Вариационное усвоение приземной температуры и инициализация почвенных переменных для полулагранжевой глобальной модели численного прогноза погоды

• Автор: Богословский, Николай Николаевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Москва
• Количество страниц: 142 с. : ил.

Содержание
Введение .

Глава 1. Обзор методов усвоения данных наблюдений.

1.1. Оптимальная интерполяция .

1.2. Вариационное усвоение.

1.3. Фильтры Калмаиа.

1.4. Анализ почвенных переменных

Выводы.
Глава 2. Разработка алгоритма вариационного усвоения приземной температуры и схемы инициализации почвенных переменных .

2.1. Полулаграижспа модель. Формулировка и дискретизация модели

2.2. Параметризация I

2.3. Схема коррекции почвенных переменных
2.4. Постановка задачи вариационного усвоения данных наблюдений приземной температуры
2.5. Дискретная формулировка вариационного усвоения и алгоритм решения
Выводы.
Глава 3. Численные эксперименты по усвоению и прогнозам
3.1. Используемые данные наблюдений .
3.2. Описание проводимых расчетов .
3.3. Сравнение модельных прогнозов при использовании в модели старой параметризации и параметризации I.
3.4. Численные эксперименты с использованием новой схемы коррекции почвенных переменных.
3.5. Проверка вариационного алгоритма на тесте одно наблюдение
3.6. Численные эксперименты по вариационному усвоению данных наблюдений
3.7. Численные эксперименты по влиянию параметров задания ковариационной матрицы ошибок поля первого приближения . .
3.8. Численные эксперименты по усвоению и прогнозам для зимнего
и летнего месяца
Глава 4. Программная реализация, и распараллеливание алгоритмов. Результаты тестирования параллельной реализации
4.1. Организация вычислений
4.2. Параллельная реализация вариационного алгоритма усвоения данных
4.3. Результаты тестирования параллельного алгоритма.
Заключение .
Литература


Анализ используется для описания истинного состояния физической системы, но он также может использоваться, например, как начальное условие для изучения дальнейшей временной эволюции физической системы. Первые попытки проведения анализа были сделаны еще в первой половине -го века. Тогда делались попытки представить метеорологические наблюдения в разборчивом виде на графиках или картах, для того, чтобы проанализировав метеорологические карты предыдущих и текущего состояния атмосферы сделать некий прогноз на будущее. Такой метод восстановления состояния атмосферы из данных наблюдения стал называться субъективным анализом. После появления первых электронных вычислительных машин стало возможным проведение автоматической процедуры оценки состояния атмосферы на регулярной двумерной! Человек осуществлял разработку и реализацию процедуры оценки состояния атмосферы и закладывал ее в компьютер. В дальнейшем человек уже не принимал непосредственного участия при получении анализа. В метеорологии анализ используется в качестве начальных данных о состоянии атмосферы при численном прогнозе погоды. Так же анализ может использоваться в качестве псевдо-наблюдепий для других приложений в задачах метеорологии. Усвоение данных. Задачу усвоения данных наблюдений можно рассматривать с разных точек зрения, в зависимости от области применения и применяемых подходов (теория управления, теория оценивания, вероятностная теория, вариационный анализ и т. Несколько хороших введений в усвоение данных наблюдений с различных точек зрения даны в работах [, , , ]. Одной из задач усвоения данных наблюдений, является задача инициализации модельных полей. При рассмотрении усвоения данных наблюдений с этой точки зрения, ставится задача выбора "иаилучшего" , в некотором смысле, начального условия модели численного прогноза погоды с использованием имеющихся данных наблюдений. В дальнейшем под усвоением данных наблюдений будет пониматься именно данное применение. В метеорологии, усвоение данных наблюдений является одним из главных компонентов численного прогноза погоды. Использование современных подходов к усвоению и использование новых данных о состоянии атмосферы (например спутниковой информации) позволяет улучшить качество проводимого анализа, а вместе с ним и улучшить качество численного прогноза погоды. Существует два основных подхода к усвоению данных: последовательное усвоение, в котором рассматриваются наблюдения сделанные только до момента анализа, применяется в системах усвоения реального времени, и не последовательное (ретроспективное) усвоение, где наблюдения из будущего могут использоваться, например, в задачах реанализа. В дискретных методах данные наблюдений обрабатываются на небольшом временном интервале. В непрерывных методах, данные наблюдений рассматриваются над большим промежутком времени и тогда анализ получается более гладким по времени, что физически более правильно. Далее проведем краткий обзор существующих методов усвоения данных наблюдения в задачах метеорологии. Первые схемы усвоения данных наблюдений были ориентированы главным образом на решение задачи интерполирования измеренных значений искомых метеорологических величин в узлы вычислительной сетки прогностической модели. Одним из первых и простейших методов был метод Крессмапа [, ]. Его можно описать как алгоритм, в котором модельное состояние равняется наблюдению в точках близких к доступным наблюдениям и произвольным (скажем, климатические значения или значения предыдущего анализа) в противоположном случае. Такой алгоритм все еще широко применяется в простых системах усвоения данных. Модельное состояние, которое в численной модели представляет собой двумерные или трехмерные поля прогностических переменных, представляется в виде одномерного вектора. В этом векторе учитываются все переменные, для которых производится анализ. Если мы определим через х^ приближенную оценку модельного состояния атмосферы (так называемое поле первого приближения), получаемую из климатических значений или предыдущего прогноза, а через ?