Россия
Россия
Московский физико-технический институт (НИУ)
Россия
Институт океанологии им. П.П. Ширшова РАН
Московский физико-технический институт (НИУ)
Россия
ВАК 1.6 Науки о Земле и окружающей среде
УДК 551.46.0 Общие аспекты океанологии: теория, наблюдения, приборы. Прикладная океанология
ГРНТИ 37.25 Океанология
ОКСО 05.00.00 Науки о Земле
ББК 26 Науки о Земле
BISAC SCI SCIENCE
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.
оперативный прогноз, Мировой океан, оптимальная расстановка измерителей, Concrete Autoencoder, усвоение данных
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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/10.48550/arXiv.2301.00557.
10. Desai S. Jason-3 GPS based orbit and SSHA OGDR. — 2016. — DOI:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/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:https://doi.org/10.3389/fmars.2020.00700.
