах между двумя последовательными усвоениями.

В работе также проводится сравнение с другими методами усвоения для одних и тех же данных наблюдений в океане. Предлагаются и обосновываются критерии таких сравнений. Показывается, что в рамках данных критериев предложенный метод не уступает и в ряде случаев превосходит другие методы. 

Используя предложенный метод, на основе имеющихся и модифицированных автором гидродинамических моделей и доступных баз данных наблюдений, таких как АРГО, ТОГА-ТАО, ПИРАТА, а также имеющихся архивов данных Института океанологии им. П.П. Ширшова РАН автором строятся трехмерные поля характеристик в океане (температуры, солености, скорости течений и др.), изучается их временная и пространственная изменчивость и сравнивается с аналогичными характеристиками, полученными в других моделях и по другим ассимиляционным схемам.

Достоверность результатов и выводов определяется физической обоснованностью постановки задач, аналитическим методом доказательства предложенной схемы и анализом результатов многочисленных тестовых экспериментов. Поля физических характеристик полученных в результате усвоения количественно сравниваются с данными наблюдений, где это возможно. В частности сравниваются модельные и наблюдаемые профили температуры и солености, наблюдаемые и модельные поля поверхностной температуры воды, поля альтиметрии, ряд других характеристик. Анализ этих сопоставлений вполне убедительно показывает физическую состоятельность предложенных схем.

Практическая значимость работы. Усвоение данных в современной океанологии, метеорологии и климатологии применяется для построения согласованных, то есть сбалансированным между собой в смысле массы, энергии и импульса характеристик в океане и атмосфере. Это нужно как для анализа текущего состояния океана и атмосферы, так и для прогностических оценок, получаемых с помощью моделей циркуляции. Кроме того, построенные таким образом поля используются в качестве начальных условий в моделях для изучения климата, его изменчивости и антропогенного воздействия. Предложенные автором схемы и программы использовались и используются в проектах BLUELINK, Бюро метеорологии Австралии, проекте FAPEX для оперативных прогнозов в зоне добычи нефти на шельфе Бразилии. Предложенные схемы усвоения могут также быть использованы в проектах по изучению климата, в частности для задания начальных условий и верификации конкретного сценария. 

Апробация работы. Результаты работы докладывались на многочисленных конференциях и семинарах в России и за рубежом. В частности, на семинарах Института океанологии РАН, семинарах Гидрометеоцентра РФ, семинарах Института вычислительной математики РАН, физико-техническом институте, в Вычислительном центре РАН, Главной геофизической обсерватории (ГГО) Гидрометслужбы России, в Центре изучения взаимодействия океана и атмосферы, университета Флориды (COAPS, Tallahassee, USA), в институте метеорологии университета Западного Берлина (Freue Universitt, Berlin, Germany), в Королевском институте метеорологии Нидерландов (KNMI, Utrecht, Nederland),  в Институте метеорологии им. М. Планка, Гамбург, (MPIMET, Hamburg, Germany), Центре по изучению климата в Потсдаме (Climatforchungzentrum, Potsdam, Germany), в Бюро Метеорологии Австралии (BMRC, Melbourne, Australia), в Центре по метеорологии и изучению климата Бразилии (CPTEC, Sao Paulo, Brazil),  в Национальной Лаборатории по численным методам Бразилии (LNCC, Petropolis, Brazil), в Центре геофизических исследований Перу (GEO, Lima, Peru). Отдельные результаты докладывались на Всероссийских и международных конференциях, например: на конференциях по вычислительной математике и параллельному программированию в Абрау-Дюрсо, 2005-2010гг,  на международных конференциях WSEAS (Lisbon 2005, Gold Coast 2007), Intercomparison 4d-var-EnKF  (Buenos Aires 2008), SIAM (Leiptzig 2009), EGU (Vienna 2010).,AGU (Foz de Iguassu,2010), GODAE (Tokio, 2010).

Структура работы. Диссертация состоит из введения, 5 глав, заключения и списка литературы. Дополнительно в диссертации содержатся приложения, в которых приводятся математические доказательства используемых в тексте утверждений. Список используемой литературы включает 87 наименований.

Публикации и личный вклад автора. По теме диссертации с 1990 г. по настоящее время опубликована монография, 23 статьи в российских и зарубежных рецензируемых журналах, входящих в списки цитируемых баз данных Scopus, Web of Science, список научных журналов ВАК, 15 работ в тематических сборниках.

В совместных работах по теме диссертации автору принадлежит постановка задачи, идея и алгоритмы ее решения. Также подавляющее большинство используемых программ написано персонально автором, им же проведены основные численные эксперименты.

Основное содержание работы

Во Введении рассматривается история задач усвоения данных, появление которых связано с  задачей  численного моделирования прогнозов погоды и изменений климата. Основное внимание уделяется методам усвоения в океанологии, предложенным теоретически и применяемым на практике со второй половины 20 в и до наших дней.  Излагаются цели усвоения, проблемы, связанные с методами усвоения и их практическим реализациям. Показывается место настоящей работы в данном направлении исследований, ее теоретическая и практическая новизна.

В Главе 1 подробно излагаются основные методы усвоения, связанные с динамико-стохастическим подходом и задачами статистического оценивания и фильтрации.  В § 1 рассматривается пример задачи релаксации. В § 2 рассматривается общий метод объективной интерполяции (или статистической интерполяции). Он выглядит следующим образом:

Пусть неизвестный сигнал (переменная) наблюдается в точках , и пусть значения наблюдений будут . Считается, что наблюдения представляют собой реализации значения неизвестной случайной переменной, т.е. случайные величины с некоторыми распределениями, вообще говоря, зависимые между собой в вероятностном смысле.  Наиболее распространенным является предположение, что эти величины имеют гауссово совместное распределение. Ищется оценка неизвестного поля , оптимальная в следующем смысле:

, (1)

где любая оценка неизвестного поля . Символом обозначается среднее в смысле распределения (ансамбля) значение случайной величины .

