Development of marine forecasting systems and observation assimilation algorithms

Мұқаба

Дәйексөз келтіру

Толық мәтін

Ашық рұқсат Ашық рұқсат
Рұқсат жабық Рұқсат берілді
Рұқсат жабық Тек жазылушылар үшін

Аннотация

The article is devoted to the discussion of G.I. Marchuk's ideas, which stimulated research in the field of operational oceanography and forecasting of the state of the marine environment in the last 10–12 years at the institutes of the Russian Academy of Sciences and Roshydromet. The methodology developed at the Marine Hydrophysical Institute and research teams in France in reconstructing the temperature and salinity of seawater based on satellite observations is described. The application of the simple algorithm for assimilation of observations based on relaxation of the solution of the numerical forecast model to three-dimensional thermohaline fields reconstructed from satellite data in the basins of Azov – Black seas, Arctic and the World Ocean is demonstrated. Estimates of the standard deviations of the thermohaline fields of the global ocean, calculated using assimilation of observations with the simple algorithm, are compared with similar estimates of CMEMS (Copernicus Marine Environment Monitoring Service) products based on GLO12 v2 and v4. The reasons for the relatively small discrepancies between the estimates of thermohaline field analyses based on a model with a spatial resolution of 0.25° and the simple algorithm for assimilation of observations and the GLO12 v2 and v4 models with a resolution of 1/12° and a much more complex algorithm for assimilation of observations are discussed.

Авторлар туралы

G. Korotaev

Federal State Budgetary Scientific Institution Federal Research Center “Marine Hydrophysical Institute of RAS”

Email: artem.mizyuk@mhi-ras.ru
Kapitanskaya str., 2, Sevastopol, 299011 Russia

A. Mizyuk

Federal State Budgetary Scientific Institution Federal Research Center “Marine Hydrophysical Institute of RAS”

Хат алмасуға жауапты Автор.
Email: artem.mizyuk@mhi-ras.ru
Kapitanskaya str., 2, Sevastopol, 299011 Russia

