CC BY
60
УДК 551.466.3
А. В. Бухановский, С. В. Иванов, Л. И. Лопатухин
Вестник СПбГУ. Сер.7, 2005, вып. 3
ПОДХОДЫ, опыт
И НЕКОТОРЫЕ РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ ВОЛНОВОГО КЛИМАТА ОКЕАНОВ И МОРЕЙ
I. Постановка задачи и входные данные
Введение. Термин «климат», предложенный еще Гиппархом (190-150 гг. до н.э.), постоянно претерпевал изменения, уточнения и дополнения. К настоящему времени известны несколько десятков его определений. Однако примерно с середины 70-х годов XX в. под «климатом» стали понимать «статистический ансамбль состояний, который проходит сложная система взаимодействия атмосферы, гидросферы и земной коры». В настоящее время под климатической системой понимают атмосферу, гидросферу, литосферу, криосферу и биосферу, которые взаимодействуют между собой и обмениваются энергией и веществом. Большинство исследователей согласны, что период осреднения ансамбля состояний должен составлять несколько десятков лет. Всемирная Метеорологическая Организация (ВМО) рекомендует использовать 30-летний период осреднения.
Концепция вероятностного описания спектрального волнового климата. Ветровое волнение относится к геофизическим процессам мелкомасштабного диапазона изменчивости с характерными временными масштабами от долей до нескольких десятков секунд и пространственными масштабами от сантиметров до нескольких сотен метров. Оно является вероятностным процессом, свойства которого описываются набором статистических характеристик (параметров). Размеры волн обусловливаются набором внешних факторов (условий волнообразования), в частности скоростью ветра, продолжительностью его действия, разгоном и пр. При неизменных условиях волнение является квазистационарным, квазиоднородным процессом. Условия волнообразования любой акватории не остаются постоянными. Изменения связаны с прохождением барических образований (синоптическая изменчивость), годовой ритмикой (сезонная изменчивость) и долгопериодными вариациями циркуляционных процессов (межгодовая изменчивость), что, в свою очередь, позволяет определить волновой климат (или режим волнения) как ансамбль состояний волновой поверхности с учетом указанной изменчивости и описать его в терминах режимных статистических характеристик.
Первые справочники по режиму волнения были основаны на визуальных наблюдениях. Они появились после Второй мировой войны, сыграв большое значение в понимании волнового климата, и не потеряли свою актуальность до настоящего времени. Последний справочник, базирующийся на данных визуальных наблюдений, был издан в Великобритании в 1986 г. не только в печатном виде, но и в форме компьютерной информационной системы. В опубликованных пособиях по данным визуальных наблюдений в виде таблиц и графиков представлены сведения о повторяемости волнения по градациям для отдельных районов, месяцев или сезонов, приведены другие элементарные статистические данные (средние значения, дисперсии, параметры распределений и т.п.). Такие сведения называют также традиционной или рутинной (routine) статистикой, которая не в полной мере отражает разномасштабную изменчивость волнения. С середины 70-х годов XX в. для составления справочников стали активно использоваться инструментальные измерения волнения с автоматических буев и буровых установок. Эти данные, несмотря на их многочисленность, относятся в основном к прибрежным районам и не отражают режим волнения в открытых районах океанов и морей. Измерения успешно применяются для проверки численных моделей расчета волнения и решения специфических задач исследования волнового климата. Началом спутниковых измерений волнения можно считать 1975 г. Накопленные данные позволили издать в 1996 г. первые атласы по режиму волнения по спутниковым данным. Не останавливаясь на многочисленных специфических методических вопросах, возникающих при создании подобных справочников, отметим, что их данные отражают пространственно-временную изменчивость режима волнения больших акваторий. Освоение шельфа океанов и морей выдвинуло многочисленные дополнительные требования к составу, полноте и достоверности сведений о волновом климате, которые часто необходимы для конкретных точек моря или отдельных, небольших по площади месторождений, где отсутствуют наблюдения или их недостаточно.
