Пространственно-временная изменчивость модельных характеристик в Южной Атлантике

И. Д. Дейнего1, И. Ансорг2, К. П. Беляев1,3,✉, Н. А. Дианский4

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

2 Университет Кейптауна, Отделение океанографии, Кейптаун, ЮАР

3 Вычислительный центр РАН им. А. А. Дородницына, Москва, Россия

4 Московский государственный университет им. М. В. Ломоносова, Москва, Россия

✉ e-mail: kosbel55@gmail.com

Аннотация

Цель. Изучение пространственно-временной изменчивости некоторых модельных характеристик, в частности поля уровня океана в Южной Атлантике, – цель настоящей работы.

Методы и результаты. Основным методом исследования служит метод разложения аномалий уровня по естественным ортогональным составляющим (Karhunen-Loeve decomposition). Изучается изменчивость собственных чисел и векторов соответствующих ковариационных матриц, их распределение во времени и пространстве. Показывается, как данный метод может быть применен к ассимиляции наблюдаемых данных, и анализируется физический смысл этой ассимиляции. Рассматривается математическая модель гидродинамики океана, разработанная в Институте вычислительной математики РАН, сформулирована задача динамико-стохасти-ческой и гибридной ассимиляции данных уровня океана. Приведены результаты сравнений пространственно-временной изменчивости модельного и наблюдаемого уровня в Южной Атлантике. Проанализированы сходство и различие этой изменчивости.

Выводы. Сделан анализ структуры взаимосвязи наблюдаемого и моделируемого полей уровня океана, что позволит в дальнейшем провести усвоение данных наблюдений с использованием полученных весовых матриц. Подобные исследования структур взаимосвязей характеристик для полей поверхностной температуры океана, поверхностных течений, совместных ковариационных связей и не только позволят понять, как именно наблюдаемые величины корректируют модельный расчет. Показан климатический ход собственных векторов и чисел, их временная и пространственная изменчивость. Данная методика позволит более детально моделировать и прогнозировать гидродинамические процессы в Южной Атлантике и проводить дальнейший анализ их природы.

Ключевые слова

математическая модель, разложение по естественным ортогональным составляющим, динамико-стохастическая ассимиляция, Южная Атлантика

Благодарности

Работа выполнена по заданию Министерства науки и высшего образования РФ № 0149-2019-0004, а также при частичной поддержке гранта РФФИ № 19-57-60001 (модельные расчеты). Работа И. Ансорг была поддержана грантом UID 118901 Национальным научным фондом Южно-Африканской Республики.

Для цитирования

Пространственно-временная изменчивость модельных характеристик в Южной Атлантике / И. Д. Дейнего [и др.] // Морской гидрофизический журнал. 2019. Т. 35, № 6. С. 572–584. EDN NQOQBK. doi:10.22449/0233-7584-2019-6-572-584

Deinego, I.D., Ansorge, I., Belyaev, K.P. and Diansky, N.A., 2019. Spatial-Temporal Variability of the Model Characteristics in the Southern Atlantic. Physical Oceanography, 26(6), pp. 504-514. doi:10.22449/1573-160X-2019-6-504-514

