Исследование чувствительности алгоритма усвоения малочисленных данных наблюдений в модели динамики океана

М. Н. Кауркин1,✉, Р. А. Ибраев1,2,3

1 Институт океанологии им. П. П. Ширшова РАН, Москва, Россия

2 Институт вычислительной математики им. Г. И. Марчука РАН, Москва, Россия

3 Московский физико-технический институт (национальный исследовательский университет), Долгопрудный, Россия

✉ e-mail: kaurkinmn@gmail.com

Аннотация

Введение. Проведен анализ оригинальной параллельной реализации метода ансамблевой оптимальной интерполяции для усвоения данных наблюдений в модели динамики океана Института вычислительной математики и Института океанологии (модель ИВМИО) с разрешением 0,1° для региона Северной Атлантики.

Материалы и методы. На основе известного («истинного») модельного состояния океана были выделены температурные профили (около 70 в сутки, глубина до 1500 м), которые использовались в качестве синтетических данных наблюдений. После возмущения начального условия проведены численные эксперименты для оценки скорости и точности приближения всего модельного решения к «истинному» состоянию океана по мере усвоения температурных профилей.

Анализ результатов. Дан качественный анализ результатов, приведены графики среднеквадратической и средней ошибок модельного решения. Для исследования чувствительности метода к объему используемых данных наблюдений были выполнены эксперименты с уменьшающимся количеством точек наблюдений (1/2, 1/4, 1/8 и 1/16 часть всех температурных профилей), которые показали, что усвоение даже единичных данных способно существенно повысить качество модельного прогноза.

Обсуждение и заключение. Продемонстрировано, что использование метода ансамблевой интерполяции с привлечением относительно малочисленных данных способно существенно улучшить все модельное решение даже для тех регионов, где данных наблюдений было мало или не было вовсе. Только за счет усвоения всего за 3–4 дня среднеквадратическая ошибка для модельного поля ТПО уменьшается на 1,5°C, а среднее отклонение становится практически равным нулю по всей расчетной области.

Ключевые слова

моделирование динамики океана, усвоение данных наблюдений, ансамблевая оптимальная интерполяция, вихреразрешающая модель, данные Argo

Благодарности

Работа выполнена в рамках государственного задания ФАНО России (тема № 0149-2018-0020) при частичной поддержке РФФИ (проект № 16-05-01101). При проведении расчетов использовались ресурсы Межведомственного суперкомпьютерного центра РАН.

Для цитирования

Кауркин М. Н., Ибраев Р. А. Исследование чувствительности алгоритма усвоения малочисленных данных наблюдений в модели динамики океана // Морской гидрофизический журнал. Т. 35, № 2. С. 105–113. EDN EQDPLD. doi:10.22449/0233-7584-2019-2-105-113

Kaurkin, M.N. and Ibrayev, R.A., 2019. Study of Sensitivity of the Algorithm for Assimilating Small Amount of Data in the Ocean Dynamics Model. Physical Oceanography, 26(2), pp. 96-103. doi:10.22449/1573-160X-2019-2-96-103

