Assimilation of Argo profile measurements and sea surface temperature data by the NEMO ocean circulation model using an ensemble Kalman filter and three-dimensional variational analysis

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

The results of modelling the thermohaline fields of the World Ocean obtained with the NEMO model using assimilations data from ARGO profiling floats and ocean surface temperature (SST) with the two different oceanographic data assimilation systems (ODAS) are presented. One system uses three-dimensional variational scheme 3D‑Var, and the other ODAS employs the ensemble Kalman filter LETKF. It is shown that both ODAS reproduce three-dimensional fields of temperature and salinity approximately equally, but the ODAS based on the ensemble Kalman filter better reproduces SST in the open ocean.

Sobre autores

V. Stepanov

Hydrometerological Research Center of Russian Federation

Email: vlnst@hotmail.co.uk
Moscow

Yu. Resnyanskii

Hydrometerological Research Center of Russian Federation

Moscow

B. Strukov

Hydrometerological Research Center of Russian Federation

Moscow

A. Zelenko

Hydrometerological Research Center of Russian Federation

Moscow

Bibliografia

  1. Агошков В.И., Залесный В.Б., Шелопут Т.А. Вариационная ассимиляция данных в задачах моделирования гидрофизических полей в открытых акваториях // Известия РАН. ФАО. 2020. Т. 56. № 3. С. 293–308. doi: 10.31857/S0002351520030025.
  2. Агошков В.И., Шутяев В.П., Пармузин Е.И. и др. Вариационная ассимиляция данных наблюдений в математической модели динамики Черного моря // Морской гидрофизический журнал. 2019. Т. 35. № 6. С. 585–599. doi: 10.22449/0233-7584-2019-6-585-599.
  3. Зеленько А.А., Вильфанд Р.М., Реснянский Ю.Д. и др. Система усвоения океанографических данных и ретроспективный анализ гидрофизических полей Мирового океана // Известия РАН. Физика атмосферы и океана. 2016. Т. 52. № 4. С. 501–513. doi: 10.7868/S0002351516040143.
  4. Зеленько А.А., Реснянский Ю.Д. Морские наблюдательные системы как составная часть оперативной океанологии (обзор) // Метеорология и гидрология. 2018. № 12. С. 5–30.
  5. Зеленько А.А., Реснянский Ю.Д., Цырульников М.Д. и др. Глобальная система усвоения океанографических данных: Пилотная версия // Труды VI Российской научно-технической конференции “Современное состояние и проблемы навигации и океанографии” (“НО-2007”), 23–25 мая 2007 г. Санкт-Петербург, 2007. С. 464–473.
  6. Зеленько А.А., Реснянский Ю.Д., Цырульников М.Д. и др. Мониторинг крупномасштабной структуры гидрофизических полей океана // Современные проблемы динамики океана и атмосферы. М.: Триада ЛТД, 2010. С. 131–172.
  7. Кауркин М.Н., Ибраев Р.А., Беляев К.П. Усвоение данных наблюдений в модели динамики океана высокого пространственного разрешения с применением методов параллельного программирования // Метеорология и гидрология. 2016. № 7. С. 47–57.
  8. 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. Т. 56. № 6. С. 852–860. doi: 10.7868/S0030157416060058.
  9. Кауркин М.Н., Ибраев Р.А., Беляев К.П. Усвоение данных альтиметрии в модели динамики океана методом ансамблевой интерполяции // Известия РАН. ФАО. 2018. Т. 54. № 1. С. 64–72. doi: 10.7868/S0003351518010075.
  10. Коротаев Г.К. Кныш В.В., Лишаев П.Н., Демышев С.Г. Применение метода адаптивной статистики для реанализа полей Черного моря c ассимиляцией псевдоизмерений температуры и солености в модели // Морской гидрофизический журнал. 2018. Т. 34. № 1. С. 40–56. doi: 10.22449/0233-7584-2018-1-40-56.
  11. Кулешов А.А., Смирнов И.Н., Танажура К.А.С., Беляев К.П. Cравнение методов усвоения данных в гидродинамических моделях циркуляции океана // Математическое моделирование. 2018. Т. 30. № 12. С. 39–54. doi: 10.31857/S023408790001935-2.
  12. Лишаев П.Н., Кныш В.В., Коротаев Г.К. Восстановление гидрофизических полей Черного моря с ассимиляцией поверхностной температуры и псевдоизмерений температуры, солености в модели // Морской гидрофизический журнал. 2020. Т. 36. № 5. С. 485–500. doi: 10.22449/0233-7584-2020-5-485-500.
