УДК 519.6

ОЦЕНКА ВЛИЯНИЯ НАБЛЮДЕНИЙ НА ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ЗЕМНОЙ СИСТЕМЫ С ПОМОЩЬЮ МЕТОДА СОПРЯЖЕННЫХ УРАВНЕНИЙ

П. Стайнли, К. Тингвелл, С.А. Солдатенко

Аннотация


Математические модели земной системы служат мощным и эффективным инструментом, используемым для изучения поведения процессов, протекающих в сферических оболочках нашей планеты, в прошлом, настоящем и для прогнозирования их в будущем, учитывая внешние воздействия. Качество моделирования и прогнозирования природных процессов с применением соответствующих математических моделей в значительной степени зависит от информации об исходном состоянии рассматриваемой системы. Данная информация является результатом измерений, осуществляемых на сети наблюдательных станций и с помощью средств дистанционного зондирования. Поскольку развитие средств наблюдения является очень дорогостоящим мероприятием, представляется очень важным иметь возможность оценивать эффективность как существующей так и планируемой наблюдательной сети. Цель настоящей работы состоит в том, чтобы, с одной стороны, рассмотреть подход, основанный на сопряженных уравнениях, позволяющий оценивать влияние различных наблюдений на точность прогнозирования эволюции основных компонентов земной системы (атмосферы и океана) и, с другой стороны, проиллюстрировать применение этого подхода на примере двух хаотических малопараметрических динамических систем и глобальной модели ACCESS (моделирование австралийского климата и земной системы), используемой в Австралийском метеорологическом бюро для моделирования и прогнозирования погоды и климата. Результаты численных экспериментов демонстрируют высокие возможности метода сопряженных уравнений, который позволяет ранжировать измерительную информацию, получаемую с помощью различных технических средств, по степени ее важности, а также оценить влияние наблюдений на качество прогнозов.

Ключевые слова


вариационное усвоение информации; сопряженные уравнения; чувствительность прогноза к наблюдениям; земная система

Полный текст:

PDF (English)