Оптимальной линейной оценкой неизвестной величины в смысле (1) в произвольной точке области  будет оценка, задаваемая формулой

, (2)

Предполагая, что , где -ошибка моделирования в точке , при условии из (1) и (2)  получается соотношение

. (3)

В формуле (3) есть ковариационная функция совместного распределения ошибок в точках , т.е. , а есть ковариационная функция совместного распределения ошибок в точках , т.е. .

Решение уравнения (3) ищется относительно весовых коэффициентов при известных значениях функций и при всех . В общем случае вектор заданной размерности r, функции и -соответственно матрицы размерности , и поскольку, то, соответственно, весовые коэффициенты также матрицы размерности . Система уравнений (3) имеет единственное решение тогда и только тогда, когда матрицы и полного ранга, что эквивалентно условию линейной независимости векторов .

       В схеме объективного анализа ковариационные функции и считаются заданными, а сами наблюдения известными точно, без «помехи» или «шума». В диссертации исследован случай, когда ковариационные функции задавались  равными , где N - число усваиваемых наблюдений, а – расстояние, измеряемое в единицах сетки между точками . Через обозначено значение модели в точке наблюдения . Если расстояние между точками или превышало выбранный радиус отсечения, то все ковариации полагались равными нулю.

       Для примера взяты данные эксперимента ТОГА-ТАО и модель НОРЕ. На рис. 1 приводится разность температуры воды на поверхности океана (точнее на горизонте 1.5 м) между модельным и наблюдаемым полями. Хорошо видно положение тех станций, которые использовались при усвоении, в них значение разности достигает локального максимума. Само поле разности естественным образом вытянуто вдоль экватора и имеет форму убывающего эллипса, т.к. станции были расположены вдоль экватора. Однако значения поправок не одинаково в каждой точки и зависят от значения ошибок на каждой из станций. Как видно из рисунка, максимальное значение ошибки (и соответственно поправки) были отмечены в восточной зоне Тропической части Тихого Океана, и значение этой поправки уменьшается по направлению на Запад. 

Рис. 1. Разница между модельной и усвоенной температурой по методу объективной интерполяции

Затем был исследован общий случай, когда ковариационная функция между точками с координатами задается в виде , где функции , находились из уравнения, а функция задавалась по формуле, указанной выше. Расчет по этой схеме приводил к  коррекции поля температуры по типу рис. 2 , для той же модели НОРЕ и данных с буев ТОГА-ТАО.

Рис. 2. Разница температуры между исходным и усвоенным полями по методу обобщенной объективной интерполяции

Из рисунка видно, что изменение дисперсии в формулах приводит к увеличению вклада отдельных наблюдений и их изоляции от остальных. При этом увеличивается неоднородность результирующих полей, уменьшается их гладкость и усиливается динамика в районе станций усвоения (не показано). Однако при этом уменьшается разность между наблюдаемым и корректирующим полем и увеличивается достоверность оценки (дисперсия разности уменьшается). Кроме того, в вычислительном алгоритме при увеличении дисперсии поля увеличивается обусловленность матрицы, и, следовательно, увеличивается надежность расчетов обратных матриц, что важно при численном решении системы (2)

       В третьем параграфе рассматриваются задачи фильтрации анализа временных рядов и фильтрации стационарных процессов, как задачи, предшествующие задачам усвоения данных. Задачи анализа временных рядов исследуются на примере многолетних рядов поверхностной температуры воды в одноградусных квадратах. Изучалось разбиение ряда на тренды, сезонный ход и случайную составляющую. Строились соответствующие оценки, и карты полей.

       В четвертом параграфе рассматривается метод Калмановской фильтрации, стандартный и обобщенный фильтр Калмана.  Предполагается, что задана следующая модель

.  (4)

В формуле (4)- -наблюдаемый процесс (наблюдения),  а истинное (подлежащее оценке по наблюдениям) поле. Из (4) видно, что уравнения эволюции и линейны, при этом в отличие от схемы объективной интерполяции данные заданы с шумом. Оптимальная оценка или оптимальный фильтр величины дается формулой

.  (5)

В уравнениях (4) и (5) функции, в общем случае матрицы заданы, символ используется для обозначения гауссова белого шума, матрица имеет специальное обозначение «весовая матрица Калмана»  (Kalman-gain matrix) и находится из уравнений (5). Для определения матрицы Р в уравнении (5) требуется решить специальное уравнение Риккати, которое здесь не приводится.  Символом Н обозначается соответствующая проекция вектора значений модели в координаты точки наблюдений, чтобы разность имела смысл. При этом если размерность наблюдаемого вектора не совпадает с размерностью вектора модели, проекция Н убирает лишние размерности.

       В случае нелинейной модели формулы (5) для оптимального фильтра также верны, но в этом случае уравнения для матрицы Р не существует, и она определяется из других соображений. В работе исследован случай, когда матрица Р задается по специальной схеме аномалий, предложенной в Институте Океанографии CSIRO (Hobart, Australia).  Усваивались данные эксперимента АРГОС за 2000 г, по всему Мировому океану, включая южные полярные области до берегов Антарктиды. Модель, относительно которой усваивались данные, имеет название AUSCOM, это австралийская версия известной модели МОМ4/GFDL. При анализе разности между исходным и скорректированным полем температуры на поверхности ее максимум локализован в зонах сильных струйных течений - Гольфстрима и Куросио Связано это с тем, что во-первых в этих областях весьма значима разница между наблюдаемыми и смоделированными полями , поскольку модель в этих зонах плохо воспроизводит реальный океан, во-вторых, ковариация аномалий достигает максимума именно в этих зонах, и поэтому соответствующие коэффициенты здесь максимальны.  Величины поправок в центральной части Тихого и Атлантического океанов значительно меньше.

