=Paper= {{Paper |id=Vol-2260/8_459-467 |storemode=property |title=Модельные оценки меридионального переноса массы в Атлантике с применением методов усвоения данных наблюдений (Model Estimates of the Meridional Mass Transfer in the Atlantic Using the Data Assimilation Methods) |pdfUrl=https://ceur-ws.org/Vol-2260/8_459-467.pdf |volume=Vol-2260 |authors=Natalia Tuchkova,Konstantin Belyaev,Guriy Mikhailov,Alexey Salnikov }} ==Модельные оценки меридионального переноса массы в Атлантике с применением методов усвоения данных наблюдений (Model Estimates of the Meridional Mass Transfer in the Atlantic Using the Data Assimilation Methods)== https://ceur-ws.org/Vol-2260/8_459-467.pdf

Модельные оценки меридионального переноса
массы в Атлантике с применением методов усвоения
данных наблюдений
Н.П. Тучкова1, К.П. Беляев1,2, Г.М. Михайлов1, А. Н. Сальников1,3
1
Вычислительный центр им. А.А. Дородницына ФИЦ ИУ РАН
2
Институт океанологии им. П.П. Ширшова РАН
3
ФОУ ВПО "Московский государственный университет имени
М.В.Ломоносова", факультет ВМК

Аннотация. В работе проводятся оценки меридионального потока массы,
рассчитанные по совместной модели «океан-земля-атмосфера» института
им. М.Планка c применением методов усвоения данных наблюдений. В
качестве наблюдаемых данных использовались разрезы вдоль Атлантики за
1991-1995 гг из архивов Института Океанологии им. П.П.Ширшова РАН по
температуре и солености. Имеющиеся разрезы состоят из около 650 станций, на
которых произведено от 100 до 3000 измерений от поверхности до дна. В
процессе работы проводились оценки скоростей течений, как чисто модельные,
так и с усвоением этих данных наблюдений. В качестве метода усвоения
использовался обобщенный метод Калмана, описание которого содержится
работах авторов. В исследовании сделан акцент на климатические изменения
процессов в океане. Была проведена оценка, как конкретные данные
наблюдений влияют на долгопериодную изменчивость динамических величин в
океане. Глубоководные данные экспериментов Института океанологии в южной
части Атлантики представляют собой уникальный материал для изучения
климатической изменчивости и влиянии динамики Южной Атлантики на
глобальные процессы в океане и атмосфере. Обработка экспериментов была
выполнена на базе вычислительного кластера "Ломоносов-2" Московского
государственного университета имени М.В.Ломоносова.

Ключевые слова: метод усвоения данных GKF, суперкомпьютер
Ломоносов-2, кластерная система DKRZ Mistral, совместная модель MPI-ESM.

459
Model estimates of the meridional mass transfer
in the Atlantic using the data assimilation methods
N.P. Tuchkova1, K.P. Belyaev1,2, G.M. Mikhailov1, A.N. Salnikov1,3
1
Dorodnicyn Computing Center FRC CS C of RAS, Vavilov str, 40,
11933,Moscow, Russia
2
Shirshov Institute of Oceanology of RAS, Nahimovskiy pr. 36, 117218
Moscow, Russia
3
Lomonosov Moscow State University, GSP-1, Leninskie Gory, Moscow,
119991, Russia

Abstract. The meridian mass flow estimates are calculated using the coupled
ocean-earth-atmosphere model of the Max Planck Institute for Meteorology in
conjunction with the data assimilation methods of observations data. As the observed
data, sections along the Atlantic for 1991-1995 were used from the archives of the
Shirshov Institute of Oceanology of Russian Academy of Science contained
temperature and salinity profiles. The available sections have about 650 stations each
of them contains from 100 up to 3000 measurements from the surface to the bottom.
The estimates of the flow velocities were carried out both purely model (control) and
with the assimilation of these observational data. As a method of assimilation, the
generalized Kalman method (GKF) was utilized, its description is presented earlier by
authors. The study focuses on climate change processes in the ocean. An assessment
was made of how specific observations affect the long-term variability of the ocean
dynamic parameters. The deep-water data of the experiments is a unique material for
studying climatic variability and the influence of the dynamics of the South Atlantic
on global processes in the ocean and the atmosphere. The numerical experiments
were processed on the computational cluster "Lomonosov-2" of the Lomonosov
Moscow State University.