В настоящее время в мировой практике для расчета волнового климата используется концепция определения режимных характеристик волнения в районах, слабо освещенных наблюдениями. В ее основе лежит подход, основанный на получении режимных сведений путем расчетов волнения по гидродинамическим моделям. Он получил
© А. В. Бухановский, С. В. Иванов. Л. И. Лопатухин, 2005
наибольшее распространение во всем мире (в том числе в России [1]), признан, одобрен и реализован при решении многочисленных научных и прикладных задач. Возможность его использования оправдана тем, что в настоящее время модели, описывающие зарождение, распространение и затухание волн, позволяют рассчитывать различные статистические характеристики ветрового волнения с приемлемой точностью. Используемые гидродинамические модели волнения основаны на решении уравнения баланса волновой энергии в спектральной форме, поэтому их называют спектральными, а волновой климат на основе результатов такого моделирования - «спектральным волновым климатом». Краткий обзор" гидродинамических моделей, используемых при расчетах волнения в морях и океанах, будет дан в ч. II статьи. Переход от спектров волнения к видимым элементам волн (высотам, периодам и т.п.) осуществляется по простым соотношениям через спектральные моменты. На рис. 1 представлены принципиальные схемы описания волнового климата: на основе традиционных источников данных и в рамках рассмотренной выше концепции.
Рис. 1. Принципиальные схемы описания волнового климата.
Резюмируя вышеизложенное, можно отметить, что принципиальная схема расчета волнового климата включает следующие основные этапы: 1) подготовка входной информации (поля ветра) для расчетов волнения; 2) расчет (hindcasting) спектров волнения по гидродинамической модели; 3) обобщение результатов расчетов спектров волнения посредством вероятностных моделей. Каждый из них может быть подразделен на различное количество ступеней. В настоящей статье рассматривается только проблема входных данных, ориентированных на получение адекватной информации о волновом климате, включая экстремальные условия.
Реанализ метеорологических полей для расчетов спектрального волнового климата. Входными данными для расчета ветрового волнения в спектральной форме являются поля ветра. Возможности модельных расчетов волнения за длительные промежутки времени (годы и десятилетия) существенно расширились после выполнения ресурсоемких международных и национальных проектов по реанализу метеорологических данных. Под реа-нализом понимается воспроизведение массивов гидрометеорологических полей на регулярной сетке путем усвоения данных наблюдений в расчетах, выполненных по диагностической модели. Наибольшую известность получил проект, выполненный в 1991-1996 гг. американскими организациями NCEP (National Center for Environmental Prediction) и NCAR (National Center of Atmospheric Research) [2]. Массив реанализа NCEP/NCAR содержит дан-
ные с 1948 по 2005 г., через каждые 6 ч, по полям атмосферного давления на декартовой сетке 2,5°х2,5° и скорости ветра на высоте 10 м над уровнем моря на гауссовой сетке, у которой разрешение по широте около 1,9°. Данные обновляются ежеквартально. В настоящее время реальную конкуренцию этому источнику составляет европейский реанализ (bCMFW, Великобритания), для ряда районов дающий более точную информацию.
Вопросы применения данных реанализа для расчетов волнения и волнового климата рассмотрены в достаточно большом количестве работ и обсуждались на специализированных конференциях (см., например, [3-7]). Традиционным является использование полей реанализа атмосферного давления для расчета приводного ветра. Существует огромное множество работ, посвященных этому вопросу. В рамках настоящей статьи вряд ли целесообразно перечислять существующие методы, а их исчерпывающий обзор потребовал бы отдельной объемной публикации. В общем случае скорость градиентного ветра Vg выражается через поле атмосферного давления Р соотношением
(1)
R р сп
где/i = 2Qsincp параметр Кориолиса; р плотность воздуха; дР/дп градиент атмосферного давления; Q. угловая скорость вращения Земли; ф широта места; знак «+» - для циклонов, « » - для антициклонов. Наиболее дискуссионной величиной в (1) является радиус кривизны изобар R, так как для его определения необходимо знать геометрический центр барического образования. В том случае, когда размеры барических образований сопоставимы с радиусом расчетной области или появляются вторичные барические образования, оценки R , основанные только на геометрических особенностях поля давления, могут сильно отличаться от реальных значений. Как следствие, временные ряды скорости ветра, вычисленные таким образом, могут иметь ложные выбросы. Кроме того, пространственный шаг сетки и степень ее регулярности влияют на качество вычисления градиента дР/дп в (1). В работе [8] указано, что погрешность при расчете атмосферного давления в 0,2% может дать ошибку в скорости ветра 20% , а при расчете ветровых волн - 50%. В более ранней публикации [9] показано, что ошибка в скорости ветра 10-20% вызывает ошибку в определении высоты волны до 40%, а общей энергии волнового процесса-до 100%. Следует помнить, что ошибка в оценке давления или ветра в некоторой области акватории приводит к неодинаковым ошибкам в различных точках волнового поля. Волнение в расчетной точке определяется интегральным эффектом эволюции в пространстве и времени, потому не всегда просто выявить источник ошибок.
