Variational Data Assimilation for Ocean Thermodynamics Model and Sensitivity of Marine Characteristics to Observation Errors

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The methodology of variational assimilation of observational data for the restoration of the initial state and heat fluxes for the mathematical model of sea thermodynamics is presented. An algorithm is developed for estimating the sensitivity of a model solution to errors in observational data. Calculation of the gradient of the response function of the model solution is based on the use of the Hessian of the cost functional. The results of numerical experiments for the Black Sea dynamics model developed at INM RAS are presented.

About the authors

V. P. Shutyaev

Marchuk Institute of Numerical mathematics Russian Academy of Sciences

Author for correspondence.
Email: victor.shutyaev@mail.ru
Russia, 119333, Moscow, Gubkin str., 8

E. I. Parmuzin

Marchuk Institute of Numerical mathematics Russian Academy of Sciences

Author for correspondence.
Email: e.parmuzin@inm.ras.ru
Russia, 119333, Moscow, Gubkin str., 8

References

  1. Агошков В.И. Методы оптимального управления и сопряженных уравнений в задачах математической физики. М.: ИВМ РАН, 2003.
  2. Агошков В.И., Пармузин Е.И., Шутяев В.П. Численный алгоритм вариационной ассимиляции данных наблюдений о температуре поверхности океана // Журн. вычисл. матем. и матем. физ. 2008. Т. 48. № 8. С. 1371–1391.
  3. Агошков В.И., Пармузин Е.И., Шутяев В.П. Ассимиляция данных наблюдений в задаче циркуляции Черного моря и анализ чувствительности ее решения // Изв. РАН. Физика атмосферы и океана. 2013. Т. 49. № 6. С. 643–654.
  4. Агошков В.И., Шутяев В.П., Пармузин Е.И., Захарова Н.Б., Шелопут Т.О, Лезина Н.Р. Вариационная ассимиляция данных наблюдений в математической модели динамики Черного моря // Морской гидрофизический журн. 2019. Т. 35. № 6. С. 585–599.
  5. Дианский Н.А., Багно А.В., Залесный В.Б. Сигма-модель глобальной циркуляции океана и ее чувствительность к вариациям напряжения трения ветра // Изв. РАН. Физика атмосферы и океана. 2002. Т. 38. № 4. С. 537–556.
  6. Захарова Н.Б. Верификация данных наблюдений о температуре поверхности моря // Современные проблемы дистанционного зондирования Земли из космоса. 2016. Т. 13. № 3. С. 106–113.
  7. Лупян Е.А., Матвеев А.А., Уваров И.А., Бочарова Т.Ю., Лаврова О.Ю., Митягина М.И. Спутниковый сервис See the Sea – инструмент для изучения процессов и явлений на поверхности океана // Современные проблемы дистанционного зондирования Земли из космоса. 2012. Т. 9. № 2. С. 251–261.
  8. Марчук Г.И., Дымников В.П., Залесный В.Б. Математические модели в геофизической гидродинамике и численные методы их реализации. Л.: Гидрометеоиздат, 1987.
  9. Марчук Г.И., Залесный В.Б. Моделирование циркуляции мирового океана c четырехмерной вариационной ассимиляцией полей температуры и солености // Изв. РАН. Физика атмосферы и океана. 2012. Т. 48. № 1. С. 21–36.
  10. Пененко В.В., Образцов Н.Н. Вариационный метод согласования полей метеорологических элементов // Метеорология и гидрология. 1976. № 11. С. 1–11.
  11. Пененко В.В. Методы численного моделирования атмосферных процессов. Л.: Гидрометеоиздат, 1981.
  12. Тихонов А.Н. О решении некорректно поставленных задач и методе регуляризации // ДАН СССР. 1963. Т. 151. № 3. P. 501–504.
  13. Шутяев В.П. Операторы управления и итерационные алгоритмы в задачах вариационного усвоения данных. М.: Наука, 2001.
  14. Шутяев В.П., Ле Диме Ф. Чувствительность функционалов задач вариационного усвоения данных // ДАН. Математика. 2019. Т. 486. № 4. С. 421–425.
  15. Agoshkov V.I., Gusev A.V., Diansky N.A., Oleinikov R.V. An algorithm for the solution of the ocean hydrothermodynamics problem with variational assimilation of the sea level function data // Russ. J. Numer. Anal. Math. Modelling. 2007. V. 22. № 2. P. 133–161.
  16. Asch, M.; Bocquet, M.; Nodet, M. Data Assimilation: Methods, Algorithms, and Applications; SIAM: Philadelphia, USA, 2016.
  17. Cacuci D.G. Sensitivity theory for nonlinear systems: II.Extensions to additional classes of responses // J. Math. Phys. 1981. V. 22. P. 2803–2812.
  18. Carrassi A., Bocquet M., Bertino L., Evensen G. Data assimilation in the geosciences: an overview of methods, issues, and perspectives // WIREs Clim. Change. 2018. V. 9. P. 1–80.
