Алгоритмы усвоения данных для моделей химии атмосферы

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Задача усвоения данных для нестационарных моделей переноса и трансформации примесей рассматривается как последовательность связанных обратных задач о восстановлении пространственно-временной структуры функций состояния с учетом поступающих в ходе моделирования данных измерений. Усвоение данных осуществляется вместе с идентификацией дополнительной искомой функции источника, которую мы называем функцией неопределенности модели. Целью работы является краткий исторический обзор и представление актуальной версии алгоритма усвоения данных для моделей химии атмосферы на основе операторов чувствительности и ансамблей решений сопряженных уравнений с демонстрацией работы алгоритма для трехмерной модели с нелинейным оператором измерений в одном из сценариев моделирования для Байкальского региона.

Об авторах

А. В. Пененко

Институт вычислительной математики и математической геофизики СО РАН; Югорский государственный университет

Email: aleks@ommgp.sscc.ru
пр. Лаврентьева, 6, Новосибирск, 630090 Россия; ул. Чехова, 16, Ханты-Мансийск, 628012 Россия

В. В. Пененко

Институт вычислительной математики и математической геофизики СО РАН

Email: aleks@ommgp.sscc.ru
пр. Лаврентьева, 6, Новосибирск, 630090 Россия

Е. А. Цветова

Институт вычислительной математики и математической геофизики СО РАН

Автор, ответственный за переписку.
Email: aleks@ommgp.sscc.ru
пр. Лаврентьева, 6, Новосибирск, 630090 Россия