Во избежание накопления ошибок при расчете климатических характеристик волнения часто приходится по данным давления из массива реанализа рассчитывать поля приводного ветра, применяя соотношение (1) с учетом специфики акватории и решаемой задачи, или корректировать данные ветра из реанализа, используя независимые измерения. При исследовании общего климатического фона обширных акваторий или расчетах трендов изменчивости режима волнения (по статистике средних, медиан или квантилей в пределах интер-квартильного размаха) данные реанализа ветра могут быть использованы без предварительной корректировки. Однако при расчетах экстремальных характеристик волнения необходимо уточнение структуры полей ветра в наиболее сильных штормах
Основным недостатком данных реанализа полей ветра над морем является зависимость их качества от обеспеченности расчетного района наблюдениями. На рис. 2 приведены результаты сопоставления рядов модуля скорости ветра по измерениям в Баренцевом (Sentral Banken, 1983-1990 гг.), Охотском (Одопту, 1988-1991 гг.) и Каспийском (о-в Тюлений, 2001 г.) морях с данными реанализа NCEP/NCAR. Для Баренцева моря наблюдается наи^-
лучшее соответствие между данными реанализа и измерениями (скалярный коэффициент корреляции (по модулю) р = 0.9 ); для Охотского моря ряды согласуются несколько хуже (р г 0,7) в силу меньшей обеспеченности района данными наблюдений; для закрытого Каспийского моря, даже в наиболее обеспеченной наблюдениями северной части (рис. 2, в), - недостаточно хорошо согласуются (р = 0,5 ). Такая особенность связана с пространственной неоднородностью ветровых полей больших по площади замкнутых водоемов.
VI, м/с
Год
Рис. 2. Сопоставление рядов модуля скорости ветра из реанализа МСЕР/КСАЯ с данными инструментальных наблюдений на ГМС. а - Баренцево море (SentralBank.cn, 74,5° с.ш., 31,0° в.д.); б - Охотское море (Одопту. 58° с.ш., 143° в.д); в -Каспийское море (о-в Тюлений, 44.5° с.ш., 47,7° в.д). Пунктирная линия - данные реанализа, сплошная -инструментальных наблюдений.
При систематическом отличии данных реанализа от наблюдений и высокой статистической связи между ними их можно «откорректировать» с помощью регрессионной модели, коэффициенты которой идентифицируются по высококачественным данным измерений. Этот подход использован в работе [10], когда данные по ветру в наиболее сильных штормах уточнялись по измерениям на гидрометеорологических станциях (ГМС).
Уравнение регрессии формулируется в векторной форме для компонентов V = (и, V) одновременно. В изотропном случае, когда данные в одни и те же сроки различаются по модулю, но близки по направлению, эта модель еще более упрощается. Например, на рис. 3, а,
б приведены точечные диаграммы модулей |У| = V«2 + V2 и направлений ср = агс1ап— век-
и
тора скорости ветра в Обской губе по двум источникам: данным реанализа КСЕР/КСАЛ и
Год
Рис. 3. Сопоставление характеристик скорости ветра по реанализу КСЕР/^САЯ и данных наблюдений в Обской губе. а - модуль скорости ветра в 30 наиболее сильных штормах с 1960 по 1993 г.: / - наблюдения (V*), 2 - непараметрическая регрессия на данные реанализа (^'СЕР/МГАЯ), 3 - параметрическая регрессия
|у*| = |\'|и. + 0,!20|у| - 0,004[у|2^ ; о - направления скорости ветра в 30 наиболее сильных штормах с 1960
по 1993 г.: данные наблюдений (V*) и реанализа МОИР/ЫСАЯ; в - сопоставление рядов модуля скорости ветра по разным источникам: 1 - наблюдения на ГМС, 2 - «откорректированные» данные ветра МСЕР/МСАЯ, 3 - расчет ветра (!) по полям давления МСЕРЛЧСАЯ, 4 - исходные данные ветра КСЕР/^САК.