  13. Панасенкова И.И., Фомин В.В., Дианский Н.А. Моделирование гидротермодинамических и ледовых характеристик западных морей российской Арктики в квазиоперативном режиме с усвоением спутниковых данных // В сб.: Морские исследования и образование (MARESEDU)-2022. Труды XI Международной научно-практической конференции. Тверь, 2022. С. 32–36.
  14. Пармузин Е.И., Залесный В.Б., Агошков В.И., Шутяев В.П. Методы вариационного усвоения данных в моделях геофизической гидродинамики и их применение // Известия вузов. Радиофизика. 2020. Т. LXIII. № 9–10. С. 749–770.
  15. Ростилов Д.А., Кауркин М.Н., Ибраев Р.А. Сравнение методов усвоения данных на основе классического, ансамблевого и локального фильтра Калмана на примере уравнения адвекции и задачи Лоренца // Вычислительные методы и программирование. 2018. Т. 19. С. 507–515. doi: 10.26089/NumMet.v19r445.
  16. Сеидов Д.Г., Марушкевич А.Д. Самоорганизация течений в океане путем перехода “порядок из хаоса” // Океанология. 1988. Т. 28. Вып. 1. С. 25–31.
  17. Степанов В.Н., Реснянский Ю.Д., Струков Б.С., Зеленько А.А. Крупномасштабная циркуляция океана и характеристики ледяного покрова по данным численных экспериментов с использованием модели NEMO // Метеорология и гидрология. 2019. № 1. С. 50–66.
  18. Степанов В.Н., Реснянский Ю.Д., Струков Б.С., Зеленько А.А. Оценка эффекта усвоения данных наблюдений в модели общей циркуляции океана с помощью ансамблевого фильтра Калмана: численные эксперименты с имитацией наблюдений // Метеорология и гидрология. 2021. № 2. С. 50–66.
  19. Струков Б.С., Реснянский Ю.Д., Зеленько А.А. Релаксационный метод усвоения данных по сплоченности морского льда в модели NEMO–LIM3 с несколькими категориями ледяного покрова // Метеорология и гидрология. 2020. № 2. С. 65–77.
  20. Фомин В.В., Дианский Н.А. Исследование влияния методов усвоения температуры поверхности моря на воспроизведение гидрофизических полей на примере Черного моря // В сб.: Морские исследования и образование (MARESEDU)-2022. Труды XI Международной научно-практической конференции. Тверь, 2022. С. 55–61.
  21. Цырульников М.Д., Свиренко П.И., Горин В.Е. и др. Разработка схемы трехмерного вариационного усвоения данных в Гидрометцентре России // В кн.: 80 лет Гидрометцентру России. М.: ТРИАДА ЛТД, 2010. С. 21–35.
  22. Bell M.J., Lefèbvre M., Le Traon P.-Y. et al. GODAE: The Global Ocean Data Assimilation Experiment // Oceanography. 2009. V. 22(3). P. 14–21. https://doi.org/10.5670/oceanog.2009.62
  23. Belyaev K.P., Kuleshov A.A., Smirnov I.N., Tanajura C.A.S. Comparison of data assimilation methods in hydrodynamics ocean circulation models // Mathematical Models and Computer Simulations. 2019. V. 11. № 4. P. 564–574. doi: 10.1134/S2070048219040045.
  24. Belyaev K.P., Kuleshov A.A., Smirnov I.N., Tanajura C.A.S. The general data assimilation method, its comparison with the standard scheme, and its application to dynamical simulation in the Atlantic // MATEC Web of Conferences. 22. Сер. “22nd International Conference on Circuits, Systems, Communications and Computers, CSCC 2018”. 2018. V. 210. P. 04025. https://doi.org/10.1051/matecconf/201821004025
  25. Belyaev K., Kuleshov A., Smirnov I., Tanajura C.A.S. Generalized Kalman filter and ensemble optimal interpolation, their comparison and application to the hybrid coordinate ocean model // Mathematics. 2021. V. 9. 2371. https:// doi.org/10.3390/math9192371
  26. Dussin R., Barnier B., Brodeau L., Molines J.-M. The Making of the DRAKKAR Forcing Set DFS5. DRAKKAR/MyOcean Report 01-04-16. April 2016. 34 p. https://www.drakkar-ocean.eu/publications/reports/report_DFS5v3_April2016.pdf
  27. Gaspari G., Cohn S.E. Construction of correlation functions in two and three dimensions // Quart. J. Roy. Meteor. Soc. 1999. V. 125. P. 723–757. doi: 10.1002/qj.49712555417.
