Пространственно-временная изменчивость модельных характеристик в Южной Атлантике

Главная

Статья в Elpub

РУС ENG

Морской гидрофизический журнал. 2019; 35: 572-584

Пространственно-временная изменчивость модельных характеристик в Южной Атлантике

Дейнего И. Д., Ансорг И. , Беляев К. П., Дианский Н. А.

https://doi.org/10.22449/0233-7584-2019-6-572-584

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-стохастической 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.

Список литературы

1. Ghil M., Malanotte-Rizzoli P. Data Assimilation in Meteorology and Oceanography // Advanc-es 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 океа-нографии / Г. И. Марчук [и др.] // Известия Российской академии наук. Физика атмосфе-ры 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 асси-миляции данных наблюдений о температуре поверхности океана // Журнал вычислитель-ной 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 mathemat-ical 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. Физи-ка 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 климати-ческой изменчивости в 1948–2007 гг. // Известия Российской академии наук. Физика ат-мосферы 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

Morskoy Gidrofizicheskiy Zhurnal. 2019; 35: 572-584

Spatial-Temporal Variability of the Model Characteristics in the Southern Atlantic

Deinego I. D., Ansorge I. , Belyaev K. P., Diansky N. A.

https://doi.org/10.22449/0233-7584-2019-6-572-584

Abstract

Purpose. The present article is aimed at studying spatial-temporal variability of some model characteristics, particularly, the sea level data in the Southern Atlantic. Methods and Results. The eigenvector decomposition method (called the Karhunen-Loeve decomposition) has been used as a main research technique. Variability of the eigenvectors and eigenvalues of the corresponding covariance matrices, and their distribution in time and space are represented. Application of the method to the problem of assimilating the observation data is shown, and physical sense of such assimilation is analyzed. The ocean hydrodynamics model developed in the Institute of Numerical Mathematics, Russian Academy of Sciences, was applied. The problem of dynamicalstochastic and hybrid assimilation of the sea level data is formulated. Spatial-temporal variability of the model sea level and the one observed in the Southern Atlantic were compared. The variability difference and similarity are analyzed. Conclusions. The correlation structure between the observed and model ocean level fields is considered. This can permit to assimilate the observational data using the obtained weight matrices. Such studies of the sought characteristics’ correlation structures of surface temperature, currents, joint covariance etc. will make it possible to understand exactly how the observed values correct model calculations and to carry out observations in the manner most convenient for data assimilation. Climatic behavior of the structure of eigenvectors and eigenvalues is shown. The represented technique permits to model and to forecast the hydrodynamic processes in the Southern Atlantic in more details.

References

1. Ghil M., Malanotte-Rizzoli P. Data Assimilation in Meteorology and Oceanography // Advanc-es in Geophysics. 1991. Vol. 33. P. 141–266. doi:10.1016/S0065-2687(08)60442-2

3. Informatsionno-vychislitel'nye tekhnologii – novyi etap razvitiya operativnoi okea-nografii / G. I. Marchuk [i dr.] // Izvestiya Rossiiskoi akademii nauk. Fizika atmosfe-ry i okeana. 2013. T. 49, № 6. S. 629–642. doi:10.7868/S0002351513060114

6. Agoshkov V. I., Parmuzin E. I., Shutyaev V. P. Chislennyi algoritm variatsionnoi assi-milyatsii dannykh nablyudenii o temperature poverkhnosti okeana // Zhurnal vychislitel'-noi matematiki i matematicheskoi fiziki. 2008. T. 48, № 8. S. 1371–1391. doi:10.1134/S0965542508080046

9. Primenenie metoda adaptivnoi statistiki dlya reanaliza polei Chernogo morya c assi-milyatsiei psevdoizmerenii temperatury i solenosti v modeli / G. K. Korotaev [i dr.] // Morskoi gidrofizicheskii zhurnal. 2018. T. 34, № 1. S. 40–56. doi:10.22449/0233-7584-2018-1-40-56

10. Belyaev K. P., Tanazhura K. A. S., Tuchkova N. P. Sravnenie metodov usvoeniya dannykh buev “Argo” v gidrodinamicheskoi modeli okeana // Okeanologiya. 2012. T. 52, № 5. C. 643–653. doi:10.1134/S0001437012050025

12. Marchuk G. I. Chislennye metody v prognoze pogody. L. : Gidrometeoizdat, 1967. 356 s.

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

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

21. Prostranstvennaya struktura potoka antarkticheskikh vod v razlome Vima Sredinno-Atlanticheskogo khrebta / D. I. Frei [i dr.] // Izvestiya Rossiiskoi akademii nauk. Fizi-ka atmosfery i okeana. 2018. T. 54, № 6. S. 727–732. doi:10.1134/S0002351518060068

22. Gusev A. V., Dianskii N. A. Vosproizvedenie tsirkulyatsii Mirovogo okeana i ee klimati-cheskoi izmenchivosti v 1948–2007 gg. // Izvestiya Rossiiskoi akademii nauk. Fizika at-mosfery i okeana. 2014. T. 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. Praktika superkomp'yutera «Lomonosov» / V. Voevodin [i dr.] // Otkrytye sistemy SUBD. 2012. № 7. C. 36–39.

Пространственно-временная изменчивость модельных характеристик в Южной Атлантике

Аннотация

Spatial-Temporal Variability of the Model Characteristics in the Southern Atlantic

Abstract

События