Инд. авторы:	Климова Е.Г., Платов Г.А., Киланова Н.В.
Заглавие:	Разработка системы усвоения данных об окружающей среде на основе ансамблевого фильтра Калмана
Библ. ссылка:	Климова Е.Г., Платов Г.А., Киланова Н.В. Разработка системы усвоения данных об окружающей среде на основе ансамблевого фильтра Калмана // Вычислительные технологии. - 2014. - Т.19. - № 3. - С.27-37. - ISSN 1560-7534. - EISSN 2313-691X.
Внешние системы:	РИНЦ: 21724824;
Реферат:	rus: Рассматривается проблема оценки состояния окружающей среды, а также моделирования различных процессов в атмосфере и океане с помощью системы усвоения данных. К решению данной проблемы применён один из наиболее используемых подходов к задаче усвоения данных - ансамблевый фильтр Калмана. Приводятся два примера применения этого подхода при моделировании распространения загрязняющих веществ в атмосфере и летнего притока речных вод в море Лаптевых. eng: Environmental assessment using the observational data is one of the most pressing problems at the moment. Such an assessment is carried out with the involvement of mathematical models based on data assimilation systems. Kalman filter algorithm is currently one of the most popular approaches to solve the problem of the data assimilation. Ensemble Kalman filter is supposed to be a promising direction in the research on the application of the Kalman filter in the data assimilation. This article outlines currently accepted approaches to solving the problem of data assimilation for the environment, which are based on the ensemble Kalman filter. Along with the approximate description of covariance of the estimation errors using ensemble forecasts and on the basis of the control theory we propose to use sub-optimal algorithms. In these algorithms, the probability averaging is replaced by the time-averaging relied on the assumption of ergodicity of the forecast errors. An application of the proposed assimilation algorithm is considered in the examples given in this article. We deal with the data on passive gas components in the atmosphere and with the problem of simulating processes in the ocean. The numerical results, obtained by use of data assimilation, are analyzed in the case of modeling of passive gas components in the atmosphere over the Siberian region, as well as in the case of modeling of the summer runoff in the Laptev Sea. The simulated data are considered in both examples, taking the actual distribution of observational data. In both examples, the effectiveness of the proposed version of the ensemble Kalman filter is proved.
Ключевые слова:	Shelf circulation; advection and diffusion model; Ensemble Kalman filter; Data assimilation; речной сток; шельфовая циркуляция; модель переноса и диффузии; ансамблевый фильтр Калмана; усвоение данных; river runoff;
Издано:	2014
Физ. характеристика:	с.27-37
Цитирование:	1. Kalnay E. Atmospheric Modeling, Data Assimilation and Predictability. Cambridge Univ. Press, 2002. 2. Jazwinski A.H. Stochastic Processes and Filtering Theory. New York: Acad. Press, 1970. 3. Evensen G. Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics // J. of Geophus. Res. 1994. Vol. 99. P. 10143-10162. 4. Evensen G. Data Assimilation. The Ensemble Kalman Filter. Berlin, Heideberg: Springer-Verlag, 2009. 307 p. 5. Houtekamer P.L., Mitchell H.L. Ensemble Kalman filtering // Quart. J. of the Royal Meteorolog. Soc. 2005. Vol. 131. P. 1-23. а б Сутки (с 1 сентября 2008 г. 00 ч) Сутки (с 1 сентября 2008 г. 00 ч) Рис. 5. Временной ход ошибки прогноза по областям А (а) и Б (б) для солёности поверхности по результатам моделирования с 1 по 31 сентября 2008 г. Пунктирные линии соответствуют эксперименту без усвоения, сплошные - с усвоением данных наблюдений 6. Hunt B.R., Kostelich E.J., Szunyogh I. Efficient data assimilation for statiotemporal chaos: A local ensemble transform Kalman filter // Phys. D. 2007. Vol. 230. P. 112-126. 