Keywords: GKF data assimilation method, supercomputer Lomonosov-2, cluster
system DKRZ Mistral, coupled model MPI-ESM.

Введение
При анализе динамики океана одним из важных направлений
исследований является расчет потоков тепла и массы через выделенные
границы для заданных областей и для океана в целом. Такие расчеты требуются
для целого ряда задач, прежде всего для оценок баланса тепла и влаги, на
которых строятся среднесрочные и долгосрочные прогнозы погоды и
климатические сценарии. При этом важно отметить, что расчеты
осуществляются по реальным данным с применением методов математического
моделирования и на основе известных физических законов, выраженных в виде
дифференциальных и интегро-дифференциальных уравнений. Каждое из
составляющих в этих пунктах подвержено своим погрешностям, имеет свои

460
ошибки и неточности. Имеет место недостаток реальных данных, часто они
недостоверны, бывают пропуски в рядах наблюдений, заметные погрешности и
пр. Применяемые для расчетов модели и методы не полностью адекватны
реальности, они основаны на различных приближениях и гипотезах, которые
только приблизительно описывают реальность. Разностные приближения в
дифференциальных моделях достаточно грубы, не описывают процессы на
мелких и подсеточных масштабах. Все это требует развития и
совершенствования методов анализа, чему и посвящено применение динамико-
стохастических методов для усвоения данных наблюдений. В данной работе
представлено применение авторского гибридного метода, реализованного на
суперкомпьютере Ломоносов-2 для реальных наблюдений в Атлантике,
проводимых в 1991-1995 гг.
В работе сделан акцент на климатические изменения процессов в океане.
Глубоководных станций мало, каждая из них представляет большой интерес, и
важно оценить, как конкретные данные наблюдений влияют на
долгопериодную изменчивость динамических величин в океане. Следует
отметить, что глубоководные эксперименты Институтом океанологии в южной
части Атлантики после 1995 г не проводились, поэтому важно использовать
имеющийся уникальный материал.

Модельные эксперименты
В процессе численных экспериментов получены оценки меридионального
переноса водных масс по результатам математического моделирования с
усвоением данных наблюдений с особым акцентом на перенос Антарктических
Донных Вод (ААДВ). В качестве математической модели использована
глобальная совместная модель MPI-ESM (Earth System Model [1]), которая
установлена в настоящий момент на суперкомпьютере в Германском
Вычислительном Центре (DKRZ, Гамбург, Германия). Использовалась ее
версия высокого разрешения в 0.2° по океану, то есть около 20 км. Для
усвоения данных разработан оригинальный алгоритм, обобщающий схемы
Калмана, известные в литературе как фильтр Калмана [2] , протестированный
для океанских моделей и детально описанный в [3]. Преимущества данного
алгоритма в том, что он учитывает не только разницу между моделью и
данными наблюдений, но и тенденцию (временную производную) как в модели,
так и в данных наблюдений.
В работе были усвоены 6 разрезов профилей температуры и солености от
поверхности (0-6 м) до дна (до 5720 м), всего около 650 станций, выполненных
судами Института Океанологии им. П.П.Ширшова РАН под руководством
проф. Морозова Е.Г. Схемы разрезов показаны на рис.1.
Общая схема эксперимента была следующей: сначала модель разгонялась
на 150 лет. А именно, в качестве начальных данных (initial conditions) для
океанской части использовались средние "исторические" значения температуры
и солености 1850 г. из атласов наблюдений [4]. Для атмосферной части из

461
архивов брались соответствующие значения (аэрозоли, озон и др.). С этим
начальными условиями проводилась интеграция с интервалами расчетов от
месяца до года для накопления рестартовых значений. Таким образом, модель
выводилась на стационарный счет, а значения рестартов (характеристики
океана и атмосферы) архивировались и из них формировались массивы для
статистической обработки.
Далее на суперкомпьютере Ломоносов-2 с условного 1900 г. проводился
расчет до 1993 г. и усвоение данных на один момент времени, условный 1993 г.,
хотя реально разрезы выполнялись в течение нескольких месяцев.