б
50 48 46 44 42 40 38 36 341
44 46 48 50 52 54 56 58
44 46 48 50 52 54 56 58
44 46 48 50 52 54 56 58
44 46 48 50 52 54 56 58
Рис. 4. Вероятностные характеристики полей скорости ветра над Каспийским морем
(по данным реанализа).
Средний вектор и эллипс СКО в январе (а) и июле (б), векторные ЕОФ в январе: в -первые ЕОФ, д - вторые ЕОФ и июле: г - первые ЕОФ. е - вторые ЕОФ. Сплошная линия - реанализ МСЕР/ЫСАЛ, пунктирная - судовые
наблюдения.
вычисленным по полям приземного давления в 30 наиболее сильных штормах, наблюдавшихся с 1960 по 1993 г. В обоих массивах данных скорость ветра приведена к интервату осреднения 1 ч. Из рис. 3 видно хорошее согласование данных по направлениям (угловой коэффициент корреляции р > 0,9), но по модулю данные реанатиза существенно ниже, чем
полученные непосредственно по наолюдениям, что следует из приведенной оценки условного математического ожидания (непараметрической регрессии), которая может быть аппроксимирована полиномом в виде Ш| = ¡У| 1 + ! (см- Рис> о). Для идентифи-
! I V л )
каиии коэффициентов при-высших степенях целесообразно привлекать информацию о годовых максимумах скорости ветра.
Критерием качества корректировки данных реанализа с использованием регрессии является сопоставление восстановленных данных с наблюдениями, которые не применялись для идентификации. Так, на рис. 3, в приведены реализации модуля скорости ветра по измерениям 6-19 сентября 1999 г. в Обской губе. Видно, что скорректированные данные реанализа хорошо согласуются с измеренными, в то время как исходные данные ТчСЕР/ХСАК. существенно занижены. Кроме того, на рис. 3, в показана реализация модуля скорости ветра, полученного пересчетом по полям давления КСЕР/КСАЯ. Видно, что она также повторяет ход основных штормов, однако они гораздо менее выражены в силу гладкости исходных полей давления, полученных методом трехмерной объективной интерполяции.
Рассмотренный подход может быть использован для пространственно квазиоднородных районов. Однако в ряде случаев степень различия данных реанализа и наблюдений сильно изменяется по пространству. В качестве примера на рис. 4, а, б приведены статистические характеристики векторного поля скорости ветра над Каспийским морем - средний вектор
шу =М[V] и тензор СКО сту = 5 = (А/[у® у]}0-5 по данным судовых наблюдений за
1948-1991 гг. и реанализа !\СЕР/МСА11. Все величины также приведены к интервалу осреднения 1 ч. Хорошо видно, что по мере продвижения к югу соответствие между данными измерений и реанализа ухудшается даже по сравнению с рис. 2, в, это подтверждено также в работе [11]. Неоднородный характер различий в совокупности со сравнительно слабой статистической связью между разными данными приводит к тому, что любая «корректировка» реанализа по эмпирическим формулам заранее обречена не несоответствие реальной
картине. Следовательно, необходим более сложный подход, основанный на технологиях ансамблевого усвоения данных наблюдений из разнообразных источников (ГМС, спутниковые, судовые данные) в массиве реанализа.
Ансамблевое усвоение данных в информационной базе полей ветра. В настоящее время в гидрометеорологии существуют различные трактовки усвоения данных. Обычно под усвоением понимается «систематическое использование данных наблюдений для управления математической моделью процесса» [12, с. 23]. Суть процедуры состоит в решении обратной задачи циркуляции атмосферы и/или океана [13] - поиске такого решения системы гидродинамических уравнений, которое было бы наиболее близко к данным наблюдений в соответствующих точках в разные моменты времени. Обзор применения такого усвоения в различных областях геофизики, связанных с прогнозированием, приведен в работах [14, 15] и др.