Изучалась также вертикальная структура смоделированного, наблюдаемого и скорректированного профиля. Из анализа результатов следует, что усвоение данных в океане действительно приближает скорректированный профиль температуры к соответствующему наблюдаемому профилю, однако делает его негладким и физически сомнительным. Несколько нереальная форма  профиля температуры обусловлена неустойчивостью метода усвоения, связана с большой размерностью входящих матриц и, как следствие, плохой численной обусловленностью задачи.  В принципе такого рода проблемы могут быть решены в ходе дальнейшего развития метода

В пятом параграфе приводятся некоторые расчеты по схеме вариационного усвоения. Расчеты имеют достаточно частный характер и приводятся в основном для сравнения с показанными выше результатами.

В Главе 2 предлагается новый метод усвоения и излагается основной математический аппарат, на котором он основан.  В первом параграфе рассматривается задача общего вида, сформулированная следующим образом:

Пусть система уравнений

  (6)

рассматривается на интервале времени () и в некоторой пространственной области . В уравнении (6) - вектор размерности r, - оператор , вообще говоря, нелинейный, и не содержащий явно временных производных. 

        Интервал разбивается точками на интервалы длины и предполагается, что на каждом интервале наблюдаются случайные вектора , со значениями в , измеримые на введенном вероятностном пространстве. Векторный индекс также предполагается случайным, измеримым на введенном вероятностном пространстве и независимым от случайных векторов , . Обозначение для векторов и означает, что имеется первых компонентов векторов , -вторых компонентов векторов и т.д. Также предполагается, что истинное поле, подлежащее оценке из наблюдений и модельного расчета, представимо в виде для каждого i, где случайные величины, независимые в совокупности и от случайных величин и . Оптимальная оценка (оптимальный фильтр) неизвестного поля ищется по формулам (1). Далее пусть такое разбиение зависит от некоторого номера n, т.е. рассматривается схема серий, для каждой серии делается свое разбиение.  Пусть -оптимальные оценки на каждом из интервалах в серии с номером n.

В параграфе 1 формулируются 3 утверждения

1. При некоторых  физически состоятельных условиях на введенные величины имеет место предельное соотношение - последовательность конечномерных распределений  случайного процесса сходится к диффузионному процессу, решению следующего стохастического дифференциального уравнения

,  (7.1)

где , и  (7.2)

  . (7.3)

В формулах (7.1-7.3) обозначено:

, .

2. Оптимальные весовые коэффициенты находятся из соотношений

;  i=1,..… (8.1)

, (8.2)

где - известные матрицы, Φ=-неизвестный вектор,- ковариация между наблюдаемой случайной величиной и шумом . Параметр С определяет смещение модели относительно наблюдений и может быть выбран равным нулю если модель предполагается несмещенной.

3. При некоторых дополнительных условиях регулярности оптимальные в смысле (8.1)-(8.2) решения на каждом малом интервале будут оптимальными для всех значений времени . Как видно из (8.1)-(8.2) уравнения для оптимальных коэффициентов являются более общими, чем уравнения (3) и (5), и сводятся к ним, если все , и также если Φ==0. Таким образом, показывается, что предложенная схема действительно обобщает известные динамико-стохастические схемы усвоения при некоторых дополнительных условиях.

В параграфе 2 рассматривается схема при малых интервалах последовательного усвоения (названная схемой оперативного усвоения) и для этой схемы строится метод определения ковариационных функций , входящих в уравнения (8). Метод основан на подсчете частот пар значений параметров в два последовательных момента времени (например, температуры в момент t и момент t+dt ), получаемых по модели, и последующем решении основного эволюционного уравнения для расчета ковариаций (уравнении Фоккера-Планка). Приводятся основные формулы, отвечающие этому случаю.

В параграфе 3 рассматривается схема, когда время интегрирования велико (стационарный режим). Для этой схемы также строится метод определения ковариационных функций , входящих в уравнения (8). Кроме того, формулируются некоторые утверждения, касающиеся эргодического поведения полей при усвоении (т.е. наличия предела при t) которые нужны для корректного определения  средних характеристик  скорректированных параметров и их дисперсий. Такой режим называется режимом климатической коррекции, и используется в моделях климата для расчета климатических характеристик, т.е. при больших временах интегрирования.

В параграфе 4 изучается основной численный алгоритм подсчета вероятностей и затем ковариаций при режиме оперативного усвоения. При вычислении этих вероятностей, все множество значений наблюдаемых векторов разбивается на непересекающиеся области и подсчитываются частоты переходов , где -число точек сетки, где значения наблюдаемого вектора равны в момент , а -число точек сетки, где значения модели равны в момент , т.е. в два последовательных момента времени. Далее, численно решаются уравнения Фоккера-Планка с заданными начальными условиями. В параграфе оценивается общее число операций, требуемых в данном алгоритме, и показывается, что оно имеет порядок , где число наблюдений, -число узлов сетки, -размерность задачи (если для совместного распределения температуры и солености то =4), -размерность разбиения множества значений (размерность узлов сетки фазового пространства).

В параграфе 5 приводится пример применения общих формул для простого одномерного случая, когда уравнение имеет вид , где - Гауссов « белый шум» (обобщенная случайная величина)  с нулевым средним и дисперсией , т.е. . Общим решением этого уравнения будет случайная функция

.

Далее, наблюдается значение   как проявление « истинного поля», которое в свою очередь записывается в виде стохастического процесса . Строится оптимальное усвоение для этого случая, которое имеет вид , где  

В параграфе 6 рассматривается один частный случай, который имеет смысл, если коэффициенты сноса в уравнениях Фоккера- Планка существенно меньше коэффициентов диффузии. В ряде моделей, например модели HYCOM такое свойство имеет место. Тогда уравнения Фоккера- Планка допускают решения в квадратурах и расчет ковариаций  можно получить аналитически. Приводятся основные решения для этого случая.

