Информация о публикации

Просмотр записей
Инд. авторы: Климова Е.Г., Киланова Н.В.
Заглавие: Численные эксперименты по оценке эмиссии метана на основе системы усвоения данных о пассивной примеси в атмосфере Северного полушария
Библ. ссылка: Климова Е.Г., Киланова Н.В. Численные эксперименты по оценке эмиссии метана на основе системы усвоения данных о пассивной примеси в атмосфере Северного полушария // Оптика атмосферы и океана. - 2006. - Т.19. - № 11. - С.961-964. - ISSN 0869-5695.
Внешние системы: РИНЦ: 12844829;
Реферат: rus: Предлагается методика усвоения данных в задаче оценивания концентрации и эмиссии пассивной примеси по данным наблюдений. Прогноз изменения полей концентрации примеси по времени дается с помощью полулагранжевой модели переноса и диффузии пассивной примеси, рассматриваемой для Северного полушария. Используемый в задаче оценивания полей концентрации и эмиссии пассивной примеси алгоритм усвоения данных основан на теории оптимальной фильтрации Калмана. При вычислении ковариационных матриц за основу берется предположение об эргодичности рассматриваемых случайных полей ошибок. В этом случае вероятностное осреднение заменяется на осреднение по времени. Приведены результаты численных экспериментов с модельными данными о концентрации пассивной примеси на примере метана, и показана эффективность предлагаемых подходов к задаче усвоения.
eng: The method of the data assimilation in the problem of estimation of concentration and emission of a passive pollution is offered. The forecast of change of concentration fields of pollution in time is given with the help of semi-Lagrangian model of a passive pollution advection for Northern hemisphere. The algorithm of the data assimilation used is based on the Kalman filter theory. The calculation of covariance matrixes is based on the assumption about ergodicity of considered random error fields. In this case probabilistic averaging is replaced with averaging on time. Results of numerical experiments with the modeled data on concentration of methane are given. The efficiency of offered approaches to the data assimilation problem is presented.
Издано: 2006
Физ. характеристика: с.961-964
Цитирование: 
1. Климова Е.Г. Упрощенные модели для расчета ковариационных матриц в алгоритме фильтра Калмана // Метеорол. и гидрол. 2000. № 6. C. 18-30.
2. Климова Е.Г. Численные эксперименты по усвоению метеорологических данных с помощью субоптимального фильтра Калмана // Метеорол. и гидрол. 2003. № 10. С. 54-67.
3. Климова Е.Г., Киланова Н.В. Усвоение данных наблюдений в задаче переноса и диффузии пассивной примеси // География и природные ресурсы. 2004. Спец. выпуск: Тр. Междунар. конф. ENVIROMIS-2004. Новосибирск, 2004. С. 175-180.
4. Todling R., Cohn S. Suboptimal shemes for atmospheric data assimilation based on the Kalman filter // Mon. Weather. Rev. 1996. V. 124. P. 2530-2557.
5. Сонечкин Д.М. Динамико-стохастический подход к задаче объективного анализа данных разнородных метеорологических наблюдений // Тр. Гидрометцентра СССР. 1976. Вып. 181. С. 54-76.
6. Марчук Г.И., Алоян А.Е. Глобальный перенос примеси в атмосфере // Изв. РАН. Физ. атмосф. и океана. 1995. Т. 31. № 5. С. 597-606.
7. Марчук Г.И. Математическое моделирование в проблеме окружающей среды. М.: Наука, 1982. 319 c.
8. Bermejo R., Staniforth A. The conversion of semi-Lagrangian advection scheme to quasi-monotone scheme // Mon. Weather. Rev. 1992. V. 120. P. 2622-2632.
9. Jazwinski A.H. Stochastic processes and filtering theory. New York: Academic Press, 1970. 377 p.
10. Ghil M., Malanotte-Rizzolli P. Data assimilation in meteorology and oceanography // Advances in Geophysics. 1991. V. 33. Р. 141-266.
11. Menard R., Cohn S.E., Chang L.-P., Lyster P.M. Assimilation of stratospheric chemical tracer observations using a Kalman filter. Part 1: Formulation // Mon. Weather. Rev. 2000. V. 128. P. 2654-2671.
12. Menard R., Chang L.-P. Assimilation of stratospheric chemical tracer observations using a Kalman filter. Part 2: χ2-validated results and analysis of variance and correlation dynamics // Mon. Weather. Rev. 2000. V. 128. P. 2672-2686.
13. Климова Е.Г. Модель для расчета ковариаций ошибок прогноза в алгоритме фильтра Калмана, основанная на полных уравнениях // Метеорол. и гидрол. 2001. № 11. С. 11-21.
14. Heemink A.W., Segers A.J. Modeling and prediction of environmental data in space time using Kalman filtering // Stochastic Environ. Res. and Risk Assessment. 2002. V. 16. P. 225-240.
15. Крупчатников В.Н., Крылова А.И. Численное моделирование распределения метана по данным наблюдений на поверхности Земли // Оптика атмосф. и океана. 2000. Т. 13. № 6-7. С. 622-626.
16. 
17. Boden T.A., Kaiser D.P., Sepanski R.J., Stoss F.W. Trends`93: A Compendium of Data on Global Change. Tennessee, 1994. 1012 p.