Рис. 1. Схемы расположения станций глубоководных экспериментов ИО РАН

462
В предыдущих исследованиях [5], было установлено, что для авторского
гибридного метода усвоения достаточно массива порядка 50 значений по
каждой характеристике океана (температура, соленость, горизонтальные и
вертикальные скорости, уровень океана и др.). Полученный расчет поля
сравнивался с аналогичным расчетом, но без усвоения, контрольным расчетом.
На рис. 2 показана разница в полях температуры на различных уровнях
(горизонтах).

(а)

(б)
Рис. 2. Разница полей потенциальной температуры контрольного значения
и усвоенных данных на глубине: а) 6 м; б) 2080 м

463
Рис. 2а показывает разницу на поверхности (6 м), рис. 2б - на уровне
2080 м. Хорошо видно, что, несмотря на то, что сам разрез имеет стандартную
форму линии, эта разница имеет заметно выраженный анизотропный характер и
показывает сложное взаимодействие полей различных характеристик при
усвоении данных. На больших глубинах данных наблюдений в экспериментах
было значительно меньше, что видно из разницы наблюдаемых и модельных
характеристик.

Рис. 3. Картина переноса ААДВ до (красная кривая) и после усвоения (зеленая
линия) на горизонтах от 3395 м до дна 5720 м при потенциальной температуре
меньше 1.9°С

На рис. 3 показан меридиональный перенос массы в Южной Атлантике.
Меридиональный перенос водных масс рассчитывался как общий, так и
отдельно для массы ААДВ, которая выделялась по критерию ТП < 1.9°С, где
ТП обозначает потенциальную температуру воды.
В работе проводились и анализировались соответствующие оценки с
усвоением данных и сравнивались с контрольными оценками без усвоения
данных наблюдений. Известно, что регионы экспериментов, где отбирались
пробы воды для сбора наблюдений, отличаются особым влиянием на климат
планеты. По результатам исследований можно сделать вывод, что расчет
переносов тепла и массы в глубоких слоях океана с использованием методов
усвоения может существенно скорректировать имеющиеся к настоящему
времени оценки.
На рис. 4 показано, как изменилось значение вертикальных скоростей,
характеризующих перенос водных масс, после усвоения данных наблюдений.

464
(a)

(б)

Рис. 4. Разница скоростей контрольного значения и усвоенных данных
на глубине: а) 6 м; б) 3770 м

465
Заключение
Проведенные численные эксперименты позволяют сделать вывод, что
модельные климатические поля после усвоения данных наблюдений
соответствуют природным тенденциям.
Проанализирована физическая и математическая состоятельность
применяемого в работе метода, а также его практическая реализуемость в
сравнении с другими аналогичными методами.
Показано, что применение методов усвоения существенно корректирует
количественно и качественно характеристики модельных физических полей.
Это замечено не только для непосредственно наблюдаемых и используемых в
процессе усвоения величин, но и для косвенных оценок, таких как перенос
тепла и массы. Полученные поправки могут быть весьма значимыми и
достигать 70-80% от модельных расчетов без усвоения.
Краткосрочные прогнозы в данном контексте не строились, а изучалась
исключительно климатическая (долгопериодная) изменчивость. Оценки
точности для краткосрочных прогнозов в Южной Атлантике дать невозможно,
так как отсутствую синоптические данные в глубинных слоях для этого
региона.
Работа ведется в рамках тем государственного задания «Математические
методы анализа данных и прогнозирования» (ФИЦ ИУ РАН) и № 0149-2018-
0003 (ИО РАН).

