Численное моделирование распространения пассивной примеси в атмосфере с использованием данных натурных наблюдений

Численное моделирование распространения пассивной примеси в атмосфере с использованием данных натурных наблюдений

Автор: Киланова, Наталья Владимировна

Шифр специальности: 05.13.18

Научная степень: Кандидатская

Год защиты: 2006

Место защиты: Новосибирск

Количество страниц: 106 с.

Артикул: 3043515

Автор: Киланова, Наталья Владимировна

Стоимость: 250 руб.

Численное моделирование распространения пассивной примеси в атмосфере с использованием данных натурных наблюдений  Численное моделирование распространения пассивной примеси в атмосфере с использованием данных натурных наблюдений 

Содержание
Введение
Глава 1. Полулагранжева модель переноса пассивной примеси для
Северного полушария
1.1. Введение
1.2. Постановка задачи. Уравнение переноса пассивной примеси. Граничные условия
1.3. Квазимонотонная полулагранжева схема решения уравнения переноса пассивной примеси.
1.3.1. Решение уравнения переноса
1.3.2. Решение уравнений диффузии
1.4. Численные эксперименты с моделью
1.5. Основные результаты главы 1.
Глава 2. Алгоритм усвоения данных о пассивной примеси, основанный на
теории фильтра Калмана.
2.1. Введение
2.2. Дискретный алгоритм фильтра Калмана.
2.3. Алгоритмы усвоения данных, основанные на теории фильтра Калмана
2.4. Система усвоения данных наблюдений, основанная на модели
переноса и диффузии пассивной примеси
2.4.1. Блоксхема системы усвоения данных наблюдений о
концентрации.
2.4.2.Особенности этапов реализации субоптимальных алгоритмов усвоения данных о концентрации пассивной примеси.
2.4.3. Программная реализация субоптимальных алгоритмов усвоения данных о концентрации пассивной примеси.
2.5. Численные эксперименты по оценке полей концентрации пассивной примеси
2.6. Основные результаты главы 2.
Глава 3. Методика оценки эмиссии пассивной примеси и систематической
ошибки модели, основанная на теории фильтра Калмана
3.1. Введение
3.2. Алгоритм совместной оценки концентрации и эмиссии пассивной примеси, основанный на алгоритме фильтра Калмана
3.3. Численные эксперименты по оценке эмиссии пассивной примеси
3.4. Алгоритм совместной оценки концентрации и систематической ошибки модели, основанный на фильтре Калмана.
3.5. Численные эксперименты по оценке систематической ошибки модели.
3.6. Основные результаты главы 3.
Заключение
Литература


Большой вклад в исследование задач усвоения данных в такой постановке внес А. Лоренц (А. С. Lorenc, Англия) [3-4]. В работе [5] ведется обсуждение проблемы численного прогноза погоды и приведены алгоритмы усвоения данных наблюдений для ее решения. Главной геофизической обсерватории им. А.И. Воейкова, Гидрометцентре России, Национальном Центре Прогнозов Окружающей Среды, Европейском Центре Среднесрочных Прогнозов Погоды, Метеорологической службе Великобритании (Met Office, Devon, UK), Метеорологической службе Франции (Meteo France, Toulouse, France), Японском метеорологическом агентстве (JMA, Tokyo, Japan) и др. Алгоритм фильтра Калмана был предложен Калманом P. E. в г. В г. Калман P. E. и Бюси P. C. обобщили этот алгоритм на непрерывный по времени случай для линейной динамической системы со случайным шумом. А.Х. Jazwinski А. Н.) предложил вариант обобщенного алгоритма фильтра Калмана [6]. Алгоритм фильтра Калмана позволяет получить оптимальную в смысле минимума дисперсии ошибки оценку искомых полей на основе ряда данных наблюдений и прогностической модели. Этот алгоритм является рекурсивным, т. Как правило, прогностические модели нелинейны. В этом случае применяют обобщенный алгоритм фильтра Калмана [6]. В -х годах прошлого века появились работы отечественных авторов, в которых они предлагали применять алгоритм фильтра Калмана в задачах усвоения данных. В работе Сонечкина Д. М. показано, что при определенных условиях (например, при нормальном распределении ошибок прогноза и ошибок наблюдения) постановка задачи оптимальной фильтрации эквивалентна постановке задачи вариационного усвоения [7]. Проводились численные эксперименты по динамико-стохастическому усвоению модельных данных на основе баротропной прогностической модели атмосферы. Также в работах Покровского О. Калмана, для оценки метеорологических величин [8, 9]. Наряду с применением алгоритма фильтра Калмана в метеорологических задачах, задачах усвоения данных океанических наблюдений, проводятся исследования применимости алгоритма фильтра Калмана в задаче усвоения данных наблюдений о концентрации примесей в атмосфере. Задачи, связанные с переносом, диффузией и трансформацией атмосферных примесей, а также оценкой источников эмиссии активно развиваются в связи с остро стоящей экологической проблемой. Исследование парниковых газов, их влияние на климат - одна из наиболее актуальных задач охраны окружающей среды. Все более активному применению систем усвоения в данной области также способствует увеличивающиеся количество данных спутниковых измерений. Наиболее интенсивные исследования применения алгоритма фильтра Калмана в задаче усвоения данных проводятся последнее десятилетие за рубежом. Возможности применения этого алгоритма в задачах усвоения данных метеорологических и океанических наблюдений подробно изложены в []. В работе [] показана применимость алгоритма фильтра Калмана в задачах усвоения данных наблюдений в океане. В работах [, ] рассматривается система усвоения данных UARS (Upper Atmosphere Research Satellite) для двух измерительных приборов, расположенных на этом спутнике, CLAES (Cryogenic Limb Array Etalon Sounder) и HALOE (Halogen Observation Experiment). UARS проводит регулярные наблюдения в стратосфере. В работах представлены результаты исследования параметров предложенной системы усвоения, таких как ошибка модели, ошибка наблюдений, радиус корреляции, и приведены результаты численных экспериментов по усвоению данных о концентрации метана, измеренных указанными выше приборами UARS. Моделирование химических реакций. Кроме того, уравнения, описывающие химические реакции, нелинейные. В связи с этим встает' проблема применения в таких задачах алгоритма фильтра Калмана, так как этот алгоритм формулируется для линейной прогностической модели. Задание и оценка источников эмиссии примесей. Реализация полного алгоритма в применении к практическим задачам метеорологии, океанологии и переноса примесей невозможна для современных вычислительных машин. Это квадратная матрица размерности вектора решения.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.388, запросов: 244