  19. Chen F., Shapiro G., Thain R. Sensitivity of Sea Surface Temperature Simulation by an Ocean Model to the Resolution of the Meteorological Forcing // Int. Sch. Res. Not. Oceanography. 2013. V. 2013. P. 215715.
  20. Cioaca A., Sandu A., de Sturler E. Efficient methods for computing observation impact in 4D-Var data assimilation // Comput. Geosci. 2013. V. 17. P. 975–990.
  21. Daescu D.N. On the sensitivity equations of four-dimensional variational (4D-Var) data assimilation // Mon.Weather Rev. 2008. V. 136. P. 3050–3065.
  22. Le Dimet F.X., Talagrand O. Variational algorithms for analysis and assimilation of meteorological observations: theoretical aspects // Tellus. 1986. V. 38A. P. 97–110.
  23. Le Dimet F.-X., Ngodock H. E., Luong B., Verron J. Sensitivity analysis in variational data assimilation // J. Meteorol. Soc. Japan. 1997. V. 75(1B). P. 245–255.
  24. Le Dimet F.-X., Navon I. M., Daescu D. N. Second-order information in data assimilation // Month. Wea. Rev. 2002. V. 130. № 3. P. 629–648.
  25. Le Dimet F.-X., Shutyaev V. On deterministic error analysis in variational data assimilation // Nonlinear Processes in Geophysics. 2005. V. 12. P. 481–490.
  26. Le Dimet F.-X., Shutyaev V., Parmuzin E. Sensitivity of functionals with respect to observations in variational data assimilation // Russ. J. Numer. Anal. Math. Modelling. 2016. V. 31. № 2. P. 81–91.
  27. Fletcher S.J. Data Assimilation for the Geosciences: From Theory to Application; Elsevier: Amsterdam, the Netherlands, 2017.
  28. Gejadze I., Le Dimet F.-X., Shutyaev V.P. On analysis error covariances in variational data assimilation // SIAM J. Sci. Comput. 2008. V. 30. № 4. P. 1847–1874.
  29. Gejadze I., Le Dimet F.-X., Shutyaev V.P. On optimal solution error covariances in variational data assimilation problems // J. Comp. Phys. 2010. V. 229. P. 2159–2178.
  30. Gejadze I., Shutyaev V.P., Le Dimet F.-X. Analysis error covariance versus posterior covariance in variational data assimilation // Q. J. R. Meteorol. Soc. 2013. V. 139. P. 1826–1841.
  31. Gualtieri G. Analysing the uncertainties of reanalysis data used for wind resource assessment: A critical review // Renew. Sustain. Energy Rev. 2022. V. 167. P. 112741.
  32. Hersbach H. et al. The ERA5 global reanalysis // Q. J. R. Meteorol. Soc. 2020. V. 146. P. 1999–2049.
  33. Lions J.L. Contrôle optimal des syst`emes gouvern’es par des ´equations aux d’eriv’ees partielles. Paris: Dunod, 1968.
  34. Marchuk G.I. Adjoint Equations and Analysis of Complex Systems. Dordrecht: Kluwer, 1995.
  35. Mogensen K., Balmaseda M.A., Weaver A.T., Martin M., Vidard A. NEMOVAR: a variational data assimilation system for the NEMO ocean model // ECMWF Technical Memorandum. 2009. № 120.
  36. Sasaki Y.K. An objective analysis based on the variational method // J.Meteor. Soc. Japan. 1958. V. 36. P. 77–88.
  37. Shapiro G.I., Salim M. How efficient is model-to-model data assimilation at mitigating atmospheric forcing errors in a regional ocean model? // J. Mar. Sci. Eng. 2023. V. 11. № 5. P. 935.
  38. Shutyaev V.P. Methods for observation data assimilation in problems of physics of atmosphere and ocean // Izv. Atmos. Ocean. Phys. 2019. V. 55. P. 17–31.
  39. Shutyaev V., Zalesny V., Agoshkov V., Parmuzin E., Zakharova N. 4D-Var data assimilation and sensitivity of ocean model state variables to observation errors // J. Mar. Sci. Eng. 2023. V. 11. P. 1253.
  40. Zalesny V.B., Agoshkov V.I., Shutyaev V.P., Le Dimet F., Ivchenko B.O. Numerical modeling of ocean hydrodynamics with variational assimilation of observational data // Izv. Atmos. Ocean. Phys. 2016. V. 52. P. 431–442.
  41. Zalesny V., Agoshkov V., Shutyaev V., Parmuzin E., Zakharova N. Numerical modeling of marine circulation with 4D variational data assimilation // J. Mar. Sci. Eng. 2020. V. 8. № 503. P. 1–19.
  42. Zalesny V.B., Diansky N.A., Fomin V.V., Moshonkin S.N., Demyshev S.G. Numerical model of the circulation of the Black Sea and the Sea of Azov // Russ. J. Numer. Anal. Math. Modelling. 2012. V. 27. № 1. P. 95–112.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2.

Download (910KB)
Indexing metadata
3.

Download (1MB)
Indexing metadata
4.

Download (1MB)
Indexing metadata
5.

Download (826KB)
Indexing metadata


Creative Commons License
This work is licensed under a 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».