  28. Gurvan Madec and the NEMO team. Nemo ocean engine – Version 3.6. Technical Report ISSN No. 1288–1619, Pole de modelisation de l’Institut PierreSimon Laplace. No. 27. 2016.
  29. Houtekamer P.L., Mitchell H.L. Data assimilation using an ensemble Kalman filter technique // Mon. Wea. Rev. 1998. V. 126. P. 796–811. doi: 10.1175/1520-0493(1998)126,0796:DAUAEK.2.0.CO;2.
  30. Houtekamer P.L., Mitchell H.L. A sequential ensemble Kalman filter for atmospheric data assimilation // Mon. Wea. Rev. 2001. V. 129. P. 123–137. doi: 10.1175/1520-0493(2001)129,0123:ASEKFF.2.0.CO;2.
  31. Hunt B.R., Kostelich E.J., Szunyogh I. Efficient data assimilation for spatiotemporal chaos: a local ensemble transform Kalman filter // Physica. 2007. D 230. P. 112–126. https://doi.org/10.1016/j.physd.2006.11.008
  32. Iovino D., Masina S., Storto A. et al. A 1/16° eddying simulation of the global NEMOv3.4 sea ice-ocean system // Geosci. Model Dev. 2016. V. 9. P. 2665–2684. www.geosci-model-dev.net/9/2665/2016/ doi: 10.5194/gmd-9-2665-2016.
  33. Klinker E., Rabier F., Kelly G., Mahfouf J.-F. The ECMWF operational implementation of four-dimensional variational assimilation. III: Experimental results and diagnostics with operational configuration // Quart. J. Royal Meteorol. Soc. 2000. V. 126. Iss. 564. P. 1191–1215. https://doi.org/10.1002/qj.49712656417
  34. Locarnini R.A., Mishonov A.V., Antonov J.I. et al. World Ocean Atlas 2013. V. 1: Temperature / S. Levitus (ed.). – NOAA Atlas NESDIS 73. 2013. 40 p.
  35. Martin M.J., Balmaseda M., Bertino L. et al. Status and future of data assimilation in operational oceanography // Journal of Operational Oceanography. 2015. V. 8. № S1. P. s28–s48. doi: 10.1080/1755876X.2015.1022055.
  36. Meier W., Fetterer F., Savoie M. et al. NOAA/NSIDC Climate Data Record of Passive Microwave Sea Ice Concentration, Version 2 // Boulder, Colorado, USA, National Snow and Ice Data Center, 2013, updated 2016. http://dx.doi.org/ 10.7265/N55M63M1
  37. Nerger L., Hille W. Software for Ensemble-based Data Assimilation Systems – Implementation Strategies and Scalability // Computers and Geosciences. 2013. V. 55. P. 110–118. doi: 10.1016/J.CAGEO.2012.03.026.
  38. Nerger L., Hiller W., Schröter J. PDAF – The Parallel Data Assimilation Framework: Experience with Kalman filtering. Use of High Performance Computing in Meteorology. 2005. P. 63–83.
  39. Pham D.T., Verron J., Roubaud M.C. A singular evolutive extended Kalman filter for data assimilation in oceanography // J. Mar. Syst. 1998. V. 16. P. 323–340. doi: 10.1016/S0924-7963(97)00109-7.
  40. Saha S., Moorthi S., Wu X. et al. The NCEP Climate Forecast System Version 2 // Journal of Climate. 2014. V. 27. Iss. 6. P. 2185–2208. https://doi.org/10.1175/JCLI-D-12-00823.1
  41. Schweiger A., Lindsay R., Zhang J. et al. Uncertainty in modeled Arctic sea ice volume // J. Geophys. Res. 2011. V. 116. C00D06. doi: 10.1029/2011JC007084.
  42. Sea Ice modelling Integrated Initiative (SI3) – The NEMO sea ice engine // Scientific Notes of Climate Modelling Center. 2019. V. 31. ISSN 1288-1619, Institut Pierre-Simon Laplace (IPSL). doi: 10.5281/zenodo.1471689.
  43. Shutyaev V.P., Agoshkov V.I., Zalesny V.B. et al. 4D technology of variational data assimilation for sea dynamics problems // Supercomputing Frontiers and Innovations. 2022. V. 9. № 1. P. 4–16. doi: 10.14529/jsfi220101.
  44. Vancoppenollea M., Fichefet T., Goosse H. et al. Simulating the mass balance and salinity of Arctic and Antarctic sea ice. 1. Model description and validation // Ocean Modelling. 2009. V. 27. Iss. 1–2. P. 33–53. https://doi.org/10.1016/j.ocemod.2008.10.005
  45. Zweng M.M., Reagan J.R., Antonov J.I. et al. World Ocean Atlas 2013. V. 2: Salinity. / S. Levitus (ed.). NOAA Atlas NESDIS 74. 2013. 39 p.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2025

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».