ОЦЕНКА ДИНАМИКИ АТМОСФЕРЫ ПО РЕЗУЛЬТАТАМ НЕЙРОСЕТЕВОГО МАСШТАБИРОВАНИЯ ПОЛЕЙ ПРИПОВЕРХНОСТНОГО ВЕТРА НАД БАРЕНЦЕВЫМ И КАРСКИМ МОРЯМИ
Аннотация
В настоящей работе рассматривается использование подхода глубокого обучения для масштабирования (повышения пространственного разрешения) приповерхностного ветра над Баренцевым и Карским морями с помощью глубоких искусственных нейронных сетей с пропускными соединениями для повышения пространственного разрешения при одновременном снижении вычислительных затрат по сравнению с негидростатическим моделированием. Входные данные низкого разрешения получены из глобального атмосферного реанализа ERA5, а высокое разрешение обеспечивается моделью Weather Research and Forecasting (WRF). Результаты нейросетевого масштабирования сравниваются с опорными результатами билинейной интерполяции. Модель улучшает распределение параметров жизненного цикла мезомасштабных структур, приближая их к данным высокоразрешенного моделирования, и в 50 раз превосходит его по быстродействию. Высота ветрового волнения, полученная с использованием граничных условий из нейросетевой модели вместо негидростатической, демонстрирует близкие значения. Разработанная нейросетевая модель также показывает отклонение менее 3 % от высокоразрешенного динамического моделирования по количеству мезомасштабных структур.
Литература
- Гавриков А. В. Оценка качества воспроизведения осадков над Северной Атлантикой и влияния гидростатической аппроксимации в атмосферной модели WRF-ARW // Океанология. 2017. Т. 57. № 2. С. 261–267.
- Гидрометеорология и гидрохимия морей СССР. Т. 1: Баренцево море. Вып. 1: Гидрометеорологические условия. Л.: Гидрометиздат, 1990. 280 с.
- Ефимов В. В., Комаровская О. И. Новоземельская бора: анализ и численное моделирование // Известия Российской академии наук. Физика атмосферы и океана. 2018. Т. 54. № 1. С. 83–96. https://doi.org/10.7868/S0003351518010099.
- Золотокрылин А. Н., Титкова Т. Б., Михайлов А. Ю. Климатические вариации арктического фронта и ледовитости Баренцева моря зимой // Лед и Снег. 2014. Т. 54. № 1. С. 85–90. https://doi.org/10.15356/2076-6734-2014-1-85-90.
- Кошкина В. С., Гавриков А. В. Исследование применимости методов идентификации когерентных вихревых структур в модельных экспериментах // Океанологические исследования. 2024. Т. 52. № 4. С. 90–107.
- Кошкина В. С., Гавриков А. В., Тилинина Н. Д. Автоматическая идентификация новоземельской боры // Океанологические исследования. 2024. Т. 52. № 4. С. 74–89. https://doi.org/10.29006/1564-2291.JOR-2024.52(4).5.
- Криницкий М. А., Тилинина Н. Д., Резвов В. Ю., Суслов А. И., Голиков В. А., Ежова Е. А., Вереземская П. С., Гавриков А. В. Методы машинного обучения в исследованиях океана и атмосферы. М.: ООО «Сам Полиграфист», 2024. 170 с.
- Монин А. С. Статистическая гидромеханика. Механика турбулентности. Ч. 1. 1965. 639 с.
- Никитин М. А., Ривин Г. С., Розинкина И. А., Чумаков М. М. Использование прогностической системы COSMO-Ru для исследования свойств полярных циклонов: эпизод 25–27 марта 2014 года // Труды Гидрометцентра России. 2016. Вып. 361. С. 128–145.
- Петриченко С. А., Калмыкова О. В., Козлов С. В., Кулижникова Л. К. Использование композиции индексов конвективной неустойчивости для прогноза зарождения полярных мезоциклонов в Арктическом регионе России // Российская Арктика. 2023. Т. 5. № 2. С. 54–64.
- Резвов В. Ю., Криницкий М. А., Тилинина Н. Д. Поточечные и комплексные меры качества в исследованиях атмосферы и океана: обзор методов и подходов // Океанологические исследования. 2024. Т. 52. № 4. С. 193–223. https://doi.org/10.29006/1564-2291.JOR-2024.52(4).10.
- Суркова Г. В., Крылов А. А. Изменения средних и экстремальных скоростей ветра в Арктике в конце XXI века // Арктика и Антарктика. 2018. № 3. С. 26–36. https://doi.org/10.7256/2453-8922.2018.3.27395.
- Шестакова А. А. Новоземельская бора: подветренные характеристики и структура натекающего потока // Арктика и Антарктика. 2016. № 2. С. 86–98. https://doi.org/10.7256/2453-8922.2016.2.21479.
