Морской гидрофизический журнал. 2019; 35: 105-113
Исследование чувствительности алгоритма усвоения малочисленных данных наблюдений в модели динамики океана
https://doi.org/10.22449/0233-7584-2019-2-105-113Аннотация
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.
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
Morskoy Gidrofizicheskiy Zhurnal. 2019; 35: 105-113
Study of Sensitivity of the Algorithm for Assimilating Small Amount of Data in the Ocean Dynamics Model
https://doi.org/10.22449/0233-7584-2019-2-105-113Abstract
Introduction. Analyzed is the original parallel realization of the ensemble optimal interpolation (EnOI) method for data assimilation in the ocean dynamics model developed in the Institute of Numerical Mathematics and the Institute of Oceanology (INMIO model) with a resolution 0.1° for the North Atlantic region.
Data and methods. Based on the known (“true”) model state of the ocean, the temperature profiles (about 70 per day, up to 1500 m depth) were chosen and used as synthetic observational data. After the initial condition was perturbed, the numerical experiments were carried out to estimate speed and accuracy of approaching the entire model solution to the “true” state of the ocean as the temperature profiles were assimilated.
Results. Both qualitative analysis of the results and the graphs of the root-mean-square and mean errors of the model solution are given. To study the method sensitivity to the amount of the observational data, the experiments with the decreasing number of data (1/2, 1/4, 1/8 and 1/16 of all the temperature profiles) were performed. They showed that assimilation even of the isolated data could significantly increase quality of the model forecast.
Discussion and conclusion. The experiments prove that application of the ensemble optimal interpolation method, even in case very few data are assimilated in the model, can significantly improve quality both of the model forecast and the entire model solution for those regions where the observational data are very scarce or absent at all. Thus due to assimilation of the data covering only 3–4 days, the root-mean-square error for the sea surface temperature model field decreases by 1.5ºC, and the average deviation becomes equal almost to zero over the entire computational domain.
References
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. Sham : Springer, 2016. P. 57–66. https://doi.org/10.1007/978-3-319-55669-7_5
2. Kaurkin M. N., Ibraev R. A., Belyaev K. P. Usvoenie dannykh ARGO v model' dinamiki okeana s vysokim razresheniem po metodu ansamblevoi optimal'noi interpolyatsii (EnOI) // Okeanologiya. 2016. T. 56, № 6. S. 852–860. doi:10.7868/S0030157416060058
3. Kaurkin M. N., Ibraev R. A., Belyaev K. P. Usvoenie dannykh al'timetrii v modeli dinamiki okeana metodom ansamblevoi interpolyatsii // Izvestiya RAN. Fizika atmosfery i okeana. 2018. T. 54, № 1. S. 64–72. doi:10.7868/S0003351518010075
4. Korotaev G. K., Lishaev P. N., Knysh V. V. Vosstanovlenie trekhmernykh polei solenosti i temperatury Chernogo morya po dannym sputnikovykh al'timetricheskikh izmerenii // Issledovanie Zemli iz kosmosa. 2016. № 1–2. S. 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. Ibraev R. A., Khabeev R. N., Ushakov K. V. Vikhrerazreshayushchaya 1/10° model' Mirovogo okeana // Izvestiya RAN. Fizika atmosfery i okeana. 2012. T. 48, № 1. S. 45–55. doi:10.1134/S0001433812010045
11. Ushakov K. V., Ibraev R. A., Kalmykov V. V. Vosproizvedenie klimata Mirovogo okeana s pomoshch'yu massivno-parallel'noi chislennoi modeli // Izvestiya RAN. Fizika atmosfery i okeana. 2015. T. 51, № 4. S. 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