В параграфе 7 рассматривается задача инициализации, когда требуется определить начальное поле, которое приводит к оптимальной траектории, минимизирующей разность модельного и наблюдаемого полей. Строится система уравнений, аналогичная 8.1-8.2, но включающая обратный оператор . В случае, когда оператор  представим в виде и , где -единичный оператор, задача сводится к последовательному решению систем линейных уравнений с симметричной матрицей. В ряде численных моделей океана, например, в модели НУСОМ такое приближение оправдано.

       В Главе 3 применяется предложенный математический метод для анализа состояния и изменчивости океана в районе Северного субполярного фронта Атлантики. Использовались данные съемок по температуре и солености, сделанные в период 1983-1991гг Научно-Исследовательскими судами погоды Государственного Океанографического Института (НИСП ГОИН) СССР (России). Данные съемок НИСП усваивались в модифицированную автором, совместно с В.Н.Соловьевым, модель Саркисяна –Кныша [8].

.        В первом параграфе детально описываются уравнения модели, ее граничные и начальные условия, методы расчетов. Обосновывается выбор параметров модели, например, коэффициентов вязкости, теплопроводности и пр. Делаются расчеты по модели без усвоения, показывается адекватность этих расчетов в соответствии с априорно известными результатами и расчетами, сделанными по другим моделям в выбранном районе. Делается вывод, что предлагаемая модель может быть использована для анализа и усвоения данных по различным схемам усвоения.

Во втором параграфе  описываются эксперименты с усвоением данных океана. Подробно излагается вся стратегия экспериментов- выбор начального условия, района усвоения, определения на каждый эксперимент усвоения граничных условий на боковых границах и на поверхности океана. Схема усвоения основана на формулах (8.1)-(8.2) при специальном выборе параметров. Ковариации между наблюдениями с индексами задавались по формулам , где дисперсия соответственно точек пространства наблюдений с индексами , - Эвклидово расстояние между этими точками, а параметр задавался заранее.  Невязка С выбиралась как разность между средним по площади модельным полем и средним значением всех усваиваемых величин (температуры и солености).  В этом же параграфе приводятся результаты по исследованию чувствительности модели по отношению к возмущениям на боковых границах.

В третьем параграфе приводятся результаты расчетов по вышеописанной модели с усвоением данных различных интегральных геофизических характеристик, в частности, для тепло- и солесодержания, потоков тепла и пресных вод, различных энергетических параметров.  Расчеты делаются для различных зон, характерных для района НЭАЗО и для различных периодов. На рис.3 приводятся кривые, характеризующие теплосодержание данного района и его изменчивость в 83-91 гг. Для сравнения указана модель Морского Гидрофизического Института (Кныш ВВ., Коротаев Г.М,1988)

Рис. 3. Расчеты теплосодержания (сезонный ход). (1) нелинейная модель общий ход,  (2) по модели МГИ: 1)-общий объем теплосодержания, 2)-зона теплых вод, 3)- промежуточная зона, 4) –зона холодных вод.

Из последнего графика, например видны увеличение расходов тепла в зимний период 1982-90 г. Имеет место также общее увеличение теплосодержания в конце 80 гг. прошлого века. Интересные результаты, которые подтверждаются целым рядом независимых наблюдений.

В четвертом параграфе рассматривается сезонная и многолетняя изменчивость кинетической энергии на НЭАЗО. Энергия рассчитывалась по формуле , где и, v — горизонтальные составляющие скорости потока, — плот­ность,  h -— толщина слоя, т.е.реально изучалась удельная, приведенная к единице площади, проинтегрированная по вертикали кинетическая энергия течений. Изучение такой величины имеет  смысл, т.к. эта величина реально отражает динамические свойства водных масс в данной зоне.

 

(а)

  (б)

Рис. 4. Сезонная и межгодовая изменчивость средней по объему кинетической энергии течений в НЭАЗО, (а)-сезонная, (б)-межгодовая. На рис. 4(б) сплошная линия (2)-лето, пунктир (1)-зима

На рис. 4 (а,б). показана сезонная и межгодовая изменчивость средней по объему кинетической энергии в слое 0-200м, причем отдельно для зимних и летних значений. Как и для теплосодержания и расходов тепла, виден рост значений энергии к концу 80гг и заметный минимум в районе 86-87 гг.  Количество съемок при этом было одного порядка, т.ч. такая изменчивость не может быть объяснена только техническими причинами, а действительно наблюдается в природе

По положению максимума кинетической энергии можно определить положение фронтальной зоны и изучать ее изменчивость. Таким образом, изучалось  положение фронтальной зоны на поверхности океана за сезон (зима-весна-лето осень), среднее за период 1982-1991 гг.  Заметна  волновая динамика, характерная для фронтов, а также некоторая размытость фронта  в летне-осенний период и наоборот, усиление структуры основного потока  в зимний период.

В пятом параграфе  изучалась взаимосвязь исследуемых интегральных характеристик. Строились взаимно- корреляционные функции, спектральные функции, проводился факторный анализ временных рядов за указанный период-1982-1991 гг.  Проведенный статистический анализ показал ряд связей между интегральными характеристиками в районе НЭАЗО. В частности, показано, что изменения доступной потенциальной энергии в сезонном ходе опережают изменения теплосодержания на 5-6 месяцев. Показано влияние теплосодержания на кинетическую энергию и объяснена физическая причина таких связей. Приводится также ряд других результатов.