Список литературы

  1. Агошков В.И. Методы оптимального управления и сопряженных уравнений в задачах математической физики. М.: ИВМ РАН, 2003. 255 с.
  2. Алоян А.Е. Моделирование динамики и кинетики газовых примесей и аэрозолей в атмосфере. М.: Наука, 2008. 415 c.
  3. Бажин Н.М., Пененко В.В., Алоян А.Е., Скубневская Г.И. Математическое моделирование распространения загрязнений в атмосфере с учетом химической трансформации // Успехи химии. 1991. Т. 60. № 3.
  4. Десятков Б.М. и др. Определение некоторых характеристик источника аэрозольных примесей путем решения обратной задачи их распространения в атмосфере // Оптика атмосферы и океана. 1999. Т. 12. № 2. C. 136–139.
  5. Дымников В.П., Залесный В.Б. Основы вычислительной геофизической гидродинамики. М.: ГЕОС, 2019. 448 с.
  6. Зуев В.Е., Зуев В.В. Дистанционное оптическое зондирование атмосферы. СПб.: Гидрометеоиздат, 1992. 232 с.
  7. Марчук Г.И. О постановке некоторых обратных за- дач // Докл. АН СССР. 1964. Т. 156. № 3. С. 503–506.
  8. Марчук Г.И. Численное решение задач динамики атмосферы и океана. Л.: Гидрометеоиздат, 1974. 304 с.
  9. Марчук Г.И., Пененко В.В. Исследование чувствительности дискретных моделей динамики атмосферы и океана // Изв. АН СССР. Физика атмосферы и океана. 1979. T. 15. № 11. С. 1123–1131.
  10. Марчук Г.И. Математическое моделирование в проблеме окружающей среды. М.: Наука, 1982. 319 c.
  11. Марчук Г.И., Дымников В.П., Залесный В.Б., Лыко- сов В.Н., Галин В.Я. Математическое моделирование общей циркуляции атмосферы и океана Л.: Гидрометеоиздат, 1984. 320 с.
  12. Марчук Г.И., Дымников В.П., Залесный В.Б. Математические модели в геофизической гидродинамике и численные методы их реализации. Л.: Гидрометеоиздат, 1987. 287 с.
  13. Марчук Г.И. Методы расщепления М.: Наука, 1988. 263 с.
  14. Марчук Г.И. Сопряженные уравнения и анализ сложных систем. М.: Наука, 1992. 334 с.
  15. Марчук Г.И., Агошков В.И., Шутяев В.П. Сопряженные уравнения и методы возмущений в нелинейных задачах математической физики. М.: Наука, 1993. 223 с.
  16. Панасенко Е.А., Старченко А.В. Определение городских районов-загрязнителей атмосферного воздуха по данным наблюдений // Оптика атмосферы и океана. 2009. Т. 22. № 3. C. 279–283.
  17. Пененко В.В. Вычислительные аспекты моделирования динамики атмосферных процессов и оценки влияния различных факторов на динамику атмосферы / В кн. Некоторые проблемы вычислительной и прикладной математики. Новосибирск: Наука, 1975. С. 61–75.
  18. Пененко В.В., Образцов Н.Н. Вариационный метод согласования полей метеорологических элементов // Метеорология и гидрология. 1976. № 11. С. 1–11.
  19. Пененко В.В. Методы численного моделирования атмосферных процессов. Л.: Гидрометеоиздат, 1981. 352 с.
  20. Пененко В.В., Алоян А.Е., Бажин Н.М., Скубневская Г.И. Численная модель гидрометеорологического режима и загрязнения промышленных районов // Метеорология и гидрология. 1984. № 4. С. 5–15.
  21. Пененко В.В., Алоян А.Е. Модели и методы для задач охраны окружающей среды. Новосибирск: Наука, 1985. 224 c.
  22. Пененко В.В., Рапута В.Ф., Панарин А.В. Планирование эксперимента в задаче определения положения и мощности источника примеси // Метеорология и гидрология. 1985. № 11. C. 15–22.
  23. Пененко В.В., Цветова Е.А., Скубневкая Г.И., Дульце- ва Г.Г., Кейко А.В. Численное моделирование химической кинетики и переноса загрязняющих примесей в атмосфере индустриальных регионов // Химия устойчивого развития. 1997. № 5. С. 535–539.
  24. Пененко В.В. Вариационные методы усвоения данных и обратные задачи для изучения атмосферы, океана и окружающей среды // Сибирский журнал вычислительной математики. 2009. Т. 12. № 4. С. 421–434.
  25. Пененко А.В., Пененко В.В. Прямой метод вариационного усвоения данных для моделей конвекции-диффузии на основе схемы расщепления // Вычислительные технологии. 2014. Т. 19. № 4. C. 69–83.
  26. Пененко В.В., Цветова Е.А., Пененко А.В. Развитие вариационного подхода для прямых и обратных задач гидротермодинамики и химии атмосферы // Изв. РАН. Физика атмосферы и океана. 2015. Т. 51. № 3. С. 358–367.
  27. Пененко В.В., Цветова Е.А., Пененко А.В. Методы совместного использования моделей и данных наблюдений в рамках вариационного подхода для прогнозирования погоды и качества состава атмосферы // Метеорология и гидрология. 2015. № 6. С. 13–24.
  28. Пененко А.В., Пененко В.В., Цветова Е.А. Последовательные алгоритмы усвоения данных в моделях мониторинга качества атмосферы на базе вариационного принципа со слабыми ограничениями // Сибирский журнал вычислительной математики. 2016. Т. 19. № 4. С. 401–418.