Для решения задачи консолидации данных из разных источников в единой информационной базе получила развитие альтернативная процедура - ансамблевое усвоение данных. Она реализует синтез обобщенного массива данных на основе нескольких статистических ансамблей, содержащих информацию об одном и том же явлении. Различают два класса методов ансамблевого усвоения: последовательные и вариационные [16]. Первые рассматривают усвоение как корректировку данных независимо в каждый момент времени г; обычно они сводятся к применению технологий оптимальной интерполяции гидрометеорологических полей. Вторые предполагают учет не только пространственной, но и пространственно-временной связности данных; их применение более трудоемко и требует использования ансамблевых фильтров Калмана [17] различного вида, отвечающих особенностям процесса и специфике данных. Рассмотрим подробнее пример усвоения данных судовых наблюдений за ветром (5) на Каспийском море (более 280 тыс. за 1948—1991 гг.) в массиве ветра реанализа 1ЯСЕР/ЫСАК (Я). Результатом этой процедуры является новый массив полей ветра
У* (г,/) на регулярной сетке {гД у' = 1 ,п, в моменты времени оптимально согласующийся с обоими источниками Ул(г,г), У5(г,/).
Формализация процедуры усвоения требует описания зависимостей между массивами данных (Я) и (5) в терминах взаимных тензорных ковариационных функций КЯ5(гпг/) = М,(г.л)®\5(г;,г)]. В целях упрощения их интерпретации и снижения мерности опишем статистическую связь в терминах канонических корреляций случайных векторов, вводя канонические переменные
И/(*) = (а,,Уй), м>Д0 = (Ь/,УД / = ТЯ (2)
Здесь скалярное умножение (11, XV) = | и • \с1г задается в форме интегрирования по всей
п
расчетной области гей. Канонические базисные вектор-функции а^Ь; выбираются из условия, чтобы
х Е^М^твх. (3)
уАА
Коэффициент канонической корреляции Х1 является интегральной мерой связи между двумя полями Уд (г) и У5 (г) в один и тот же момент времени I.
Судовые наблюдения в разные сроки распределены по акватории моря неравномерно; имеются однородные районы, недостаточно обеспеченные наблюдениями. Поэтому статистические оценки ковариационных функций АТ^, К*кз могут обладать сильной выборочной
изменчивостью, а соответствующие им ковариационные матрицы становятся плохообу-словленными. Следовательно, для вычисления канонических корреляций перейдем к представлению полей ветра в форме разложений по векторному ортогональному базису:
Ул(г,0 = 1а„(г)Ф,г(г) + гй(г,0, У*(М) = ХМО^О + ММ). (4)
п т
В этом случае взаимная ковариационная функция
Кю (г,-, Г; ) = 11 *а„Рт К (Г/ ) ® * л, (Г/)] (5)
и т
выражается через ковариацик) ка скалярных коэффициентов разложений (4). Выражение (4) сходится наиболее быстро, если в качестве базисов Фи(г),Ч'да(г) рассматриваются векторные естественные ортогональные функции (ВЕОФ). Они образуют собственный базис для тензорных ковариационных функций КК(г1,г2) и К5 (г,, г 2) соответственно, в пространстве евклидовых векторов [18], могут интерпретироваться как некоторые элементарные конфигурации, характеризующие особенности пространственной изменчивости векторных полей. На рис. 4, в-е приведены оценки первых и вторых ВЕОФ поля скорости ветра для января и июля по данным реанализа МСЕР/ЪГСАБС Видно, что первые ВЕОФ характеризуют интенсивность вариации поля ветра с северо-запада на юго-восток. В южной части моря наблюдаются существенные отличия в характере летней и зимней синоптической изменчивости. Вторые ВЕОФ имеют более сложную форму, отражающую особенности поворота полей ветра, обусловленную орографией бассейна. Несмотря на то, что первые ВЕОФ вносят сравнительно небольшой вклад в общую изменчивость (35% зимой, 27% летом), сумма уже первых пяти членов в (4) по данным (Я) позволяет описать 75-80% изменчивости. По данным 5 вклад коэффициентов при функциях Ч*от(г) менее значителен, что
объясняется большей выборочной изменчивостью оценки пространственной ковариационной функции.