Литература
1. Jungclaus J.H., Fischer N., Haak H., Lohmann K., Marotzke J., Matei D.,
Mikolajewicz U., Notz D., Storch J.S. Characteristics of the ocean simulations in
the Max Planck Institute Ocean Model (MPIOM) the ocean component of the
MPI-Earth system model // JAMES. — 2013, Issue 2. — P. 422-446.
https://doi.org/10.1002/jame.20023.
2. Kalnay E., Ota Y., Miyoshi T., Liu J. A simpler formulation of forecast sensitivity
to observations: application to ensemble Kalman filters // Tellus A: Dynamic
Meteorology and Oceanography. — 2012. — 64:1.
https://doi.org/10.3402/tellusa.v64i0.18462.
3. Belyaev K.P., Kirchner I., Kuleshov A.A., Tuchkova N.P. Numerical
Realization of Hybrid Data Assimilation Algorithm in Ensemble Experiments
with the MPIESM Coupled Model. In: Velarde M., Tarakanov R.,
Marchenko A. (eds). The Ocean in Motion. Springer Oceanography. — 2018.
— P. 447-459. https://doi.org/10.1007/978-3-319-71934-4_27.
4. Antonov J.I., D. Seidov T.P., Boyer R.A. Locarnini, A. V. Mishonov,
H. E. Garcia, O. K. Baranova, M. M. Zweng, and D. R. Johnson, 2010. World
Ocean Atlas 2009. — V. 2: Salinity. S. Levitus (ed.) NOAA Atlas NESDIS 69,
U.S. Government Printing Office, Washington, D.C. — P. 184
URL:ftp://ftp.nodc.noaa.gov/pub/WOA09/DOC/woa09_vol2_text.pdf.

466
5. Kaurkin M.N., Ibraev R.A., Belyaev K.P. Data assimilation in the ocean
circulation model of high spatial resolution using the methods of parallel
programming // Russian Meteorology and Hydrology. — 2016. — V. 41. —
Issue 7. — P. 479-486. https://doi.org/10.3103/S1068373916070050.

References
1. Jungclaus J.H., Fischer N., Haak H., Lohmann K., Marotzke J., Matei D.,
Mikolajewicz U., Notz D., Storch J.S. Characteristics of the ocean simulations in
the Max Planck Institute Ocean Model (MPIOM) the ocean component of the
MPI-Earth system model // JAMES. — 2013, Issue 2. — P. 422-446.
https://doi.org/10.1002/jame.20023.
2. Kalnay E., Ota Y., Miyoshi T., Liu J. A simpler formulation of forecast sensitivity
to observations: application to ensemble Kalman filters // Tellus A: Dynamic
Meteorology and Oceanography. — 2012. — 64:1.
URL:https://doi.org/10.3402/tellusa.v64i0.18462.
3. Belyaev K.P., Kirchner I., Kuleshov A.A., Tuchkova N.P. Numerical
Realization of Hybrid Data Assimilation Algorithm in Ensemble Experiments
with the MPIESM Coupled Model. In: Velarde M., Tarakanov R., Marchenko
A. (eds). The Ocean in Motion. Springer Oceanography. — 2018. —
P. 447-459. https://doi.org/10.1007/978-3-319-71934-4_27.
4. Antonov J.I., D. Seidov T.P., Boyer R.A. Locarnini, A. V. Mishonov, H. E.
Garcia, O. K. Baranova, M. M. Zweng, and D. R. Johnson, 2010. World Ocean
Atlas 2009. — V. 2: Salinity. S. Levitus (ed.) NOAA Atlas NESDIS 69, U.S.
Government Printing Office, Washington, D.C. — P. 184
ftp://ftp.nodc.noaa.gov/pub/WOA09/DOC/woa09_vol2_text.pdf.
5. Kaurkin M.N., Ibraev R.A., Belyaev K.P. Data assimilation in the ocean
circulation model of high spatial resolution using the methods of parallel
programming // Russian Meteorology and Hydrology. — 2016. — V. 41. —
Issue 7. — P. 479-486. https://doi.org/10.3103/S1068373916070050.

467