DOI

10.22449/0233-7584-2019-2-105-113

Список литературы

  1. Kaurkin M., Ibrayev R., Koromyslov A. EnOI-Based Data Assimilation Technology for Satellite Observations and ARGO Float Measurements in a High Resolution Global Ocean Model Using the CMF Platform // Supercomputing. RuSCDays 2016 / Eds. V. Voevodin, S. Sobolev. Сham : Springer, 2016. P. 57–66. https://doi.org/10.1007/978-3-319-55669-7_5
  2. Кауркин М. Н., Ибраев Р. А., Беляев К. П. Усвоение данных АРГО в модель динамики океана с высоким разрешением по методу ансамблевой оптимальной интерполяции (EnOI) // Океанология. 2016. T. 56, № 6. С. 852–860. doi:10.7868/S0030157416060058
  3. Кауркин М. Н., Ибраев Р. А., Беляев К. П. Усвоение данных альтиметрии в модели динамики океана методом ансамблевой интерполяции // Известия РАН. Физика атмосферы и океана. 2018. Т. 54, № 1. С. 64–72. doi:10.7868/S0003351518010075
  4. Коротаев Г. К., Лишаев П. Н., Кныш В. В. Восстановление трехмерных полей солености и температуры Черного моря по данным спутниковых альтиметрических измерений // Исследование Земли из космоса. 2016. № 1–2. С. 199–212. doi:10.7868/S0205961416010073
  5. Operational oceanography in the 21st century / Eds. A. Schiller, G. B. Brassington. Dordrecht, The Netherlands : Springer, 2011. 745 p. doi:10.1007/978-94-007-0332-2-18
  6. Assessing the impact of observations on ocean forecasts and reanalyses: Part 1, Global studies / P. R. Oke [et al.] // Journal of Operational Oceanography. 2015. Vol. 8, suppl. 1. P. 49–62. doi:10.1080/1755876X.2015.1022067
  7. Ocean Data Assimilation Systems for GODAE / J. Cummings [et al.] // Oceanography. 2009. Vol. 22, no. 3. P. 96–109. doi:10.5670/oceanog.2009.69
  8. Belyaev K. P., Tuchkova N. P., Cubash U. Response of a coupled ocean-ice-atmosphere model to data assimilation in the tropical zone of the Pacific Ocean // Oceanology. 2010. Vol. 50, iss. 3. P. 306–316. doi:10.1134/S0001437010030021
  9. Assimilation of hydrological observation data for calculating currents in seas and oceans / V. V. Knysh [et al.] // Izvestiya, Atmospheric and Oceanic Physics. 2012. Vol. 48, iss. 1. P. 57−73. doi:10.1134/S0001433812010057
  10. Ибраев Р. А., Хабеев Р. Н., Ушаков К. В. Вихреразрешающая 1/10° модель Мирового океана // Известия РАН. Физика атмосферы и океана. 2012. Т. 48, № 1. С. 45–55. doi:10.1134/S0001433812010045
  11. Ушаков К. В., Ибраев Р. А., Калмыков В. В. Воспроизведение климата Мирового океана с помощью массивно-параллельной численной модели // Известия РАН. Физика атмосферы и океана. 2015. Т. 51, № 4. С. 416–436. doi:10.1134/S0001433815040131
  12. Compact Modeling Framework v3.0 for high-resolution global ocean-ice-atmosphere models / V. V. Kalmykov [et al.] // Geoscientific Model Development. 2018. Vol. 11, no. 10. P. 3983–3997. https://doi.org/10.5194/gmd-11-3983-2018
  13. Evensen G. The Ensemble Kalman Filter: Theoretical Formulation and Practical Implementation // Ocean Dynamics. 2003. Vol. 53, no. 4. P. 343–367.
  14. Evensen G. Data Assimilation: The Ensemble Kalman Filter. Berlin : Springer, 2009. 307 p. http://dx.doi.org/10.1007/978-3-642-03711-5
  15. The REMO Ocean Data Assimilation System into HYCOM (RODAS_H): General Description and Preliminary Results / C. A. S. Tanajura [et al.] // Atmospheric and Oceanic Science Letters. 2014. Vol. 7, no. 5. P. 464–470. doi:10.3878/j.issn.1674-2834.14.0011
  16. Ocean data assimilation: a case for ensemble optimal interpolation / P. R. Oke [et al.] // Australian Meteorological and Oceanographic Journal. 2010. Vol. 59. P. 67–76. https://doi.org/10.22499/2.5901.008
  17. Cummings J. A. Operational multivariate ocean data assimilation // Quarterly Journal of the Royal Meteorological Society. 2005. Vol. 131, iss. 613. P. 3583–3604. doi:10.1256/qj.05.105
  18. Oke P. R., Sakov P., Corney S. P. Impacts of localisation in the EnKF and EnOI: experiments with a small model // Ocean Dynamics. 2007. Vol. 57, iss. 1. P. 32–45. doi:10.1007/s10236-006-0088-8

Скачать статью в PDF-формате