Литература


  1. Biermann F. Earth System Governance: World Politics in the Anthropocene. Cambridge, MT: MIT Press, 2014. 267 p.
  2. Hajima T., Kawamiya M., Watanabe M. et al. Modeling in Earth system science up to and beyond IPCC AR5. Progress in Earth and Planetary Science, 2014. V. 1. P. 1- 29.
  3. Goose H. Climate system dynamics and modelling. Cambridge: Cambridge University Press, 2015. 273 p.
  4. Gellelman A., Rood R.B. Demystifying climate models: a user's guide to Earth system models. Berlin-Heidelberg: Springer-Verlag, 2016. 274 p.
  5. Kody L., Andrew S., Konstantinos Z. Data assimilation: A mathematical intro-duction. Springer: New York, 2015. 242.
  6. Fletcher S.J. Data assimilation for the geosciences: From theory to application. New York: Elsevier, 2017. 908 p.
  7. Leith CE. Numerical models of weather and climate. Plasma Phys. Controlled Fusion. 1993. V. 35. P. 919–927.
  8. Bellman R.E. Dynamic programming. Princeton University Press. 1957. 392 p.
  9. Pontryagin L.S., Boltyanskii, V. G.; Gamkrelidze, R. V.; Mishchenko, E. F. The mathematical theory of optimal processes. New York: WileyEnglish, 1962. 360 p.
  10. Lions J.-L. Control optimal des systemes gouvernes par des equations aux derivees Partielles. Paris: Dunod, 1968. 426 p,
  11. Marchuk G.I. Numerical methods in weather prediction. New York: Academic Press, 1974. 288 p.
  12. Sasaki Y. Some basic formalism in numerical weather analysis. Monthly Weather Review. 1970. V. 98. P. 875-883.
  13. Penenko V.V., Obraztsov N.N. Variational method of adapting of meteorologi-cal fields. Meteorology and Hydrology, 1976. No. 11. P. 3-16.
  14. Le Dimet F.-X., Talagrand O. Variational algorithms for analysis and assimila-tion of meteorological observations: theoretical aspects. Tellus. 1986. V. 38 A. No. 2. P. 97–110.
  15. Courtier P., Talagrand O. Variational assimilation of meteorological observa-tions with the adjoint equations. Part 2: Numerical results. Quarterly Journal of the Royal Meteorological Society. 1987. V. 113. P. 1329–1347.
  16. Puri K., Dietachmayer G., Steinle P. et al. Implementation of the initial ACCESS numerical weather prediction system. Australian Meteorological and Oceano-graphic Journal. 2013. V. 63. P. 265–284.
  17. Rawlins F., Ballard S.P., Bovis K.J, et al. The Met Office global four-dimensional variational data assimilation scheme. Quarterly Journal of the Royal Meteorological Society. 2007. V. 133. No. 623. P. 347-362.
  18. Courtier P., Thepaut J.-N., Hollingsworth A.. A strategy for operational imple-mentation of 4D-Var, using an incremental approach. Quarterly Journal of the Royal Meteorological Society. 1994. V. 120. P. 1367–1387.
  19. Marchuk G.I. Adjoint equations and analysis of complex systems. Dordrecht: Kluwer, 1995. 468 p.
  20. Marchuk G.I., Agoshkov V I., Shutyaev V.P. adjoint equations and perturba-tion theory. CRC Press. 1996. 288 p.
  21. Kelly G., Thépaut J.-N. Evaluation of the impact of the space component of the Global Observing System through Observing System Experiments. ECMWF Newsletter. 2017. No. 113. P. 16–28.
  22. Baker N., Daley R. Observation and background adjoint sensitivity in the adap-tive observation targeting problem. Quarterly Journal of the Royal Meteorologi-cal Society. 2000. V. 126. P. 1434–1454.
  23. Langland R.H., Baker N.L. Estimation of observation impact using the NRL atmospheric variational data assimilation adjoint system. Tellus A. 2004. V. 56. P. 189–201.
  24. Lorenc A.C., Marriott R.T. Forecast sensitivity to observations in the Met Of-fice Global numerical weather prediction system. Quarterly Journal of the Roy-al Meteorological Society. 2014. V. 140. P. 209–224.
  25. Soldatenko S., Tingwell C., Steinle P., Kelly-Gerreyn B.A. Assessing the impact of surface and upper-air observations on the forecast skill of the ACCESS nu-merical weather prediction model over Australia. Atmosphere. 2018. V. 9. Ar-ticle ID 23. 16 p.
  26. Errico M.R. Interpretations of an adjoint-derived observational impact meas-ure. Tellus A. 2007. V. 59. P. 273–276.
  27. Lorenz E.N. Deterministic nonperiodic flow. Journal of the Atmospheric Sci-ences. 1963. V. 20. P. 130-141.
  28. Lorenz E.N. Irregularity: A fundamental property of the atmosphere. Tellus. 1984. V. 36A. P. 98-110.
  29. Lupu C., Cardinali C., McNally A. Adjoint-based forecast sensitivity applied to observation error variances turning. ECMFW Tech. Memo. No. 753. Reading: ECMWF. 2015. 18 p.
  30. Cardinali C., Healy S. Impact of GPS radio occultation measurements in the ECMWF system. Quarterly Journal of the Royal Meteorological Society. 2014. V. 140. P. 2315-2320.
  31. English S., McNally A. P, Bormann N. et al. Impact of satellite data. ECNWF Tech. Memo. No. 711. Reading: ECMWF. 2013. 48 p.
  32. Jung B.-J., Kim H.M. Adjoint-derived observation impact using WRF in the Western North Pacific. Monthly Weather Review. 2013. V. 141. P. 4080-4097.
  33. Hoover B.T., Langland R.H. Forecast and observation-impact experiments in the Navy Global Environmental Model with assimilation of ECWMF Analysis Data in the global domain. Journal of the Meteorological Society of Japan. 2017. V. 95. P. 369-389.
  34. Cioaca A., Sandu A., de Sturler E. Efficient method for computing observation impact in 4D-Var data assimilation. Computational Geosciences. 2013. V. 17. P. 975-990.
  35. Janiskoca M., Cardinali C. On the impact of the diabatic component in the fore-cast sensitivity observation impact diagnostics. In: Data Assimilation for At-mospheric, Oceanic and Hydrologic Applications. Volume 3. S.K. Park, L. Xu (Eds.). Berlin: Springer. 2016. 553 p.
  36. Sequeira L., Kirtman B. Predictability of a low-order interactive ensemble. Nonlinear Processes in Geophysics. 2012. V. 19. P. 273-282.
  37. Soldatenko S., Steinle P., Tingwell C., Chichkine D. Some aspects of sensitivity analysis in variational data assimilation for coupled dynamical systems. Ad-vances in Meteorology. 2015. ID: 753031. 22 p.
  38. Wittenberg A.T., Anderson J.L. Dynamical implications of prescribing part of a coupled system: results from a low-order model. Nonlinear Processes in Geo-physics. 1998. V. 5. P. 167-179


Питер Стайнли - Ph.D., руководитель группы по ассимиляции данных, Австралийское бюро метеорологии.
Область научных интересов: численное моделирование процессов в земной системе, численное прогнозирование погоды и климата, ассимиляция данных, оптимизация, прикладная математика.
Число научных публикаций: 210.

Адрес (E-mail): peter.steinle@bom.gov.au
Почтовый адрес: ул. Коллинз, 700, Докландз, Мельбурн, 3001, Виктория, Австралия
Телефон: +61(3)9669-4848


Крис Тингвелл - Ph.D., старший научный сотрудник группы по ассимиляции данных, Австралийское бюро метеорологии.
Область научных интересов: численное моделирование процессов в земной системе, численное прогнозирование природных явлений, ассимиляция данных, астрофизика.
Число научных публикаций: 200.

Адрес (E-mail): chris.tingwell@bom.gov.au
Почтовый адрес: ул. Коллинз, 700, Докландз, Мельбурн, 3001, Виктория, Австралия
Телефон: +61(3)9669-4239


Сергей Анатольевич Солдатенко - д-р физ.-мат. наук, профессор, ведущий научный сотрудник лаборатории процессов взаимодействия океана и атмосферы, Государственный научный центр "Арктический и антарктический научно-исследовательский институт".
Область научных интересов: математическое моделирование геофизических процессов, усвоение информации, оценка и моделирование рисков.
Число научных публикаций: 190.

Адрес (E-mail): prof.soldatenko@yandex.ru
Почтовый адрес: ул. Беринга, 38, Санкт-Петербург, 199397
Телефон: +7(812)337-3146




DOI: http://dx.doi.org/10.15622/sp.61.1

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 License.