Модель (4), (5) позволяет интерпретировать взаимосвязи между данными (Л) и (5) как зависимость между общими факторами ай,рш, их определяющими [19]. Таким образом, это сводит задачу вычисления канонических корреляций (2), (3) векторных полей к стандартной процедуре канонического корреляционного анализа скалярных случайных величин [20]. На рис. 5 приведены оценки первого и второго коэффициентов канонической корреляции между полями ветра (Я) и (5) в синоптические сроки над Каспийским морем, по месяцам и в целом за год. Видно, что первый коэффициент канонической корреляции А., составляет 0,75-Ю,92, показывая хорошую согласованность данных реанализа и судовых наблюдений в целом, несмотря на существующие различия их вероятностных характеристик в отдельных точках (см. рис. 2, в). При этом его значение варьируется от месяца к месяцу. Снижение А,, обусловлено как уменьшением числа судовых наблюдений А^ и появлением
«пустых» районов в зимние месяцы, так и ослаблением штормовой активности летом. Наибольшие значения коэффициентов канонической корреляции достигаются в осенние штормовые месяцы.
Уравнения (4) задают вероятностную модель - стохастическую динамическую систему в пространстве состояний [21]. Особенности динамической системы связаны, с тем, что поле скорости ветра обладает многомасштабной (синоптической, сезонной, межгодовой изменчивостью). Потому для ее описания необходимо рассматривать модель с периодическим базисом, т.е. Фл(г,г) = Ф„ (г, г + Г), ¥ и (г, Г) = Ч> „ (г, I + Т), где Т- 1 год [22], При этом из
N- Ю4
2 -
1.5
Рис. 5. Коэффициенты канонической корреляции А,, Л, массивов полей ветра (Я) и (5) в синоптические сроки, по месяцам (7, 2) и в целом за год (3, 4). а также распределение числа судовых наблюдений N по месяцам.
0,41-1-i-i-1_I-
I II III IV V VI VII VIII IX X XI XII
Месяц
выражения (5) следует, что данные наблюдений Vs в фиксированной точке гк в заданный момент времени tQ могут быть представлены в виде линейного уравнения измерений
Vs(r ,t) = HRSVR(r,t) + ôRS(r,t) (6)
с матрицей измерений HRS, линейно связанной со значениями KRS , и шумом измерений 6RS , который показывает отличия источников (R),(S). Уравнение (6) учитывает как особенности модели, по которой построен массив реанализа, так и ошибки измерений судовых данных, в том числе и вызванные их смещением относительно узлов сетки реанализа. Условия (5),(6) позволяют сформулировать уравнение усвоения для нового массива данных
m(t)
У * (г-{,t) = VR (г,-, t) + Ж(г;. ) ^-—-, (7)
2>,у ' M
где у у =(Ys(rj,t j)-\rR(r¡,t))Л{r¡-rJ■,t-tj) - невязка между данными каждого из т ~ т(1) измерений, наличествующих в момент времени I в точках г ■, и реанализа в точке г,, а - соответствующие веса. Импульсная функция А(*,») учитывает тот факт, что
точки, в которых выполнены судовые наблюдения, как правило, не совпадают с точками сетки реанализа, т.е. невязка между ними должна принимать во внимание пространственное смещение. В простейшем случае она может быть принята затухающей экспонентой по каждой из переменных.
Величина 9?у = (г-1 Г-1 в (7) - тензорный коэффициент усиления Калмана,
где Г = £[д <8> б] задает тензор ковариаций шума измерений, вычисляемый в каждой точке через значения ковариационной функции К. Тензор характеризует то, насколько при усвоении должен учитываться вклад судовых наблюдений. Для различных районов моря значения его диагональных элементов составляют 0,45-Ю,73, Следует отметить, что компоненты тензора 9?у(*,?) = 9?у(*,г + Т) суть периодические функции в силу сезонной изменчивости полей ветра.