Әдебиет тізімі

  1. Агошков В.И., Пармузин Е.И., Шутяев В.П. Ассимиляция данных наблюдений в задаче циркуляции Черного моря и анализ чувствительности ее решения // Изв. РАН. Физика атмосферы и океана. 2013. Т. 49. № 6. С. 643–654.
  2. Алексеев В.В., Залесный В.Б. Численная модель крупномасштабной динамики океана // Вычислительные процессы и системы / Под ред. Марчука Г.И. М.: Наука, 1993. Вып. 10. С. 232–252.
  3. База данных “Основные гидрологические характеристики морских устьев рек европейской территории России”. Свидетельство о государственной регистрации базы данных № 2012620681, 18 июля 2012 г.
  4. Белокопытов В.Н., Жук Е.В. Климатическая изменчивость термохалинных характеристик Черного моря (1950–2023 годы) // Морской гидрофизический журнал. 2024. Т. 40. № 6. С. 838–852.
  5. Гусев А.В., Дианский Н.А. Воспроизведение циркуляции Мирового океана и ее климатической изменчивости в 1948–2007 гг. // Изв. РАН. Физика атмосферы и океана. 2014. Т. 50. № 1. С. 3–15.
  6. Демышев С.Г., Коротаев Г.К. Численная энергосбалансированная модель бароклинных течений океана с неровным дном на сетке С. / В кн.: Численные модели и результаты калибровочных расчетов течений в Атлантическом океане. М.: ИВМ, 1992. С. 163–231.
  7. Дианский Н.А. Моделирование циркуляции океана и исследование его реакции на короткопериодные и долгопериодные атмосферные воздействия. М.: Физматлит, 2013. 272 с.
  8. Залесный В.Б., Гусев А.В., Мошонкин С.Н. Численная модель гидродинамики Черного и Азовского морей с вариационной инициализацией температуры и солености // Изв. РАН. Физика атмосферы и океана. 2013. Т. 49. № 6. С. 699–716.
  9. Ибраев Р.А. Суперкомпьютерные технологии для оперативного прогнозирования морской среды // Оперативная океанология и технические средства в интересах ВМФ: материалы совместного заседания командования ГШ ВМФ и Секции океанологии, физики атмосферы и географии ОНЗ РАН / Под ред. акад. Г.Г. Матишова. Ростов-на-Дону: Изд-во ЮНЦ РАН, 2019 г. С. 42–82.
  10. Кауркин М.Н., Ибраев Р.А., Беляев К.П. Усвоение данных АРГО в модель динамики океана с высоким разрешением по методу ансамблевой оптимальной интерполяцией (EnOI) // Океанология. 2016. T. 56. № 6. С. 852–860.
  11. Кауркин М.Н., Ибраев Р.А., Беляев К.П. Усвоение данных альтиметрии в модели динамики океана методом ансамблевой интерполяции // Изв. РАН. Физика атмосферы и океана. 2018. Т. 54. № 1. С. 64–72.
  12. Кныш В.В., Моисеенко В.А., Саркисян А.С., Тимченко И.Е. Комплексное использование измерений на гидрофизических полигонах океана в четырехмерном анализе // Докл. АН СССР. 1980. Т. 252. № 4. С. 832–836.
  13. Коротаев Г.К., Белокопытов В.Н., Дорофеев В.Л., Мизюк А.И., Холод А.Л. Ускорение климатических изменений в верхнем слое Чёрного моря // Докл. РАН. Науки о Земле. 2024. Т. 518. №1. C. 171–178.
  14. Коротаев Г.К., Гимранов М.М., Медокс О.В., Ляшок В.Ф. Система оперативного прогноза морской среды // Научно-техническая конференция “Состояние и перспективы развития моделирования в Вооруженных Силах Российской Федерации”. Сб. тр. Москва, 27-й ЦНИИ МО РФ. 2022 г.
  15. Коротаев Г.К., Кныш В.В., Мизюк А.И. Автомодельное формирование псевдополей плотности (солености, температуры) Черного моря для решения задачи реанализа гидрофизических полей (модельные численные эксперименты) // Экологическая безопасность прибрежной и шельфовой зон и комплексное использование ресурсов шельфа. 2010. № 22. С. 7–21.
  16. Коротаев Г.К., Лишаев П.Н., Кныш В.В. Методика анализа данных измерений темпе-ратуры и солености Черного моря с использованием динамического альтиметрического уровня // Морской гидрофизический журнал. 2015. № 2. С. 26–42.
  17. Коротаев Г.К, Ратнер Ю.Б., Иванчик М.В., Холод А.Л., Иванчик А.М. Оперативная система диагноза и прогноза гидрофизических характеристик Черного моря // Изв. РАН. Физика атмосферы и океана. 2016. Т. 52. № 5. С. 609–617.
  18. Лишаев П.Н., Кныш В.В., Коротаев Г.К. Восстановление температуры и солености в верхнем слое Черного моря по данным псевдоизмерений на нижележащих горизонтах // Морской гидрофизический журнал. 2019. Т. 35. № 2. С. 114–133.
  19. Марчук Г.И. К проблеме формирования термоклина в океане. Некоторые проблемы математики и механики / Под ред. Марчук Г.И., Саркисян А.С. Новосибирск: 1970. С. 190–197.
  20. Марчук Г.И., Кордзадзе А.А., Скиба Ю.И. Расчет основных гидрологических полей Черного моря на основе метода расщепления // Изв. АН СССР. Физика атмосферы и океана. 1975. Т. 11. № 4. С. 379–393.
  21. Марчук Г.И., Патон Б.Е., Коротаев Г.К., Залесный В.Б. Информационно-вычислительные технологии — новый этап развития оперативной океанографии // Изв. РАН. Физика атмосферы и океана. 2013. Т. 49. № 6. С. 629–642.
  22. Марчук Г.И. Численное решение задач динамики атмосферы и океана. Л.: Гидрометеоиздат, 1974. 303 с.
  23. Марчук Г.И., Дымников В.П., Курбаткин Г.П., Саркисян А.С. Программа “Разрезы” и мониторинг Мирового океана // Метеорология и гидрология. 1984. № 8. C. 9–17.
  24. Марчук Г.И., Дымников В.П., Залесный В.Б. Математические модели геофизической гидродинамики и численные методы их реализации. Л.: Гидрометеоиздат, 1987. 296 с.
  25. Мизюк А.И., Сендеров М.В., Коротаев Г.К., Саркисян А.С. Особенности горизонтальной изменчивости температуры поверхности в западной части Черного моря по результатам моделирования с высоким пространственным разрешением // Изв. РАН. Физика атмосферы и океана. 2016. Т. 52. № 5. С. 639–648.
