Усвоение данных о сплоченности льда в сильно связном режиме в модели Северного Ледовитого океана

М. Н. Кауркин1, ✉, Л. Ю. Кальницкий1, К. В. Ушаков1, Р. А. Ибраев1, 2

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

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

✉ e-mail: kaurkin.mn@ocean.ru

Аннотация

Цель. Предложен, реализован и опробован для Арктического региона сильно связный подход к усвоению доступных данных наблюдений в совместной модели циркуляции океана и морского льда.

Методы и результаты. В совместной модели ИВМИО (океан) и CICE 5.1 (лед) с разрешением 0,25° усвоение данных реализовано на платформе Compact Modeling Framework (_CMF_3.0) программного сервиса DAS (Data Assimilation System) на основе метода EnOI (Ensemble Optimal Interpolation). Применен подход сильно связного усвоения, при котором одновременно корректируются поля температуры воды, солености, уровня океана и концентрации льда с использованием данных наблюдений (профили Argo, спутниковая альтиметрия AVISO, концентрация льда OSI SAF). Для перераспределения интегральной сплоченности по категориям толщины льда разработан специальный интерфейс. Проведены численные эксперименты за 2020 г. с усвоением данных и без него. Показано, что усвоение данных в сильно связном режиме снижает среднюю погрешность воспроизведения площади льда с 27 до 7 % по сравнению с данными NSIDC. Среднеквадратичная ошибка температуры воды поверхностного слоя океана уменьшается до 0,8 С, а концентрации льда в районе кромки – до 0,2. Модельные поля лучше соответствуют независимым данным OSTIA.

Выводы. Разработанный подход к сильно связному усвоению океанических и ледовых данных в совместной модели океан – лед обеспечивает существенное повышение точности прогноза состояния вод и ледового поля в Северном Ледовитом океане. Программная реализация может быть адаптирована для других моделей.

Ключевые слова

компьютерное моделирование, численное моделирование, усвоение данных, модель динамики океана, модель океан – лед, параллельные вычисления, Арктический регион, морской ледяной покров

Благодарности

Работа выполнена в Институте океанологии им. П. П. Ширшова РАН при финансовой поддержке Российского научного фонда (грант № 25-27-00400).

Информация об авторах

Кауркин Максим Николаевич, научный сотрудник, группа моделирования изменчивости климата океанов и морей, ФГБУН Институт океанологии им. П. П. Ширшова РАН (117997, Россия, г. Москва, Нахимовский проспект, д. 36), кандидат физико-математических наук, SPIN-код: 8374-6238, Scopus Author ID: 57190488613, ORCID ID: 0000-0002-0921-3630, ResearcherID: S-1416-2016, kaurkin.mn@ocean.ru

Кальницкий Леонид Юрьевич, ведущий инженер, группа моделирования изменчивости климата океанов и морей, ФГБУН Институт океанологии им. П. П. Ширшова РАН (117997, Россия, г. Москва, Нахимовский проспект, д. 36), Scopus Author ID: 57219609143, ORCID ID: 0009-0005-4023-2257, leonid.kalnitsckij@yandex.ru

Ушаков Константин Викторович, старший научный сотрудник, группа моделирования изменчивости климата океанов и морей, ФГБУН Институт океанологии им. П. П. Ширшова РАН (117997, Россия, г. Москва, Нахимовский проспект, д. 36), кандидат физико-математических наук, SPIN-код: 6997-1295, Scopus Author ID: 55015342700, ORCID ID: 0000-0002-8454-9927, ResearcherID: U-6185-2017, ushakovkv@mail.ru

Ибраев Рашит Ахметзиевич, главный научный сотрудник, ФГБУН Институт вычислительной математики им. Г. И. Марчука РАН (119333, Россия, Москва, ул. Губкина, д. 8), ФГБУН Институт океанологии им. П. П. Ширшова РАН (117997, Россия, г. Москва, Нахимовский проспект, д. 36), доктор физико-математических наук, член-корреспондент РАН, SPIN-код: 9003-9192, Scopus Author ID: 6602387822, ResearcherID: S-6750-2016, ORCID ID: 0000-0002-9099-4541, ibrayev@mail.ru

Для цитирования

Усвоение данных о сплоченности льда в сильно связном режиме в модели Северного Ледовитого океана / М. Н. Кауркин [и др.] // Морской гидрофизический журнал. 2026. Т. 42, № 2. С. 307–322. EDN OXACSY.