- Davis C., Brown B., Bullock R. Object-based verification of precipitation forecasts. Part I: Methodology and application to mesoscale rain areas // Monthly Weather Review. 2006. Vol. 134. No. 7. P. 1772–1784. https://doi.org/10.1175/MWR3145.1.
- Dong H., Cao S., Takemi T., Ge Y. WRF simulation of surface wind in high latitudes // Journal of Wind Engineering and Industrial Aerodynamics. 2018. Vol. 179. P. 287–296. https://doi.org/10.1016/j.jweia.2018.06.009.
- Gavrikov A. V., Gulev S. K. The North Atlantic High-Resolution Regional Climate Model Experiment for Oceanic and Atmospheric Applications // Oceanology. 2020. Vol. 60. P. 725–727. https://doi.org/10.1134/S0001437020060041.
- Hersbach H., Bell B., Berrisford P., Hirahara S., Horányi A., Muñoz-Sabater J., Nicolas J., Peubey C., Radu R., Schepers D., Simmons A., Soci C., Abdalla S., Abellan X., Balsamo G., Bechtold P., Biavati G., Bidlot J., Bonavita M., De Chiara G., Dahlgren P., Dee D., Diamantakis M., Dragani R., Flemming J., Forbes R., Fuentes M., Geer A., Haimberger L., Healy S., Hogan R. J., Hólm E., Janisková M., Keeley S., Laloyaux P., Lopez P., Lupu C., Radnoti G., de Rosnay P., Rozum I., Vamborg F., Villaume S., Thépaut J.-N. The ERA5 global reanalysis // Quarterly Journal of the Royal Meteorological Society. 2020. Vol. 146. No. 730. P. 1999–2049. https://doi.org/10.1002/qj.3803.
- Höhlein K., Kern M., Hewson T., Westermann R. A comparative study of convolutional neural network models for wind field downscaling // Meteorological Applications. 2020. Vol. 27. Article e1961. https://doi.org/10.1002/met.1961.
- Hong S. Y., Lim J. O. J. The WRF single-moment 6-class microphysics scheme (WSM6) // Asia-Pacific Journal of Atmospheric Sciences. 2006. Vol. 42. No. 2. P. 129–151.
- Iacono M. J., Delamere J. S., Mlawer E. J., Shephard M. W., Clough S. A., Collins W. D. Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models // Journal of Geophysical Research. 2008. Vol. 113. D13103. https://doi.org/10.1029/2008JD009944.
- Jagannathan K., Jones A. D., Ray I. The making of a metric: Coproducing decision-relevant climate science // Bulletin of the American Meteorological Society. 2020. Vol. 102. No. 8. P. 1–33. https://doi.org/10.1175/BAMS-D-19-0296.1.
- Janjić Z. I. The Step-Mountain Eta Coordinate Model: Further Developments of the Convection, Viscous Sublayer, and Turbulence Closure Schemes // Monthly Weather Review. 1994. Vol. 122. P. 927–945. https://doi.org/10.1175/1520-0493(1994)122<0927:TSMECM>2.0.CO;2.
- Kain J. S. The Kain–Fritsch Convective Parameterization: An Update // Journal of Applied Meteorology and Climatology. 2004. Vol. 43. P. 170–181. https://doi.org/10.1175/1520-0450(2004)043<0170:TKCPAU>2.0.CO;2.
- Kingma D. P., Ba J. Adam: A method for stochastic optimization: Preprint arXiv:1412.6980. 2014.
- Kolář V., Moses P., Šístek J. Local corotation of line segments and vortex identification // In Proceedings of the Seventeenth Australasian Fluid Mechanics Conference. 2010. P. 251–254.
- Koshkina V. S., Gavrikov A. V., Gulev S. K. Methods of identifying atmospheric mesoscale coherent structures over the North Atlantic // Oceanology. 2023. Vol. 63. No. Suppl. 1. P. S101–S110. https://doi.org/10.1134/S000143702307007X.
- Krinitskiy M., Grashchenkov K., Tilinina N., Gulev S. Tracking of atmospheric phenomena with artificial neural networks: a supervised approach // Procedia Computer Science. 2021. Vol. 186. P. 403–410. https://doi.org/10.1016/j.procs.2021.04.209.
- Liu C., Wang Y., Yang Y., et al. New omega vortex identification method // Sci. China Phys. Mech. Astron. 2016. Vol. 59. P. 684711. https://doi.org/10.1007/s11433-016-0022-6.
- Liu C., Gao Y., Tian S., Dong X. Rortex – A new vortex vector definition and vorticity tensor and vector decompositions // Physics of Fluids. 2018. Vol. 30. No. 3. P. 035103. https://doi.org/10.1063/1.5023001.