  26. Мизюк А.И., Коротаев Г.К., Григорьев А.В., Пузина О.С., Лишаев П.Н. Долгопериодная изменчивость термохалинных характеристик Азовского моря на основе численной вихреразрешающей модели // Морской гидрофизический журнал. 2019. № 5. C. 496–510.
  27. Мизюк А.И., Коротаев Г.К. Черноморские внутрипикноклинные линзы по результатам численного моделирования циркуляции бассейна // Изв. РАН. Физика атмосферы и океана. 2020. Т. 56. № 1. С. 112–122.
  28. Мизюк А.И., Коротаев Г.К. Особенности водообмена между бассейнами Черного и Мраморного морей по результатам численного моделирования с упрощенным представлением пролива // Морской гидрофизический журнал. 2024. Т. 40. № 5. С. 752–765.
  29. Мошонкин С.Н., Залесный В.Б., Гусев А.В., Тамсалу Р. Моделирование турбулентности в задачах циркуляции океана // Изв. РАН. Физика атмосферы и океана. 2014. Т. 50. № 1. С. 57–69.
  30. Реснянский Ю.Д., Зеленько А.А., Степанов В.Н., Струков Б.С. Влияние короткопериодных вариаций атмосферных воздействий на крупномасштабную структуру океанографических полей // Гидрометеорологические исследования и прогнозы. 2023. № 3 (389). С. 75–92.
  31. Фомин В.В., Панасенкова И.И., Гусев А.В., Чаплыгин А.В., Дианский Н.А. Система оперативного моделирования Северного Ледовитого океана и прилегающих к нему акваторий на основе российской модели INMOM-Арктика // Арктика: экология и экономика. 2021. Т. 11. № 2. С. 205–218.
  32. Black Sea— In-Situ Near Real Time Observations. URL: https://data.marine.copernicus.eu/product/INSITU_BLK_PHYBGCWAV_DISCRETE_MYNRT_013_03.
  33. Brasseur P., Verron J. The SEEK filter method for data assimilation in oceanography: a synthesis // J. Ocean Dynamics. 2006. 56. Р. 650–661.
  34. Chelton D.B., Schlax M.G., Samelson R.M. Global observations of nonlinear mesoscale eddies // Progress in Oceanography. 2011. 91. Р. 167–216.
  35. Copernicus Climate Change Service (C3S) ERA5: Fifth generation of ECMWF atmospheric reanalyses of the global climate, Copernicus Climate Change Service Climate Data Store (CDS), электронный ресурс. URL: https://cds.climate.copernicus.eu/ Grieco G. Implementation of NEMO-OPA in configuration ORCAR025 // CMCC Annual reports. 2015. 19 p.
  36. Global Ocean 1/12° Physics Analysis And Forecast Updated Daily, электронный ресурс. URL: http://marine.copernicus.eu/services-portfolio/access-to-products/?option=com_csw&view=details&product_id=GLOBAL_ANALYSIS_FORECAST_PHY_001_024
  37. Guinehut S., Dhomps A.-L., Larnicol1 G., Le Traon P.-Y. High resolution 3-D temperature and salinity fields derived from in situ and satellite observations // Ocean Sci. 2012. V. 8. Р. 845–857.
  38. NOAA Operational Model Archive and Distribution System, электронный ресурс. URL: https://nomads.ncep.noaa.gov/
  39. Kalmykov V.V., Ibrayev R.A., Kaurkin M.N., Ushakov K.V. Compact Modeling Framework v3.0 for high-resolution global ocean–ice–atmosphere models // Geoscientific Model Development. 2018. V. 11. № 10. P. 3983–3997.
  40. Knysh V.V., Saenko O.A., Sarkisyan A.S. Method of assimilation of altimeter data and its test in the tropical North Atlantic // Russ. J. Numer. Anal. Math. Modelling. 1996. V. 11. № 5. P. 333–409.
  41. Korotaev G.K., Oguz T., Dorofeev V.L., Demyshev S.G., Kubryakov A.I. Development of Black Sea nowcasting and forecasting system // Ocean Sci. 2011. V. 7. Р. 629–649.
  42. Large W.G., Yeager S. Diurnal to decadal global forcing for ocean and sea-ice models: the data sets and flux climatologies // NCAR Technical Note, NCAR/TN-460+STR, CGD Division of the National Center for Atmospheric Research. 2004. 105 p.
  43. Lellouche J.-M., Greine E., Le Galloudec O. Garric G., Regnier C., Drevillon M., Benkiran M., Testut C.-E., Bourdalle-Badie R., Gasparin F., Hernandez O., Levier B., Drillet Y., Remy E., Le Traon P.-Y. Recent updates to the Copernicus Marine Service global ocean monitoring and forecasting real-time 1/12° high-resolution system // Ocean Sci. 2018. V. 14. P. 1093–1126.
  44. Madec G. and the NEMO team. NEMO ocean engine: Note du pôle de modélisation. Paris: IPSL № 27. January 2016. 402 p.
  45. Madec G., Imbard M. A global ocean mesh to overcome the North Pole singularity // Clim. Dynam. 1996. 12. Р. 381–388.
  46. Marchuk G.I., Paton B.E. The Black Sea as a simulation ocean model // Russ. J. Numer. Anal. Math. Modelling. 2012. V. 27. № 1. P. 1–4.
  47. Moshonkin S.N., Alekseev G.V., Bagno A.V., Gusev A.V., Diansky N.A., Zalesny V.B. Numerical simulation of the North Atlantic — Arctic Ocean — Bering Sea circulation in the 20th century // Russ. J. Numer. Anal. Math. Modeling. 2011. V. 26. № 2. Р. 161–178.
  48. NOAA Operational Model Archive and Distribution System, электронный ресурс. URL: https://nomads.ncep.noaa.gov/
  49. Verbrugge N., Mulet S., Guinehut S., Buongiorno-Nardelli B. ARMOR3D: A 3D multi-observations T, S, U, V product of the ocean // Geophysical Research Abstracts. 2017. V. 19. EGU2017-17579.
  50. Zalesny V.B., Marchuk G.I., Agoshkov V.I., Gusev F.V., Diansky N.A., Volodin E.M., Tamsalu R. Numerical modeling of the large-scale ocean circulation on the base of multicomponent splitting method // Russ. J. Numer. Anal. Math. Modeling. 2010. V. 25. № 6. P. 581–609.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу


Creative Commons License
Бұл мақала лицензия бойынша қол жетімді Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».