7. Whitaker J.S., Hamill T.M. Ensemble data assimilation without perturbed observations // Monthly Weather Rev. 2002. Vol. 130. P. 1913-1924. 8. Климова Е.Г. Метод усвоения данных наблюдений, основанный на ансамблевом алгоритме // Метеорология и гидрология. 2008. № 9. С. 45-53. 9. Klimova E. A suboptimal data assimilation algorithm based on the ensemble Kalman filter // Quarterly J. of the Royal Meteorolog. Soc. 2012. Vol. 138. P. 2079-2085. D0I:10.1002/qj.1941. 10. Справочник по теории автоматического управления / Под ред. А.А. Красовского. М.: Наука, 1987. 711 с. 11. Baker D.F., Doney S.C., Schimel D.S. Variational data assimilation for atmospheric CO2 // Tellus. 2006. Vol. 58B. P. 359-365. 12. Heemink A.W., Segers A.J. Modeling and prediction of environmental data in space and time using Kalman filtering // Stochastic Environmental Res. and Risk Assessment. 2002. Vol. 16. P. 225-240. 13. Chevallier F., Engelen R.J., Carouyge C. et al. AIRS-based versus flask-based estimation of Carbon surface fluxes // J. of Geophys. Res. 2009. Vol. 114. D20303. P. 1-9. 14. Fung L., Feng L., Palmer P.I. et al. Estimating surface C02 fluxes from space-borne C02 dry air mole fraction observations using an ensemble Kalman filter // Atmos. Chem. Phys. 2009. No 9. P. 2619-2633. 15. Климова Е.Г., Киланова Н.В. Численные эксперименты по оценке эмиссии метана на основе системы усвоения данных о пассивной примеси в атмосфере Северного полушария // Оптика атмосферы и океана. 2006. № 11. С. 961-964. 16. Киланова Н.В., Климова Е.Г. Численные эксперименты по оценке систематической ошибки модели в задаче усвоения данных о концентрации пассивной примеси // Вычисл. технологии. 2006. № 5. С. 32-40. 17. Bermejo R., Staniforth A. The conversion of semi-Lagrangian advection scheme to quasi-monotone scheme // Monthly Weather Rev. 1992. Vol. 120. P. 2622-2632. 18. Яглом А.М. Корреляционная теория стационарных случайных функций. Л.: Гидрометеоиздат, 1981. 279 с. 19. Yin Y., Alves O., Oke P.R. An ensemble ocean data assimilation system for seasonal prediction // Monthly Weather Rev. 2011. Vol. 139. P. 786-808. 20. Реснянский Ю.Д., Зеленько А.А. Развитие моделей и методов анализа данных наблюдений для мониторинга и прогнозирования крупномасштабных процессов в океане // Сб. тр. "80 лет Гидрометцентру России". М.: Триада ЛТД, 2010. С. 350-375. 21. Агошков В.И., Ипатова В.М., Залесный В.Б. и др. Задачи вариационной ассимиляции данных наблюдений для моделей общей циркуляции океана и методы их решения // Изв. РАН. Физика атмосферы и океана. 2010. Т. 46, № 6. С. 734-770. 22. Платов Г.А. Численное моделирование формирования глубинных вод Северного Ледовитого океана. Часть II: Результаты региональных и глобальных расчётов // Там же. 2011. Т. 47, № 3. С. 409-425. 23. Голубева Е.Н., Платов Г.А. Численное моделирование отклика арктической системы океан-лед на вариации атмосферной циркуляции 1948-2007 гг. // Там же. 2009. Т. 45, № 1. С. 145-160. 24. Golubeva E.N., Platov G.A. On improving the simulation of Atlantic water circulation in the Arctic Ocean // J. Geophys. Res. 2007. Vol. 112. doi: 10.1029/2006JC003734. 25. Hunke E.C., Dukowicz J.K. An elastic-viscous-plastic model for ice dynamics //J. Phys. Oceanogr. 1997. Vol. 27, No 9. P. 1849-1867. 26. Kalnay E., Kanamitsu M., Kistler R. et al. The NCEP/NCAR 40-year reanalysis project // Bull. Amer. Meteorol. Soc. 1996. No. 77. P. 437-471.