Kaurkin, M.N., Kalnitskii, L.Yu., Ushakov, K.V. and Ibrayev, R.A., 2025. Assimilation of Ice Concentration Data through a Strongly Coupled Regime in the Arctic Ocean Model. Physical Oceanography, 33(2), pp. 352-365.

Список литературы

  1. A review on Arctic sea-ice predictability and prediction on seasonal to decadal time-scales / V. Guemas [et al.] // Quarterly Journal of the Royal Meteorological Society. 2016. Vol. 142, no. 695. P. 546–561. EDN WOVJWV. https://doi.org/10.1002/qj.2401
  2. Weakly coupled atmosphere–ocean data assimilation in the Canadian global prediction system (v1) / S. Skachko [et al.] // Geoscientific Model Development. 2019. Vol. 12, iss. 12. P. 5097–5112. EDN DVEWBZ. https://doi.org/10.5194/gmd-12-5097-2019
  3. Progress and challenges in short- to medium-range coupled prediction / G. Brassington [et al.] // Journal of Operational Oceanography. 2015. Vol. 8, no. S2. P. s239–s258. https://doi.org/10.1080/1755876X.2015.1049875
  4. Penny S. G., Hamill T. M. Coupled Data Assimilation for Integrated Earth System Analysis and Prediction // Bulletin of the American Meteorological Society. 2017. Vol. 98, no. 7. P. ES169–ES172. https://doi.org/10.1175/BAMS-D-17-0036.1, 2017.
  5. Optimising assimilation of sea ice concentration in an Earth system model with a multicategory sea ice model / М. Kimmritz [et al.] // Tellus A: Dynamic Meteorology and Oceanography. 2018. Vol. 70, no. 1. 1435945. EDN PFINQR. https://doi.org/10.1080/16000870.2018.1435945
  6. Фомин В. В., Дианский Н. А. Влияние способов усвоения спутниковых данных o температуре поверхности моря на воспроизведение гидрофизических полей Черного, Азовского и Мраморного морей в модели INMOM // Метеорология и гидрология. 2023. № 2. С. 15–30. EDN TNZUIL. https://doi.org/10.52002/0130-2906-2023-2-15-30
  7. Ибраев Р. А., Хабеев Р. Н., Ушаков К. В. Вихреразрешающая 1/10º модель Мирового океана // Известия РАН. Физика атмосферы и океана. 2012. Т. 48, № 1. С. 45–55. EDN OOWHJD.
  8. Compact Modeling Framework v3.0 for high-resolution global ocean–ice–atmosphere models / V. V. Kalmykov [et al.] // Geoscientific Model Development. 2018. Vol. 11, iss. 10. P. 3983–3997. EDN YFPVCV. https://doi.org/10.5194/gmd-11-3983-2018
  9. Сезонная изменчивость циркуляции вод и морского льда в Северном Ледовитом океане в модели высокого разрешения / Л. Ю. Кальницкий [и др.] // Известия РАН. Физика атмосферы и океана. 2020. Т. 56, № 5. С. 598–610. EDN QNBBHV. https://doi.org/10.31857/S0002351520050065
  10. Murray R. J. Explicit Generation of Orthogonal Grids for Ocean Models // Journal of Computational Physics. 1996. Vol. 126, iss. 2. P. 251–273. https://doi.org/10.1006/jcph.1996.0136
  11. Supercomputing the Seasonal Weather Prediction / R. Fadeev [et al.] // Supercomputing. Cham : Springer, 2019. P. 415–426. (Communications in Computer and Information Science ; vol. 1129). https://doi.org/10.1007/978-3-030-36592-9_34
  12. Griffies S. M., Hallberg R. W. Biharmonic friction with a Smagorinsky-like viscosity for use in large-scale eddy-permitting ocean models // Monthly Weather Review. 2000. Vol. 128. P. 2935–2946, https://doi.org/10.1175/1520-0493/
