УЛУЧШЕНИЕ ТОЧНОСТИ ПРОГНОЗА СОСТОЯНИЯ МИРОВОГО ОКЕАНА ЗА СЧЕТ ОПТИМАЛЬНОГО РАСПОЛОЖЕНИЯ ИЗМЕРИТЕЛЕЙ

Обложка

Цитировать

Полный текст

Аннотация

В работе демонстрируется влияние расположения измерителей на точность оперативного прогноза состояния Мирового океана. Проводится сравнение различных методов расстановки измерителей, в том числе расстановка, полученная методом Concrete Autoencoder (CA). Для оценки влияния расположения датчиков на точность прогноза проводилось моделирование, имитирующее ситуацию, когда начальное состояние Мирового океана заметно отличается от реального. В эксперименте заменялись начальные условия для модели океана и льда, при этом атмосферный форсинг сохранялся из контрольного эксперимента. Затем производилось интегрирование модели с усвоением данных об «истинном» состоянии в точках расположения сенсоров. Результаты показали, что расстановка сенсоров, полученная при помощи методов глубокого обучения, превосходит в точности прогноза другие рассмотренные расстановки при сопоставимом числе сенсоров.

Об авторах

Н. А. Турко

Институт океанологии им. П.П. Ширшова РАН

Email: nikitaturko@yandex.ru
ORCID iD: 0000-0002-8039-9087
аспирант физико-математических наук 2019-2023

А. А. Лобашев

Сколковский институт науки и технологий

ORCID iD: 0000-0002-9522-9996

К. В. Ушаков

Институт океанологии им. П.П. Ширшова РАН; Московский физико-технический институт (НИУ)

ORCID iD: 0000-0002-8454-9927

М. Н. Кауркин

Институт океанологии им. П.П. Ширшова РАН

ORCID iD: 0000-0002-0921-3630

Л. Ю. Кальницкий

Арктический и антарктический научно-исследовательский институт

ORCID iD: 0009-0005-4023-2257

С. А. Сёмин

Институт проблем безопасного развития атомной энергетики РАН

ORCID iD: 0000-0001-8079-168X
кандидат физико-математических наук

Р. А. Ибраев

Институт вычислительной математики им. Г.И. Марчука РАН; Институт океанологии им. П.П. Ширшова РАН; Московский физико-технический институт (НИУ)