При проведении усвоения около 280 тыс. (от 3 до 13 тыс. в год) судовых наблюдений по Каспийскому морю с 1948 по 1991 г. в 26% случаев основной вклад в (7) вносили данные наблюдений в окрестности той же точки, где производилось усвоение. В 61% случаев наблюдений непосредственно в окрестности точки не было, и невязка в (7) формировалась по наблюдениям в соседних точках в тот же момент времени I. В 11% случаев, характеризовавшихся полным отсутствием наблюдений в определенный момент времени, усвоение было проведено в точках в последующие или предыдущие моменты времени. И только в 2% случаев отсутствие данных не позволило провести усвоение.
Качество полученных путем усвоения данных У* (г,/) может быть оценено только путем верификации, т.е. сопоставления с надежными независимыми данными, которые не использовались в усвоении (например, береговыми ГМС). На рис. 6, а показаны результаты сопоставления значений зональной и меридиональной компонент скорости ветра в 108 сильных штормах, зарегистрированных на ГМС Красноводск в юго-восточной части Каспийского моря с 1954 по 1990 г. При этом использованы данные как реанализа, так и массива с усвоением судовых данных (без наблюдений на ГМС). На рис. 6, б приведено такое же сопоставление по результатам регулярных 8-срочных измерений на ГМС о-ва Тюлений с января по апрель 2001 г. Несмотря на то, что данные наблюдений на этих ГМС не использовались для идентификации параметров модели (2)-(7), видно, что качество данных «с усвоением» существенно выше (рии*п,* = 0,7 ч-0,8), чем для исходного реанализа
МСЕР/КСАЛ (рии, У1,* = 0,3 -ь 0,6 ). Окончательное подтверждение применимости исходных
данных по полям ветра, как входа для гидродинамической модели, может быть вынесено после анализа и верификации расчетов различных океанологических процессов (волнения, уровня моря, течений).
Заключение. Таким образом, развитие технологии реаначиза полей атмосферного давления и ветра создало новые возможности для расчетов волнового климата по статистическому ансамблю, охватывающему несколько десятилетий. Достоверность данных реанализа ветра и давления неодинакова для разных акваторий. В открытых районах окраинных морей, хорошо обеспеченных измерениями, они в ряде случаев могут использоваться для расчета волнения без предварительной корректировки. На ограниченных акваториях (замкну-
а
Реанализ NCEP/NCAR Данные с усвоением Реанализ NCEP/NCAR Данные с усвоением
б
Реанализ NCEP/NCAR Данные с усвоением Реанализ NCEP/NCAR Данные с усвоением
Рис. 6. Верификация результатов усвоения данных rio измерениям скорости ветра на ГМС Красноводск в 108 наиболее сильных штормах с 1954
по 1990 г. (о) и на ГМС о-ва Тюлений (январь-апрель 2001 г.) (б).
тые моря, озера) вычисление штормового волнения требует согласования данных реанализа с независимыми измерениями. Так, для небольших акваторий с однородными ветровыми условиями (в частности, Обская губа) допустимо улучшение данных реанализа путем введения эмпирических поправок. Для больших замкнутых акваторий с преобладанием неоднородных полей ветра необходимо применять подход на основе ансамблевого усвоения дополнительной информации. Результаты такого подхода продемонстрированы на примере Каспийского моря. В качестве усваиваемых данных использовано более 280 тыс. судовых наблюдений. Улучшение качества данных в результате усвоения продемонстрировано на независимых результатах измерений на ГМС Красноводск и о-ва Тюлений.
В последующих частях настоящей работы будет дана характеристика моделей волнения, используемых для расчетов, приведены результаты расчетов климатических характеристик волнения, включая климатические спектры, экстремальные и необычные волны.
Summary
Boukhanovsky А. V., Ivanov S. V., Lopatoukhin L. I. Approaches, experience and some results of wind wave climate investigations. I. Formulation of a problem and input.
The main ideas and approaches for wave climate assessment are presented. NCEP/NCAR reanalysis is the input to wave hindcasting. Assimilation of additional information by mean of Kalman filtration substantially improves the confidence of wind fields. Examples for Barents, Okhotsk and Caspian Sea are shown.