  13. Definition of the interannual experiment ORCA025-B83, 1958-2007 / R. Dussin [et al.]. Brest, France : Laboratoire de Physique des oceans, 2009. 37 p. (LPO Report 09-02).
  14. Zalesak S. T. Fully multidimensional flux-corrected transport algorithms for fluids // Journal of Computational Physics. 1979. Vol. 31, iss. 3. P. 335–362. https://doi.org/10.1016/0021-9991(79)90051-2
  15. Launiainen J., Vihma T. Derivation of turbulent surface fluxes – An iterative flux-profile method allowing arbitrary observing heights // Environmental Software. 1990. Vol. 5, no. 3. P. 113–124. https://doi.org/10.1016/0266-9838(90)90021-W
  16. TOPAZ4: an ocean-sea ice data assimilation system for the North Atlantic and Arctic / P. Sakov [et al.] // Ocean Science. 2012. Vol. 8. P. 633–656. https://doi.org/10.5194/os-8-633-2012
  17. The ERA-Interim reanalysis: configuration and performance of the data assimilation system / D. P. Dee [et al.] // Quarterly Journal of the Royal Meteorological Society. 2011. Vol. 137, iss. 656. P. 553–597. https://doi.org/10.1002/qj.828
  18. Evensen G. Data Assimilation: The Ensemble Kalman Filter. Berlin ; Heidelberg : Springer-Verlag, 2006. 307 p. https://doi.org/10.1007/978-3-642-03711-5
  19. Evensen G. The Ensemble Kalman Filter: Theoretical Formulation and Practical Implementation // Ocean Dynamics. 2003. Vol. 53. P. 343–367. https://doi.org/10.1007/s10236-003-0036-9
  20. 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 / Eds. V. Voevodin, S. Sobolev. Springer, 2016. P. 57–66. (Communications in Computer and Information Science ; vol. 687). https://doi.org/10.1007/978-3-319-55669-7_5
  21. Sakov P., Sandery P. A. Comparison of EnOI and EnKF regional ocean reanalysis systems // Ocean Modelling. 2015. Vol. 89. P. 45–60. https://doi.org/10.1016/j.ocemod.2015.02.003
  22. 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.
  23. 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. EDN XGWBON. https://doi.org/10.7868/S0030157416060058
  24. The Current Configuration of the OSTIA System for Operational Production of Foundation Sea Surface Temperature and Ice Concentration Analyses / S. Good [et al.] // Remote Sensing. 2020. Vol. 12, iss. 4. 720. EDN BWGEDA. https://doi.org/10.3390/rs12040720
  25. Melsom A., Palerme C., Müller M. Validation metrics for ice edge position forecasts // Ocean Science. 2019. Vol. 15, iss. 3. P. 615–630. https://doi.org/10.5194/os-15-615-2019
  26. Implementing operational ocean monitoring and forecasting systems / E. A. Fanjul [et al.]. Paris, France : IOC-UNESCO, 2022. 376 p. (GOOS-275). https://doi.org/10.48670/ETOOFS
  27. Review article: Towards strongly coupled ensemble data assimilation with additional improvements from machine learning / E. Kalnay [et al.] // Nonlinear Processes in Geophysics. 2023. Vol. 30, iss. 2. P. 217–236. EDN LRCCPV. https://doi.org/10.5194/npg-30-217-2023

Файлы

Полный текст

JATS XML

Мы используем Яндекс Метрику. Подробнее.