В Главе 4 рассматривается применение предложенного метода к анализу состояния и динамики вод в тропической зоне Атлантики и Тихого океана. При этом использовались современные модели циркуляции океана (state-of-the art) MOM3, MOM4, COLA, EGMAM, HOPE и данные экспериментов PIRATA, TOGA-TAO, ARGO. В первом параграфе описывается выбор конфигурации, сеточного разрешения, начальных и граничных условий, а также стратегия проведения экспериментов для моделей MOM3 и MOM4, сгенерированных для тропической Атлантики. В эксперименте усваивались данные с буев PIRATA (Pilot Research Array in the Tropical Atlantic). Данные с 11 уровней от поверхности до 500 м интерполировались в узлы модели по вертикали.

Во втором параграфе исследуются свойства модельного термического поля океана после  усвоения данных. Показывается, что в результате усвоения дисперсия разности между наблюдениями и модельным полем уменьшается, дисперсия прогноза модельного поля на сутки вперед (т.е. разности прогностического поля на сутки вперед и наблюдений, сделанных в этот момент) падает со временем и скорректированные профили температуры становятся ближе к реально наблюдаемым температурным профилям.

Рис. 5. Поведение дисперсии ошибки модели, осредненной по слою 0-500м относительно наблюдений в течение марта 1999г. Верхняя кривая-контроль, посередине - ошибка прогноза на сутки вперед, внизу - ошибка анализа. Ось Х-время (дни)

 

Рис. 6. Термические профили в т. 20з.д. 0с.ш., март 1999 г. Открытые кружки - контроль, черные кружки - усвоение, белые квадраты-наблюдения. Ось Х - градусы Цельсия.

Изучается также пространственное влияние усвоения на поля температуры, их коррекция в пространстве.

В третьем параграфе рассматривается задача инициализации - восстановления начального поля, стартуя с которого можно наилучшим образом воспроизвести наблюдаемые значения. Метод инициализации изложен выше, в главе 2 §7; наблюдаемые данные брались из Атласа Левитуса за 1999г. Как и в параграфе 2 использовалась модель МОМ3, данные по атмосфере из архива NCEP/NCAR. В параграфе 3 показано влияние данных с трехдневной задержкой и оценена разность между текущим усвоением (коррекцией) и усвоением, сделанным с трехдневным лагом.

В четвертом параграфе исследуется влияние усвоения данных по температуре с буев на динамические характеристики, получаемые по модели. Понятно, что в результате изменения поля температуры изменяются все согласованные с этим полем модельные характеристики, как наблюдаемые непосредственно, так и ненаблюдаемые. В частности, модель продуцирует после усвоения новое поле скорости. В диссертации приводятся расчеты поля скорости до и после усвоения и эти расчеты сравниваются с аналогичными расчетами, сделанными независимо в Geophysic Dynamic Laboratory (USA) и взятыми нами с сайта GFDL (www.gfdl.gov). Из этих результатов видно, что влияние усвоения в нашей схеме существеннее, амплитуда течений увеличивается сильнее, но знак и направления изменений совпадают.  Кроме того, следует отметить влияние усвоения также в том, что течения после усвоения на поверхности океана в предлагаемой схеме не проникают до берегов Африки, что следует непосредственно из модели, и что противоречит данным измерений.  В этом же параграфе рассматривается задача настройки параметров на примере той же модели. Исследуется чувствительность стандартной модели гидродинамики к возмущениям плотности, если делается замена плотности , где - плотность после усвоения, - исходная плотность и - динамическая добавка, получаемая в результате усвоения. В результате получается система уравнений для добавочной скорости, отвечающей дополнительной поправке плотности. Эта дополнительная скорость может быть аналитически и численно определена и сглажена стандартными методами. В работе приводятся расчеты, сделанные по данной схеме.

В пятом параграфе приводятся расчеты по модели HYCOM с усвоением данных наблюдений в океане методами параллельного программирования. Использованы те же схемы усвоения, что и ранее, но специфика задачи состоит в том, что весь регион разбит на подобласти, в которых расчет происходит независимо. При усвоении данных в океане приходится передавать информацию из одной подобласти в другую, что приводит к необходимости модифицировать методы усвоения.  На рис. 7 показана схема разбиения региона Атлантики на подобласти

Рис. 7. Схема разбиения региона исследования на подобласти при параллельном расчете

В этом параграфе проводятся расчеты характеристик полей по предложенной схеме усвоения и данным эксперимента АРГО. Проводится также сравнение предложенного метода с другими популярными схемами усвоения, в частности схемой расширенного фильтра Калмана (EKF) и схемой объективного анализа (OI), также известного как схема статистической интерполяции. Результаты моделирования сравниваются также с данными наблюдений, независящих от усвоения. Изучались расчеты по 4-м схемам - контроль, с усвоением по методу оптимальной интерполяции, по методу Калмана и по предлагаемому методу. Из этих результатов следует, что модель без усвоения завышает значения температуры воды на поверхности, например, изотерма 27°С проходит гораздо южнее аналогичной изотермы в других схемах. В расчетах (в) и (г) гораздо лучше выражена синоптическая изменчивость, особенно хорошо это видно в северной части расчетной области. Есть и другие особенности, обращающие на себя внимание.  Кроме того, в работе показываются независимые от усвоения поля поверхностной температуры воды, взятые из Атласа Рейнольдса (www.noaa.gov) Показано, что усвоение данных действительно приближает модельные расчеты к наблюдаемым величинам.

Сравнивалось качество методов. Метод сравнения основывался на поведении ошибки прогноза на сутки вперед, сделанного с начальных полей, построенных с помощью различных схем усвоения, а также сравнивалось поведение анализируемых профилей температуры и солености в тех точках, где есть наблюдения. Сравнение методов в точке, где усваиваются данные наблюдений, безусловно, свидетельствует в пользу изучаемого метода. На рис 8 показаны профили температуры (справа) и солености (слева) в точке с координатами 15°з.д., 5°с.ш., где усваивались данные АРГО. Данные показаны темными кружками, а модельные кривые – различными линиями: черная сплошная - контроль, черная пунктир - OI, пунктир – EKF, тонкая сплошная - предлагаемый метод. Видно, что наблюдения лучше ложатся именно на последнюю кривую. 