  29. Пененко А.В., Мукатова Ж.С., Пененко В.В., Гочаков А.В., Антохин П.Н. Численное исследование прямого вариационного алгоритма усвоения данных в городских условиях // Оптика атмосферы и океана. 2018. Т. 31. № 6. C. 456–462.
  30. Пененко В.В., Пененко А.В., Цветова Е.А., Гочаков А.В. Методы исследования чувствительности модели качества атмосферы и обратные задачи геофизической гидротермодинамики // Прикладная механика и техническая физика. 2019. Т. 60. № 2. С. 238–246.
  31. Шутяев В.П. Операторы управления и итерационные алгоритмы в задачах вариационного усвоения данных. М.: Наука, 2001. 238 с.
  32. Arridge S. et al. Solving inverse problems using data-driven models // Acta Numerica. 2019. V. 28. P. 1–174.
  33. Baklanov A. et al. Online coupled regional meteorology chemistry models in Europe: current status and prospects // Atmospheric Chemistry and Physics. 2014. V. 14. № 1. P. 317–398.
  34. Baklanov A. et al. From urban meteorology, climate and environment research to integrated city services // Urban Climate. 2018. V. 23. P. 330–341.
  35. Bieringer P. E. et al. Paradigms and commonalities in atmospheric source term estimation methods // Atmospheric Environment. 2017. V. 156. P. 102–112.
  36. Bocquet M. et al. Data assimilation in atmospheric chemistry models: current status and future prospects for coupled chemistry meteorology models // Atmospheric Chemistry and Physics. 2015. V. 15. № 10. P. 5325–5358.
  37. Carrassi A. et al. Data assimilation in the geosciences: An overview of methods, issues, and perspectives // Wiley Interdisciplinary Reviews: Climate Change. 2018. V. 9. 10.1002/wcc.535.
  38. Cheng S. et al. Machine learning with data assimilation and uncertainty quantification for dynamical systems: A Review // IEEE/CAA J. of Automatica Sinica. 2023. V. 10. № 6. P. 1361–1387.
  39. Elbern H. et al. Emission rate and chemical state estimation by 4-dimensional variational inversion // Atmospheric Chemistry and Physics Discussions. 2007. V. 7. № 1. P. 1725–1783.
  40. Elbern H. et al. Data assimilation in atmospheric chemistry and air quality/ In: Advanced Data Assimilation for Geosciences. Oxford University Press, 2014. P. 507–534. 10.1093/acprof:oso/9780198723844.003.0022.
  41. Hundsdorfer W., Verwer J.G. Numerical Solution of Time-Dependent Advection-Diffusion-Reaction Equations. Berlin Heidelberg: Springer, 2013. 479 p.
  42. Le Dimet F.X., Talagrand O. Variational algorithms for analysis and assimilation of meteorological observations: theoretical aspects // Tellus. 1986. V. 38 A. P. 97–110.
  43. Le Dimet F.-X., Souopgui I., Titaud O., Shutyaev V., and Hussaini M. Y. Toward the assimilation of images // Nonlinear Processes in Geophysics. 2015. V. 22. № 1. P. 15–32. doi: 10.5194/npg-22-15-2015.
  44. Issartel J.-P. Rebuilding sources of linear tracers after atmospheric concentration measurements // Atmospheric Chemistry and Physics. 2003. V. 3. P. 2111–2125.
  45. Issartel J.-P. Emergence of a tracer source from air concentration measurements, a new strategy for linear assimilation // Atmospheric Chemistry and Physics. 2005. V. 5. № 1. P. 249–273.
  46. Kumar P. et al. Reconstruction of an atmospheric tracer source in an urban-like environment // Journal of Geophysical Research: Atmospheres. 2015. V. 120. № 24. P. 12589–12604.
  47. Liu X. et al. Data-Driven Machine Learning in Environmental Pollution: Gains and Problems // Environmental Science and Technology. 2022. V. 56. № 4. P. 2124–2133.
  48. Mahura A. et al. Towards seamless environmental prediction — development of Pan-Eurasian EXperiment (PEEX) modelling platform// Big Earth Data. 2024. V. 8:2. P. 189–230. doi: 10.1080/20964471.2024.2325019
  49. Mamonov A.V., Tsai Y.-H.R. Point source identification in nonlinear advection-diffusion-reaction systems // Inverse Problems. 2013. V. 29. № 3. P. 35009.
  50. Marchuk G.I., Penenko V.V. Application of perturbation theory to problem of simulation of atmospheric processes / In: Monsoon dynamics (Eds. J. Lighthill & P.R.Pearce). Cambridge: Cambridge University Press, 1981. P. 639–655.
  51. Mijling B. High-resolution mapping of urban air quality with heterogeneous observations: a new methodology and its application to Amsterdam // Atmospheric Measurement Techniques. 2020. V. 8. P. 4601-4617.
  52. Murio D.A. The mollification method and the numerical solution of ill-posed problems / D.A. Murio, John Wiley & Sons, Inc., 1993.