ORCID iD: 0000-0002-9099-4541

Список литературы

  1. Кальницкий Л. Ю., Кауркин М. Н., Ушаков К. В. и др. Сезонная изменчивость циркуляции вод и морского льда в Северном Ледовитом океане в модели высокого разрешения // Известия Российской академии наук. Физика атмосферы и океана. — 2020. — Т. 56, № 5. — С. 598—610. — doi: 10.31857/S0002351520050065.
  2. Кауркин М. Н., Ибраев Р. А. Исследование чувствительности алгоритма усвоения малочисленных данных наблюдений в модели динамики океана // Морской гидрофизический журнал. — 2019. — Т. 35, № 2. — doi: 10.22449/0233-7584-2019-2-105-113.
  3. Кошляков М. Н., Тараканов Р. Ю. Введение в физическую океанографию. — Москва : МФТИ, 2014. — 142 с.
  4. Abbasi M. R., Chegini V., Sadrinasab M., et al. Correcting the Sea Surface Temperature by Data Assimilation Over the Persian Gulf // Iranian Journal of Science and Technology, Transactions A: Science. — 2018. — Vol. 43, no. 1. — P. 141–149. — doi: 10.1007/s40995-017-0357-z.
  5. Abid A., Balin M. F., Zou J. Concrete Autoencoders for Differentiable Feature Selection and Reconstruction // Cornell University. — 2019. — Vol. abs/1901.09346. — doi: 10.48550/ARXIV.1901.09346.
  6. Alonso A. A., Frouzakis C. E., Kevrekidis I. G. Optimal sensor placement for state reconstruction of distributed process systems // AIChE Journal. — 2004. — Vol. 50, no. 7. — P. 1438–1452. — doi: 10.1002/aic.10121.
  7. Boyer T. P., Antonov J. I., Baranova O. K., et al. World ocean database 2013. — U. S. Department of Commerce, National Oceanic, Atmospheric Administration, National Environmental Satellite, Data, Information Service, National Oceanographic Data Center, Ocean Climate Laboratory, 2013. — doi: 10.7289/V5NZ85MT.
  8. Clark E., Askham T., Brunton S. L., et al. Greedy Sensor Placement With Cost Constraints // IEEE Sensors Journal. — 2019. — Vol. 19, no. 7. — P. 2642–2656. — doi: 10.1109/JSEN.2018.2887044.
  9. Covert I., Qiu W., Lu M., et al. Learning to Maximize Mutual Information for Dynamic Feature Selection // Proceedings of the 40th International Conference on Machine Learning. — Honolulu, Hawaii, USA : PMLR 202, 2023. — doi: 10.48550/arXiv.2301.00557.
  10. Desai S. Jason-3 GPS based orbit and SSHA OGDR. — 2016. — doi: 10.5067/J3L2G-OGDRF.
  11. Fadeev R. Y., Ushakov K. V., Tolstykh M. A., et al. Design and development of the SLAV-INMIO-CICE coupled model for seasonal prediction and climate research // Russian Journal of Numerical Analysis and Mathematical Modelling. — 2018. — Vol. 33, no. 6. — P. 333–340. — doi: 10.1515/rnam-2018-0028.
  12. Hersbach H., Bell B., Berrisford P., et al. The ERA5 global reanalysis // Quarterly Journal of the Royal Meteorological Society. — 2020. — Vol. 146, no. 730. — P. 1999–2049. — doi: 10.1002/qj.3803.
  13. Huijben I. A. M., Veeling B. S., Sloun R. J. G. van. Deep probabilistic subsampling for taskadaptivecompressed sensing // International Conference on Learning Representations 2020. — ICLR, 2020.
  14. Hunke E. C., Lipscomb W. H., Turner A. K., et al. CICE: The Los Alamos Sea Ice Model Documentation and Software User’s Manual Version 5 (Tech. Rep. LA-CC-06-012). — Los Alamos National Laboratory, 2015.
  15. Jang E., Gu S., Poole B. Categorical Reparameterization with Gumbel-Softmax // Cornell University. — 2016. — Vol. abs/1611.01144. — doi: 10.48550/arXiv.1611.01144.
  16. Kalmykov V. V., Ibrayev R. A., Kaurkin M. N., et al. Compact Modeling Framework v3.0 for high-resolution global ocean-ice-atmosphere models // Geoscientific Model Development. — 2018. — Vol. 11, no. 10. — P. 3983–3997. — doi: 10.5194/gmd-11-3983-2018.
  17. Kaurkin M. N., Ibrayev 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. — 2016a. — Vol. 41, no. 7. — P. 479–486. — doi: 10.3103/S1068373916070050.
  18. Kaurkin M. N., Ibrayev R. A., Koromyslov A. EnOI-Based Data Assimilation Technology for Satellite Observations and ARGO Float Measurements in a High Resolution Global Ocean Model Using the CMF Platform // Supercomputing. — Springer International Publishing, 2016b. — P. 57–66. — doi: 10.1007/978-3-319-55669-7_5.
  19. Krause A., Singh A., Guestrin C. Near-optimal sensor placements in Gaussian processes: Theory, efficient algorithms and empirical studies // Journal of Machine Learning Research. — 2008. — Vol. 9, no. 2.
  20. Kumar P., El Sayed Y. M., Semaan R. Optimized sensor placement using stochastic estimation for a flow over a 2D airfoil with Coanda blowing // 7th AIAA Flow Control Conference. — American Institute of Aeronautics, Astronautics, 2014. — doi: 10.2514/6.2014-2101.