Рис. 8. Наблюдения и модельные кривые в точке в координатами (15°в.д, 5°с.ш.)

В шестом параграфе приводятся результаты по усвоению данных ТОГА-ТАО в модель НОРЕ (Hamburg Ocean Primitive Equation Model), разработанной в Метеорологическом Институте им. М.Планка (Германия). Особенностью конфигурации данной модели является ее неравномерная сетка, с частым разрешением в районе Северной Атлантики и достаточно грубым разрешением в тропической зоне Тихого океана, что требует применения метода усвоения для компенсации недостатков модельного воспроизведения динамики океана. В этом параграфе применялась схема климатической коррекции, описанная в Главе 2.. Данные по температуре с буев интерполировались в уровни модели, и применялась вышеописанная схема усвоения.

Показано, как изменялись профили температуры воды после усвоения и как при этом выглядели чисто модельные профили (т.е. контрольный расчет без усвоения) за каждые 2 месяца 1997г, начиная с января. Расчеты сделаны в точке с координатами 0°с.ш., 100°з.д. Из этих расчетов хорошо видно, что в схеме климатической коррекции со временем скорректированные профили приобретают физически оправданную структуру и действительно исправляют чисто модельные недостатки, хотя в начале расчетов эти профили близки. На рис 9. приводится разница между скорректированным и модельным полями на конец усвоения на горизонте 50 м. 

Рис. 9. Разность между скорректированным и чисто модельным полями на конец усвоения (уровень 50м)

Интересно сравнить эту разность с рис. 1, где использовались та же модель и те же данные, но схема усвоения была принципиально другой, чисто искусственной. Видно, что рис 9 отражает реальную физику, лежащую в основе ковариационных связей, используемых при усвоении данных наблюдений в океане.

В Главе 5 рассматриваются задачи формирования начальных полей в океане с помощью методов усвоения и анализа прогностических экспериментов в совместных моделях «океан-атмосфера», стартующих с этих начальных условий. Такого рода задачи очень важны и интересны для построения как средне - и долгосрочных прогнозов погоды и климата, так и изучения различных сценариев климатических изменений.

В первом параграфе изучается проблема замыкания теплового баланса в выделенной зоне океана – Ньюфаундленской ЭАЗО. Задача ставится следующим образом: требуется посчитать модельные расходы теплосодержания в выделенной зоне океана скорректированными методами усвоения данных наблюдений в течение заданного периода времени  и сравнить их с известными расходами тепла (явного и скрытого) за  тот же период.  Расчет потоков между океаном и атмосферой осуществляется по стандартным балк - формулам. Для расчетов использовалась модель, описанная в Главе 3, метод усвоения с ковариационной функцией, заданной формулой (обозначения см. выше), и данных съемок НИСП ГОИН, эксперимент Ньюфауэкс-88. В результате расчетов было показано, что расчеты баланса тепла удовлетворительно (точность около 10%) замыкаются в выделенной  подобласти НЭАЗО, характеризуемой отсутствием сильных внешних течений (малоадвективной зоне), и недостаточно точно (ошибка порядка 30%)  во всей области.

Во втором параграфе рассматривалась задача выбора расчетной области и начальных условий в Тропической Атлантике для последующих прогностических экспериментов с совместной моделью СОLA (Centre Ocean-Land-Atmosphere, Maryland, USA). Начальное поле строилось после проведения эксперимента Spin Up отдельно с моделью океана, последовательного форсинга сначала климатической (данные NCEP/NCAR) а затем реальной атмосферой – реанализ полей ветра и потоков тепла  (данные

университета Флориды), и анализ, а затем  вычитание наблюдаемого и модельного трендов, как это видно на рис. 10.

Рис. 10. Средняя по области разность аномалий наблюдаемой и модельной ТПО

После этих действий проводилось усвоение данных(ТПО и данных PIRATA) и строились начальные поля ТПО, которые сравнивались с наблюдаемыми (Рейнольс). Изучалась разность аномалий (поля минус среднее) до и после коррекции.

В третьем параграфе построенные поля ТПО задавались в качестве начальных в совместную модель, и проводился прогностический эксперимент на 1, 2, 3, 6 и 12 месяцев. Результаты прогноза сравнивались с данными наблюдений (Рейнольдс) а также с инерционным прогнозом. Для оценки качества прогноза вводились характеристики

и ), где

-соответственно модельная и наблюдаемая аномалии, а n — число точек в расчетной области. Были проведены 20 прогностических экспериментов. В работе анализируются их  результаты. Например, показано, что в среднем модельный прогноз лучше инерционного, но в 6 случаях из 20 было наоборот. Проанализированы случаи, когда модельный прогноз был хуже инерционного, и дано объяснение некоторых особенностей данного явления. 

       В четвертом параграфе строятся прогностические значения температуры, и дается их достоверность для глубокого океана. Строится модельный прогноз с усвоением данных океана и без усвоения, и эти прогнозы сравниваются с реальными наблюдениям,  именно, данными по температуре с  буев PIRATA. Качество прогноза оценивается по формуле

, где -наблюдения в точке (местоположении буя) с индексом i, -прогностическое значение модели. Прогностические значения сравниваются с контрольными величинами, а также со значениями модели, посчитанными непосредственно после усвоения (анализ).  На рис. 11 показаны дисперсии контроля (вверху), прогноза (средняя кривая) и анализа (внизу). Если усвоение прекратить на 15 день, то пунктиром показано поведение кривой после остановки усвоения.

 

Рис. 11. Поведение дисперсии прогностической ошибки. Вверху - на 40 м, внизу на 500м

Из этих кривых следует, что прогноз на поверхности краткосрочен, менее чем через 2 недели океан «забывает» те начальные условия, что были в основе данного прогноза и выходит на чисто вынужденное решение. Наоборот, в глубине океана инерция велика, и если вначале усвоение даже ухудшает прогноз, то в конце поведение прогностической кривой с усвоением заметно лучше, чем контрольной кривой.