DOI

10.22449/0233-7584-2019-6-572-584

Список литературы

  1. Ghil M., Malanotte-Rizzoli P. Data Assimilation in Meteorology and Oceanography // Advances in Geophysics. 1991. Vol. 33. P. 141–266. doi:10.1016/S0065-2687(08)60442-2
  2. A simpler formulation of forecast sensitivity to observations: application to ensemble Kalman filters / E. Kalnay [et al.] // Tellus A: Dynamic Meteorology and Oceanography. 2012. Vol. 64, iss. 1. 18462. https://doi.org/10.3402/tellusa.v64i0.18462
  3. Информационно-вычислительные технологии – новый этап развития оперативной океанографии / Г. И. Марчук [и др.] // Известия Российской академии наук. Физика атмосферы и океана. 2013. Т. 49, № 6. С. 629–642. doi:10.7868/S0002351513060114
  4. Marchuk G. I., Zalesny V. B. Modeling of the World Ocean Circulation with the Four-Dimensional Assimilation of Temperature and Salinity Fields // Izvestiya, Atmospheric and Oceanic Physics. 2012. Vol. 48, no. 1. P. 15–29. doi:10.1134/S0001433812010070
  5. Problems of variational assimilation of observational data for ocean general circulation models and methods for their solution / V. I. Agoshkov [et al.] // Izvestiya, Atmospheric and Oceanic Physics. 2010. Vol. 46, iss. 6. P. 677–712. doi:10.1134/S0001433810060034
  6. Агошков В. И., Пармузин Е. И., Шутяев В. П. Численный алгоритм вариационной ассимиляции данных наблюдений о температуре поверхности океана // Журнал вычислительной математики и математической физики. 2008. Т. 48, № 8. С. 1371–1391. doi:10.1134/S0965542508080046
  7. Marchuk G. I., Zalesny V. B. A numerical technique for geophysical data assimilation problem using Pontryagin’s principle and splitting-up method // Russian Journal of Numerical Analysis and Mathematical Modelling. 1993. Vol. 8, no. 4. P. 311–326. doi:https://doi.org/10.1515/rnam.1993.8.4.311
  8. Xie J., Zhu J. Ensemble optimal interpolation schemes for assimilating Argo profiles into a hybrid coordinate ocean model // Ocean Modelling. 2010. Vol. 33, iss. 3–4. P. 283–298. doi:10.1016/j.ocemod.2010.03.002
  9. Применение метода адаптивной статистики для реанализа полей Черного моря c асси-миляцией псевдоизмерений температуры и солености в модели / Г. К. Коротаев [и др.] // Морской гидрофизический журнал. 2018. Т. 34, № 1. С. 40–56. doi:10.22449/0233-7584-2018-1-40-56
  10. Беляев К. П., Танажура К. А. С., Тучкова Н. П. Сравнение методов усвоения данных буев “Арго” в гидродинамической модели океана // Океанология. 2012. Т. 52, № 5. C. 643–653. doi:10.1134/S0001437012050025
  11. An optimal data assimilation method and its application to the numerical simulation of the ocean dynamics / K. Belyaev [et al.] // Mathematical and Computer Modelling of Dynamical Systems. 2017. Vol. 24, iss. 1. P. 12–25. doi:10.1080/13873954.2017.1338300
  12. Марчук Г. И. Численные методы в прогнозе погоды. Л. : Гидрометеоиздат, 1967. 356 с.
  13. Marchuk G. I., Penenko V. V. Application of optimization methods to the problem of mathematical simulation of atmospheric processes and environment // Modelling and Optimization of Complex Systems: Proceedings of the IFIP-TC 7 Working Conference Novosibirsk, USSR, 3–9 July, 1978 / G. I. Marchuk (ed.). Berlin, Heidelberg : Springer, 1979. P. 240–252. doi:10.1007/BFb0004167
  14. Kalman R. E. A New Approach to Linear Filtering and Prediction Problems // Journal of Fluids Engineering. 1960. Vol. 82, iss. 1. P. 35–45. doi:10.1115/1.3662552
  15. Evensen G. Data Assimilation: The Ensemble Kalman Filter. Berlin : Springer, 2009. 307 p. https://doi.org/10.1007/978-3-642-03711-5
  16. An assessment of the Brazil Current baroclinic structure and variability near 22°S in Distinct Ocean Forecasting and Analysis Systems / M. O. Lima [et al.] // Ocean Dynamics. 2016. Vol. 66, iss. 6–7. P. 893–916. doi:10.1007/s10236-016-0959-6
  17. Operational Oceanography in the 21st Century / A. Schiller, G. B. Brassington (eds.). Dordrecht : Springer, 2011. 745 p. doi:https://doi.org/10.1007/978-94-007-0332-2
  18. Cummings J. A., Smedstad O. M. Variational Data Assimilation for the Global Ocean // Data Assimilation for Atmospheric, Oceanic and Hydrologic Applications (Vol. II) / S. K. Park, L. Xu (eds). Berlin, Heidelberg : Springer-Verlag, 2013. P. 303–343. https://doi.org/10.1007/978-3-642-35088-7_13
  19. An optimal data assimilation method and its application to the numerical simulation of the ocean dynamics / K. Belyaev [et al.] // Mathematical and Computer Modelling of Dynamical Systems. 2017. Vol. 24, iss. 1. P. 12–25. doi:10.1080/13873954.2017.1338300
  20. Belyaev K., Tanajura C. A. S. A Time-Space Description of the Analysis Produced by a Data Assimilation Method // Without Bounds: A Scientific Canvas of Nonlinearity and Complex Dynamics. Berlin : Springer-Verlag, 2013. P. 729–746. https://doi.org/10.1007/978-3-642-34070-3_52
  21. Пространственная структура потока антарктических вод в разломе Вима Срединно-Атлантического хребта / Д. И. Фрей [и др.] // Известия Российской академии наук. Физика атмосферы и океана. 2018. Т. 54, № 6. С. 727–732. doi:10.1134/S0002351518060068
  22. Гусев А. В., Дианский Н. А. Воспроизведение циркуляции Мирового океана и ее климатической изменчивости в 1948–2007 гг. // Известия Российской академии наук. Физика атмосферы и океана. 2014. Т. 50, № 1. C. 3–15. doi:10.7868/S0002351513060072
  23. Levitus S. E. Climatological Atlas of the World Ocean. Princeton : NOAA, 1982. 173 p. (NOAA Professional Paper 13).
  24. Kalnay E. Atmospheric modeling, data assimilation and predictability. New York : Cambridge University Press, 2002. 341 p. https://doi.org/10.1017/CBO9780511802270
  25. Практика суперкомпьютера «Ломоносов» / В. Воеводин [и др.] // Открытые системы СУБД. 2012. № 7. C. 36–39.
  26. Kaurkin M. N., Ibraev R. A., Belyaev K. P. Assimilation of the AVISO Altimetry Data into the Ocean Dynamics Model with a High Spatial Resolution Using Ensemble Optimal Interpolation (EnOI) // Izvestiya, Atmospheric and Oceanic Physics. 2018. Vol. 54, iss. 1. P. 56–64. doi:10.1134/S0001433818010073

Скачать статью в PDF-формате