  21. Lavergne T., Sørensen A. M., Kern S., et al. Version 2 of the EUMETSAT OSI SAF and ESA CCI sea-ice concentration climate data records // The Cryosphere. — 2019. — Vol. 13, no. 1. — P. 49–78. — doi: 10.5194/tc-13-49-2019.
  22. Li X., Wang S., Cai Y. Tutorial: Complexity analysis of Singular Value Decomposition and its variants // Cornell University. — 2019. — Vol. abs/1906.12085. — doi: 10.48550/arXiv.1906.12085.
  23. Lobashev A. A., Turko N. A., Ushakov K. V., et al. Concrete Autoencoder for the Reconstruction of Sea Temperature Field from Sparse Measurements // Journal of Marine Science and Engineering. — 2023. — Vol. 11, no. 2. — P. 404. — doi: 10.3390/jmse11020404.
  24. Maddison C. J., Mnih A., Teh Y. W. The Concrete Distribution: A Continuous Relaxation of Discrete Random Variables // Cornell University. — 2016. — Vol. abs/1611.00712. — doi: 10.48550/arXiv.1611.00712.
  25. Manohar K., Brunton B. W., Kutz J. N., et al. Data-Driven Sparse Sensor Placement for Reconstruction: Demonstrating the Benefits of Exploiting Known Patterns // IEEE Control Systems. — 2018. — Vol. 38, no. 3. — P. 63–86. — doi: 10.1109/MCS.2018.2810460.
  26. Murray R. J. Explicit Generation of Orthogonal Grids for Ocean Models // Journal of Computational Physics. — 1996. — Vol. 126, no. 2. — P. 251–273. — doi: 10.1006/jcph.1996.0136.
  27. Nagata T., Nonomura T., Nakai K., et al. Data-Driven Sparse Sensor Selection Based on A-Optimal Design of Experiment with ADMM // IEEE Sensors Journal. — 2021. — Vol. 21, no. 13. — P. 15248–15257. — doi: 10.1109/JSEN.2021.3073978.
  28. Nakai K., Yamada K., Nagata T., et al. Effect of Objective Function on Data-Driven Greedy Sparse Sensor Optimization // IEEE Access. — 2021. — Vol. 9. — P. 46731–46743. — doi: 10.1109/ACCESS.2021.3067712.
  29. Nguyen L., Hu G., Spanos C. J. Efficient Sensor Deployments for Spatio-Temporal Environmental Monitoring // IEEE Transactions on Systems, Man, and Cybernetics: Systems. — 2020. — Vol. 50, no. 12. — P. 5306–5316. — doi: 10.1109/TSMC.2018.2872041.
  30. Pathak J., Subramanian S., Harrington P., et al. FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators // Cornell University. — 2022. — Vol. abs/2202.11214. — doi: 10.48550/arXiv.2202.11214.
  31. Ryan A. G., Regnier C., Divakaran P., et al. GODAE OceanView Class 4 forecast verification framework: global ocean inter-comparison // Journal of Operational Oceanography. — 2015. — Vol. 8, sup1. — s98–s111. — doi: 10.1080/1755876X.2015.1022330.
  32. Saito Y., Nonomura T., Yamada K., et al. Determinant-Based Fast Greedy Sensor Selection Algorithm // IEEE Access. — 2021. — Vol. 9. — P. 68535–68551. — doi: 10.1109/ACCESS.2021.3076186.
  33. Sallée J.-B., Pellichero V., Akhoudas C., et al. Summertime increases in upper-ocean stratification and mixed-layer depth // Nature. — 2021. — Vol. 591, no. 7851. — P. 592–598. — doi: 10.1038/s41586-021-03303-x.
  34. Sun S., Liu S., Liu J., et al. Wind Field Reconstruction Using Inverse Process With Optimal Sensor Placement // IEEE Transactions on Sustainable Energy. — 2019. — Vol. 10, no. 3. — P. 1290–1299. — doi: 10.1109/TSTE.2018.2865512.
  35. Turko N., Lobashev A., Ushakov K., et al. Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields // Supercomputing. — Springer International Publishing, 2022. — P. 167–184. — doi: 10.1007/978-3-031-22941-1_12.
  36. Turpin V., Remy E., Traon P. Y. L. How essential are Argo observations to constrain a global ocean data assimilation system? // Ocean Science. — 2016. — Vol. 12, no. 1. — P. 257–274. — doi: 10.5194/os-12-257-2016.
  37. Ushakov K. V., Ibrayev R. A. Assessment of mean world ocean meridional heat transport characteristics by a high-resolution model // Russian Journal of Earth Sciences. — 2018. — Vol. 18, no. 1. — doi: 10.2205/2018ES000616.
  38. Wong A. P. S., Wijffels S. E., Riser S. C., et al. Argo Data 1999–2019: Two Million Temperature-Salinity Profiles and Subsurface Velocity Observations From a Global Array of Profiling Floats // Frontiers in Marine Science. — 2020. — Vol. 7. — doi: 10.3389/fmars.2020.00700.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Турко Н.А., Лобашев А.А., Ушаков К.В., Кауркин М.Н., Кальницкий Л.Ю., Сёмин С.А., Ибраев Р.А., 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 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».