  53. Nguyen C., Soulhac L., Salizzoni P. Source Apportionment and Data Assimilation in Urban Air Quality Modelling for NO2: The Lyon Case Study // Atmosphere. 2018. V. 9.
  54. doi: 10.3390/atmos9010008.
  55. Nguyen C.V., Soulhac L. Data assimilation methods for urban air quality at the local scale // Atmospheric Environment. 2021. V. 253. P. 118366.
  56. Penenko V., Tsvetova E. Orthogonal decomposition methods for inclusion of climatic data into environmental studies // Ecological Modelling. 2008. V. 217. № 3–4. P. 279–291.
  57. Penenko V., Baklanov A., Tsvetova E., Mahura A. Direct and inverse problems in a variational concept of environmental modeling // Pure and Applied Geophysics. 2012. V. 169. № 3. P. 447–465.
  58. Penenko V.V., Tsvetova E.A., Penenko A.V. Variational approach and Euler’s integrating factors for environmental studies // Computers & Mathematics with Applications. 2014. V. 67. № 12. P. 2240–2256.
  59. Penenko A. Convergence analysis of the adjoint ensemble method in inverse source problems for advection-diffusion-reaction models with image-type measurements// Inverse Problems & Imaging, 2020. V. 14. № 5. P. 757–782.
  60. Penenko A, Penenko V., Tsvetova E., Gochakov A., Pyanova E., and Konopleva V. Sensitivity operator framework for analyzing heterogeneous air quality monitoring systems // Atmosphere. 2021. V. 12. № 12. P. 1697.
  61. Penenko A., Rusin E. Parallel implementation of a sensitivity operator-based source identification algorithm for distributed memory computers // Mathematics. 2022. V. 10. №. 23. P. 4522.
  62. Penenko A.V., Konopleva V.S., Penenko V.V. Inverse modeling of atmospheric chemistry with a differential evolution solver: inverse problem and data assimilation// IOP Conference Series: Earth and Environmental Science. 2022. V. 10. P. 012015
  63. Penenko A.V., Rusin E.V. Numerical study of a sensitivity operator-based emission sources identification algorithm with nonlinear measurement operator // Proc. SPIE, 29th International Symposium on Atmospheric and Ocean Optics: Atmospheric Physics. 2023.
  64. doi: 10.1117/12.2690857.
  65. Penenko A., Emelyanov M., Rusin E., Tsybenova E., Shablyko V. Hybrid Deep Learning and Sensitivity Operator-Based Algorithm for Identification of Localized Emission Sources // Mathematics. 2024. V. 12 № 1. P. 78.
  66. Penenko A.V., Gochakov A.V., Antokhin P.N. Data assimilation algorithm based on the sensitivity operator for a three-dimensional model of transport and transformation of atmospheric contaminants // Atmos. Ocean Opt. 2024. V. 37. P. 822–832.
  67. Pyanova E.A., Penenko V.V., Faleychik, L.M. Simulation of atmospheric dynamics and air quality in the Baikal region // Proc. SPIE, 20th International Symposium on Atmospheric and Ocean Optics. Atmospheric Physics. 2014. V. 9292.
  68. doi: 10.1117/12.2074998.
  69. Pudykiewicz J.A. Application of adjoint tracer transport equations for evaluating source parameters // Atmospheric Environment. 1998. V. 32. № 17. P. 3039–3050.
  70. Sasaki Y.K. An objective analysis based on the variational method // J. Meteor. Soc. Japan. 1958. V. 36. P. 77–88.
  71. Sasaki Y. Some basic formalisms in numerical variational analysis // Mon. Wea Rev. 1970. V. 98. P. 875–883.
  72. Skamarock W.C. et al. A Description of the Advanced Research WRF Version 4. 2019.
  73. Silver J.D. et al. Multi-species chemical data assimilation with the Danish Eulerian hemispheric model: system description and verification // Journal of Atmospheric Chemistry. 2015. V. 73. № 3. P. 261–302.
  74. Sokhi R.S. et al. Advances in air quality research — current and emerging challenges // Atmospheric Chemistry and Physics. 2022. V. 22. № 7. P. 4615–4703.
  75. Turbelin G., Singh S.K., Issartel J.-P. Reconstructing source terms from atmospheric concentration measurements: Optimality analysis of an inversion technique // Journal of Advances in Modeling Earth Systems. 2014. V. 6. № 4. P. 1244–1255.
  76. Xing J. et al. Data Assimilation of Ambient Concentrations of Multiple Air Pollutants Using an Emission-Concentration Response Modeling Framework // Atmosphere. 2020. V. 11. № 12. P. 1289.
  77. WMO. Seamless prediction of the Earth system: from minutes to months. Geneva, Switzerland: World Meteorological Organization, 2015.WMO-No 1156. 471 p.
  78. WMO. Guide to Instruments and Methods of Observation. Geneva, Switzerland: WMO. 2018. P. 506–541.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии 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».