В пятом параграфе изучается чувствительность модели НОРЕ – ЕСНАМ к возмущению начальных условий в океане, вызванному усвоению данных ТОГА-ТАО. По предложенной схеме проводится усвоение в тропической зоне Тихого океана, и затем модель стартует с новых начальных условий. Проводятся прогностические расчеты на 1, 2, 3, 6 и 11 месяцев. Расчеты проводятся как для усвоения всех данных ТОГА, так и по подобластям. Таким образом проводятся т.н. ансамблевые эксперименты, когда строится ансамбль начальных состояний, и для каждого из начальных состояний проводится интегрирование модели на заданный период. В работе показываются, какие регионы локально чувствительны к возмущению в тропической зоне Тихого океана, как именно глобально передается возмущение, насколько верхние слои океана более восприимчивы к возмущениям, чем глубинные. Анализировались причины и последствия такой реакции. Конкретно, показано, что сигнал на поверхности океана  передается глобально, наиболее чувствительны к возмущениям т.н. энергоактивные зоны океана, кроме того, знак аномалии меняется примерно через 10-11 месяцев, т.е. первоначально положительной аномалии в тропической зоне Тихого океана через 10-11 месяцев соответствует отрицательная аномалия в этой же области. Этот результат находится в хорошем согласии с теорией El Nio [9] и данными наблюдений.

В Заключении работы еще раз формулируются положения, выносимые на защиту и приведенные выше в пункте «научная новизна.». Кроме того, в Заключении обсуждается возможности усвоения наблюдаемой информации, которая не исследовалось в данной работе. Это и данные альтиметрии, и данные химических трассеров, и данные акустических датчиков, и ряд других возможностей. Все эти наблюдения в принципе подходят под теорию, предлагаемую в настоящей работе, однако естественно имеют свою специфику. В Заключении обсуждается, какие именно модификации следует сделать, чтобы вовлечь данные альтиметрии, и спутниковые данные ТПО и усвоить их совместно с данными температурных и  соленостных профилей. Это тема будущих исследований.

       Основные результаты работы.

  1. Построена теоретическая модель, на основе которой апробирован новый метод усвоения, использующий применение теории диффузионных случайных процессов и уравнении Фоккера-Планка. Метод аналитически обоснован, реализован в виде комплекса программ и применен для анализа данных с различными моделями циркуляции океана, а также совместными моделями взаимодействия океана и атмосферы.
  2. На основе данного метода построены трехмерные модельные поля основных гидродинамических характеристик океана, таких как температура, соленость, скорость течений,  плотность и др. Изучена их пространственная и временная изменчивость за определенный период. Строились и изучались также производные основных характеристик, такие как тепло и солесодержание, переносы тепла и пресной воды, расходы тепла и солей, энергия течений, а также взаимосвязи между ними.
  3. Предложенный метод сравнивался с известными схемами усвоения, такими как обобщенный фильтр Калмана, методы статистической интерполяции и ряд других. В работе показана безусловная конкурентоспособность предложенной методики и ее преимущества по ряду параметров.

Благодарности. Автор выражает свою признательность и посвящает свою работу памяти безвременно ушедшего своего учителя и соавтора ряда работ, проф. С.С. Лаппо, работа с которым и под руководством которого и дала возможность провести настоящее исследование. Автор также благодарит своих российских коллег и соавторов - проф. Гулева С.К., дф-мн. Морозова Е.Г., кгн Терещенкова В.П., кф-мн Тучкову Н.П.,  Соловьева В.Н. , своих зарубежных коллег и соавторов многих работ- проф. Танажуру (С.А.S. Tanajura), Бразилия, проф. У. Кубаша (U. Cubasch), Германия,  проф. Дж. О'Брайена (J.J. O'Brien),США.

Основные публикации по теме диссертации

  1. Беляев К.П., Михайлов Г.М., Пархоменко В.П., Тучкова Н.П.,

Танажура К.. Методы усвоения натурных данных в гидродинамических моделях и их применение для анализа и прогноза характеристик мирового океана. М: ВЦ РАН, 2007. 236 с. ISBN 5-201-09878-9

2. Беляев К.П., Лаппо С.С. Музыченко А.С., Селеменов К.М. Анализ статистических закономерностей временной изменчивости поверхностной температуры воды в Атлантическом и Тихом океанах// Сб. Статистические закономерности климатической изменчивости океанов, ред. Лаппо С.С. Л: Гидрометиздат, 1988. С. 3-55.

3. Беляев К.П., Музыченко А.С., Селеменов К.М. Статистические характеристики формирования  аномалий поверхностной температуры воды. //Сб. Статистические закономерности климатической изменчивости океанов, ред. Лаппо С.С. Л: Гидрометиздат, 1988. С. 65-72

4 Беляев К.П., Лаппо С.С, Терещенков В.П Анализ изменчивости гидрологических полей северного субполярного фронта на основе модели фронтально-захваченных волн Россби. // Морской гидрофизический журнал, 1990. №4. С. 30-38

5. Беляев К.П. Гулев С.К. Лаппо С.С. Терещенков В.П.  Оценки теплобаланса в районе Ньюфаундленской Энергоактивной зоне на основе методов четырехмерного анализа и результатов эксперимента Ньюфаэкс-90 // Изв. АН СССР. сер ФАО. 1990. Т.26, №10, С. 1098-1102 

6.  Aлександрочкин А.А., Беляев К.П., Ломинский О.В., Терещенков В.П. Структура разделения вод на НЭАЗО по результатам моделирования методом четырехмерного анализа // Метеорология и Гидрология, 1993. №8. С. 55-62

7 Александрочкин А.А. ,Беляев К.П.  Анализ интегральных характеристик в районе Ньюфаундленской энергоактивной зоны //Метеорология и Гидрология. 1995. №8. С. 43-49.

