| Инд. авторы: | Платонова М.В., Климова Е.Г. |
| Заглавие: | Метод усвоения данных для задачи распространения пассивной примеси в атмосфере, основанный на динамико-стохастическом подходе |
| Библ. ссылка: | Платонова М.В., Климова Е.Г. Метод усвоения данных для задачи распространения пассивной примеси в атмосфере, основанный на динамико-стохастическом подходе // Интерэкспо Гео-Сибирь. - 2019. - Т.6. - № 1. - С.94-100. - ISSN 2618-981X. |
| Внешние системы: | DOI: 10.33764/2618-981X-2019-6-1-94-101 ; РИНЦ: 41329272; |
| Реферат: | rus: В данной работе рассмотрена методика усвоения данных для задачи распространения концентрации пассивной примеси в атмосфере. Описаны классические подходы к решению подобных задач, выделены особенности применения алгоритмов, их минусы и плюсы. Рассмотрены два алгоритма: ансамблевого фильтра Калмана и ансамблевого сглаживания Калмана. Рассмотрены различные способы улучшения сходимости этих алгоритмов, такие как локализация и увеличивающий множитель. eng: In this paper, we consider the method of data assimilation for the problem the propagation of the concentration a passive impurity in the atmosphere. Classical approaches to solving such problems are described, features of the application of algorithms, their minuses and pros. Two algorithms are considered: the ensemble Kalman filter and the ensemble Kalmans moother. Various ways to improve the convergence of these algorithms, such as localization and inflation factor, are considered. |
| Ключевые слова: | ансамблевое сглаживание Калмана; увеличивающий множитель; прогнозирование; перенос и диффузия; концентрация пассивной примеси; локализация; оценка; модель; data assimilation; Ensemble Kalman filter; ensemble Kalman smoother; inflation factor; forecasting; transfer and diffusion; concentration of passive admixture; localization; ансамблевый фильтр Калмана; усвоение данных; model; assessment; |
| Издано: | 2019 |
| Физ. характеристика: | с.94-100 |
| Цитирование: | 1. Carrassi A., Bocquet M., Bertino L., Evensen G. Data assimilation in the geosciences: An overview of methods, issuers and perspectives // Wiley interdisciplinary reviews: Climate Change. 2018. V. 131, Issue5, e535, doi: 10.1002/wcc535. 2. Evensen, G., P.J. van Leeuwen An ensemble Kalman smoother for nonlinear dynamics // Monthly Weather Review. 2000. V. 128. P. 1852-1867. 3. Klimova, E. A suboptimal data assimilation algorithm based on the ensemble Kalman filter // Quarterly Journal of the Royal Meteorological Society. 2012. V. 138, P. 2079-2085. 4. Klimova E. G. Application of ensemble Kalman filter in environment data assimilation // IOP Conference Series: Earth and Environmental Science. - Vol. 211 (2018) 012049.- doi:10.1088/1755-1315/211/1/012049. 5. Evensen, G. Data assimilation. The ensemble Kalman filter.Berlin Heideberg: Spriger-Verlag, 2009. 307 p. 6. Houtekamer, H.L. Zhang, F. Review of the ensemble Kalman filter for atmospheric data assimilation // Monthly Weather Review. 2016. V. 144. P. 4489-4532. 7. Jazwinski, A. H. Stochastic processes and filtering theory. New York: Academic Press, 1970. 376 p. 8. Feng L., P.I.Palmer, H.Bosch, and S.Dance Estimating surface CO2 fluxes from space-borne CO2 dry air mole fraction observations using an ensemble Kalman filter // Atmospheric chemistry and physics. 2009. V. 9. P. 2619-2633. 9. Feng L. et al. Consistent regional fluxes of CH4 and CO2 inferred from GOSAT proxy XCH4:XCO2 retrievals, 2010-2014 // Atmospheric chemistry and physics. 2017. V. 17. P. 4781-4797. 10. Климова Е. Г. Стохастический ансамблевый фильтр Калмана с трансформацией ансамбля возмущений // Сибирский журнал вычислительной математики. - 2019. - Т. 22, № 1. С. 27-40. |