Литература
1. Мирзоев Д. А., Зилъоерштейн О. И., Лопатухин Л. И. и др. Концепция обеспечения специализированной гидрометеорологической информацией проектирования сооружений на шельфе арктических морей // Труды четвертой Междунар. конференции «Освоение шельфа арктических морей». RAO-99. СПб., 1999. 2. Kalnay Е., Капа-mitsu М., Kistler R. et al. The NCEP/NCAR 40-year reanalysis project // Bull. Amer. Meteorol. Soc. 1996. Vol. 77, N 3. 3. Swail V. R., Ceccaci E. A., Cox A. T. The AES-40 North Atlantic wave reanalysis validation and climate assessment // 6th Intern. Workshop on wave Hindcasting and Forecasting. Monterrey, California, 2000. Nov. 6-10. 4. Сох А. Т., Cos Cob, Swail V. R. A global hindcast over the period 1958-1997: validation and climate assessment // J. Geophys. Res. (Oceans). 2000. Vol. 105. 5. Lopatoukhin L. J., Boukhanovsky A. V., Chernysheva E. S., Ivanov S. V. Hindcasting of wind and wave climate of seas around Russia // 8th Intem. Workshop on wave Hindcasting and Forecasting. North Shore, 2004. Nov. 14-19. Oahu, Hawaii, 2004. 6. Справочные данные по режиму ветра и волнения Баренцева, Охотского и Каспийского морей / Ред. Л. И. Лопатухин, А. В. Бухановский, В. А. Рожков. СПб., 2003. 7. International Workshop on wave Hindcasting and Forecasting. Monterrey, California, USA, 2000; Banff, Alberta, Canada, 2002; Oahu, Hawaii, USA, 2004. 8. Лавренов И. В. Математическое моделирование ветрового волнения в пространственно-неоднородном океане. СПб., 1998. 9. Cavaleri L. Meteorological requirements for wave modeling // World Meteorological Organization.' Rep. N 29. WMO/TD-N583. Geneva, 1993. 10. Lin L., Resio D. Improving wind input information for Great Lakes wave hindcast study // Proc. tth Intern. Workshop on wave Hindcasting and Forecasting. Monterrey, California, USA, 2000. 11. Graham C., Cardone V. J., Ceccacci E. A. et al. Challenges to wave hindcasting in the Caspian Sea // 7th Intem. Workshop on wave Hindcasting and Forecasting. Banff, Alberta, Canada, 2002. 12. Hofmann E. £., Friedrichs M. A. M. Biogeo-chemical data assimilation// Encyclopedia of Ocean Science / Eds: J. H. Steele, S. Thropes, K. Turekian. London, 2001. 13. Wunsch C. The ocean circulation inverse problem. Cambridge, 1996.14. Gill M, Malanotte-Rizoly P. Data assimilation in meteorology and oceanography // Adv. Geophys. 1991. Vol. 33. 15. Dickey T. D. Emerging ocean observations for interdisciplinary data assimilation system//J. of Marine Systems. 2003. Vol. 40-41. 16. Lionello P., Gunther H., Janssen P. Assimilation of altimeter data in a global third generation wave model. ECMWF Techn. Rep. N 67, 1992 // http://www.ecmwf.int. 17. Химмельблау Д. Анализ процессов статистическими методами / Пер. с англ.; Под ред. В. Г. Горского. М., 1973. 18. Бухановский А. В., Рожков В. А. Многомерный статистический анализ связных гидрометеорологических полей // Труды Гос. океаногр. ин-та. 2002. Вып. 208. 19. Малиновский Л. Г. Анализ статистических связей. Модельно-конструктивный подход. М., 2002. 20. Гандин Л. С. О применении метода канонических корреляций в метеорологии // Труды Главн. геофиз. обсерватории. 1967. Вып. 208. 21. Эйкхофф П. Основы идентификации систем управления / Пер. с англ.; Под ред. Н. С. Райбмана. М., 1975. 22. Boukhanovsky А. V., Krog-stad Н. £., Lopatoukhin L. I., Rozhkov V. A. Stochastic simulation of inhomogeneous metocean fields. Pt I. Annual variability // Proc. of ICCS'03. Lectures Notes in Computer Science. LNCS 2658. 2003.
Статья поступила в редакцию 7 февраля 2005 г.