- Moreno-Chamarro E., Arsouze T., Acosta M., Bretonnière P.-A., Castrillo M., Ferrer E., Frigola A., Kuznetsova D., Martin-Martinez E., Ortega P., Palomas S. The very-high-resolution configuration of the EC-Earth global model for HighResMIP // Geoscientific Model Development. 2025. Vol. 18. P. 461–482. https://doi.org/10.5194/gmd-18-461-2025.
- Nakanishi M., Niino H. Development of an improved turbulence closure model for the atmospheric boundary layer // Journal of the Meteorological Society of Japan. Ser. II. 2009. Vol. 87. No. 5. P. 895–912. https://doi.org/10.2151/jmsj.87.895.
- Neu U., Akperov M. G., Bellenbaum N., Benestad R., Blender R., Caballero R., Cocozza A., Dacre H. F., Feng Y., Fraedrich K., Grieger J., Gulev S., Hanley J., Hewson T., Inatsu M., Keay K., Kew S. F., Kindem I., Leckebusch G. C., Liberato M. L. R., Lionello P., Mokhov I. I., Pinto J. G., Raible C. C., Reale M., Rudeva I., Schuster M., Simmonds I., Sinclair M., Sprenger M., Tilinina N. D., Trigo I. F., Ulbrich S., Ulbrich U., Wang X. L., Wernli H. IMILAST: A Community Effort to Intercompare Extratropical Cyclone Detection and Tracking Algorithms // Bulletin of the American Meteorological Society. 2013. Vol. 94. No. 4. P. 529–547. https://doi.org/10.1175/BAMS-D-11-00154.1.
- Oberto E., Milelli M., Pasi F., Gozzini B. Intercomparison of two meteorological limited area models for quantitative precipitation forecast verification // Natural Hazards and Earth System Sciences. 2012. Vol. 12. P. 591–606. https://doi.org/10.5194/nhess-12-591-2012.
- Reed K. A., Goldenson N., Grotjahn R., Gutowski W. J., Jagannathan K., Jones A. D., Leung L. R., McGinnis S. A., Pryor S. C., Srivastava A. K., Ullrich P. A., Zarzycki C. M. Metrics as tools for bridging climate science and applications // Wiley Interdisciplinary Reviews: Climate Change. 2022. Vol. 13. No. 6. P. e799. https://doi.org/10.1002/wcc.799.
- Robinson S. et al. Coherent motions in the turbulent boundary layer // Annual Review of Fluid Mechanics. 1991. Vol. 23. No. 1. P. 601–639.
- Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015 / Eds. Navab N., Hornegger J., Wells W., Frangi A. Cham: Springer, 2015. Lecture Notes in Computer Science, Vol. 9351. https://doi.org/10.1007/978-3-319-24574-4_28.
- Schubert E., Sander J., Ester M., Kriegel H. P., Xu X. DBSCAN Revisited, Revisited: Why and How You Should (Still) Use DBSCAN // ACM Trans. Database Syst. 2017. Vol. 42. No. 3. Article 19. https://doi.org/10.1145/3068335.
- Skamarock W., Klemp J., Dudhia J., Gill D. O., Liu Z., Berner J., Wang W., Powers J. G., Duda M. G., Barker D., Huang X.-Y. A Description of the Advanced Research WRF Model Version 4.1. 2019. https://doi.org/10.5065/1dfh-6p97.
- Stoll P. J., Valkonen T. M., Graversen R. G., Noer G. A well-observed polar low analysed with a regional and a global weather-prediction model // Quarterly Journal of the Royal Meteorological Society. 2020. Vol. 146. P. 1740–1767. https://doi.org/10.1002/qj.3764.
- Turner J. Polar Lows: Mesoscale Weather Systems in the Polar Regions. Cambridge: Cambridge University Press, 2003. 612 p.
- Verezemskaya P., Tilinina N., Gulev S., Renfrew I. A., Lazzara M. Southern Ocean mesocyclones and polar lows from manually tracked satellite mosaics // Geophysical Research Letters. 2017. Vol. 44. P. 7985–7993. https://doi.org/10.1002/2017GL074053.
- The WAVEWATCH III Development Group (WW3DG). User manual and system documentation of WAVEWATCH III version 6.07.1 // https://raw.githubusercontent.com/wiki/NOAA-EMC/WW3/files/manual.pdf.(дата обращения: 10.06.2024).
- Zhou J., Adrian R. J., Balachandar S., Kendall T. Mechanisms for generating coherent packets of hairpin vortices in channel flow // Journal of Fluid Mechanics. 1999. Vol. 387. P. 353–396.
Передача авторских прав происходит на основании лицензионного договора между Автором и Федеральным государственным бюджетным учреждением науки Институт океанологии им. П.П. Ширшова Российской академии наук (ИО РАН)