8. Александрочкин А.А., Беляев К.П. Взаимосвязи различных характеристик в районе северного субполярного фронта //Океанология, 1995.Т. 35. №1.С. 13-18.

9. Aлександрочкин А.А., Беляев К.П. Изменчивость субполярного фронта Северной Атлантики // Метеорология и Гидрология, 1996. № 7. С. 55-65.

10. Беляев К.П., Соловьев В.Н. О численных расчетах уравнений термогидродинамики, моделирующих океанические течения в районе субполярного фронта северной Атлантики // Матем. Моделирование. 1996. Т. 8. №11. С.87–95.

  11. Беляев К.П., Соловьев В.Н.. Распространение тепловых аномалий в гидродинамической модели в районе субполярного фронта Северной Атлантики // Метеорология и Гидрология. 1998. №9. С. 74-80.

  12. Беляев К.П., Соловьев В.Н. О коррекции параметров численной модели с помощью данных измерений // Матем. Моделирование. 2001. Т.13. №10. С.3–16.

13. Беляев К.П., Соловьев В.Н., Танажура К.А.С. Численные эксперименты с совместной моделью в районе тропической Атлантики // Метеорология и Гидрология. 2001. № 3. С. 47-56.

14. Беляев К.П., Соловьев В.Н., Танажура К.А.С. Метод усвоения океанологической информации в совместной модели «океан-атмосфера» и его применения для анализа состояния океана в тропической Атлантике // Океанология. 2004. Т. 44. №1. С. 71-81.

15. Беляев К.П., Мюллер Д., Танажура К.А.С. Метод усвоения данных наблюдений  и его применения для коррекции состояния океана // Океанология. 2005. Т. 45. №1. С. 26-36.

16. Беляев К.П., Тучкова Н.П., Кирхнер И., Метод коррекции модельных расчетов по данным измерений, основанный на диффузионном приближении, и его применения для анализа гидрофизических характеристик // Матем. Моделирование. 2009. Т. 21. №3. С. 53–68.

17. Беляев К.П., Тучкова Н.П., Кубаш У. Реакция совместной модели «океан-атмосфера» на усвоение данных в тропической зоне Тихого океана // Океанология. 2010. Т. 50. №3. С. 306-316.

18. Belyaev K., Nazarov L. Limit theorems for characteristics of a queuing system with batch processing // Theory Prob. Appl.1995. V. 40. N4. P. 73-78.

  19. Belyaev К. Mayers S., O’Brien J.J. Application of the Fokker-Planck Equation to Data assimilation into Hydrodynamical Models // J. Math. Sciences. 2000. V. 99. N4. P. 1393-1402.

  20. Belyaev K, Tanajura C.A.S, O’Brien J.J. A data assimilation method used with an ocean circulation model and its application to the tropical Atlantic //Applied Math. Modelling. 2001. V. 25. №8. P. 655-670.

  21. Belyaev K., Nobre P., O’Brien J.J. A data assimilation method used with an ocean circulation model and its application to the tropical Atlantic data analysis // J. Math. Sciences. 2001.V. 106. N2. P. 2792-2802.

22. Belyaev K., Tanajura C.A.S. An extension of a data assimilation method based on the application of the Fokker-Planck equation // Applied Math. Modelling. 2002. V. 26. N10. P. 1019-1027.

  23. Tanajura C., Belyaev K. On the oceanic impact of a data assimilation method in a coupled ocean-land-atmosphere-model // Ocean Dynamics. 2002. V. 52. N3. P. 123-132.

24. Belyaev K., Tanajura C.A.S. On the correction of perturbations due to data assimilation in ocean circulation models // Applied Math. Modelling. 2005. V. 29. N7. P. 609-709.

25. Belyaev K., Mueller D., Tanajura C.A.S. Mathematic properties of data assimilation method based on the diffusion stochastic process // WSEAS Trans. Math. 2006. V. 5. N11. P. 1226-1233.

26. Tanajura C.A.S., Belyaev K. A sequential data assimilation method based on the properties of diffusion-type process // Applied Math. Modelling. 2009. V. 33. N5. P. 2165-2174.

Список цитируемой литературы

  1. 1. Ghil M., Malanotte-Rizzoli P., Data assimilations in meteorology and oceanography // Adv. Geophys. 1991. V. 33. P. 141–266.
  2. Cohn S. An introduction to estimation theory // J. Meteor. Soc. Jpn. 1997. V. 75. P. 257–288.
  3. Марчук Г.И. Методы  вычислительной математики. М.: Наука, 1977. 456 с.
  4. Винер Н. Нелинейные задачи в теории случайных процессов. М.: ИЛ, 1961. 158 с.
  5. Колмогоров А.Н. Интерполирование и экстраполирование стационарных случайных последовательностей // Изв. АН СССР, Сер. Mат. 1941. № 5. С. 3–14.
  6. Kalman R. A new approach to linear filtering and prediction problems // Journal of Basic Engineering. 1960. V. 82. P. 35–45.
  7. Evensen G. Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics // J. Geophys. Res. 1994. V. 99. P. 10143-10162.
  8. Кныш В.В., Моисеенко В.А., Чернов В.В. Мониторинг гидрофизических полей Ньюфаундленской энергоактивной области на основе четырехмерного анализа данных наблюдений в 1982-1986 гг. // ВИНИТИ: Итоги науки и техники, сер. Атмосфера-Океан-Космос - Программа Разрезы. 1990. T. 13. С. 154-167.
  9. Matsuno T. Isopycnal Mixing in Ocean Circulation Models // J. Phys. Oceanogr. 1966. V. 17. P. 150-155.
 



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.