Содержание к диссертации
Введение
Глава 1. Состояние вопроса 10
1.1 Современное состояние проблемы 10
1.2. Решаемые задачи 18
1.3. Предлагаемые методы решения 20
Глава 2. Описание базы (архива) данных наблюдений 22
2.1. Актинометрия (наблюдения) 22
2.2. Метеорология (наблюдения) 25
Глава 3. Выбор статистических методов моделирования суточного хода альбедо и составляющих коротковолнового радиационного баланса 27
3.1. Регрессионный анализ 28
3.2. Нейронные сети 34
Глава 4. Описание и анализ результатов экспериментов по моделированию 40
4.1. Моделирование сезонного хода 41
4.1.1. Альбедо 44
4.1.2. Коротковолновый радиационный баланс 60
4.2. Моделирование суточного хода 70
4.2.1. Альбедо 70
4.2.2. Коротковолновый радиационный баланс 83
Заключение и выводы 90
Литература
Введение к работе
Потепление глобального климата на протяжении последних десятилетий привлекает внимание многих исследователей, осуществляющих мониторинг средней глобальной или зонально осредненной температуры воздуха. В системе атмосфера - суша -гидросфера действует большое число прямых и обратных связей, которые определяют климатические изменения отдельных параметров системы.
В настоящее время проблеме формирования и изменения климата уделяется серьезное внимание. За многие столетия человеческой цивилизации накопились многочисленные исторические свидетельства о непостоянстве климатических условий как на планете в целом, так и в регионах. С началом инструментальных метеорологических измерений, созданием мировой метеорологической сети, а в последние десятилетия и глобальной системы спутниковых наблюдений, удалось получить достоверные данные о климатических изменениях за последние 150 лет (Переведенцев, 2004).
По своему изначальному определению климат понятие планетарное. Само слово «климат» означает наклон, т.е. наклон солнечных лучей к земной поверхности, величина которого определяется широтой места и склонением солнца. От этого первоначального определения климата, безусловно одностороннего, учитывающего лишь астрономические факторы и ведущего начало от древнегреческого астронома Гиппарха из Никеи (190-120 гг. до н.э.), на современном этапе перешли к более универсальному и научно обоснованному: «Климат - это статистический
ансамбль состояний, которые проходит система океан-суша-атмосфера за периоды времени в несколько десятилетий» (Монин, 1979).
Однако в любом случае основным климатообразующим процессом является поступление и преобразование солнечной радиации.
Неоднородность поверхности суши (рельеф, гидрология, свойства растительности и др.) обуславливает не только значительную изменчивость отдельных составляющих радиационного баланса, потоков тепла и влаги, но и характер их колебаний. Уничтожение лесов и обнажение почвы - одна из причин изменений энерго- и влагообмена в системе атмосфера — поверхность суши, которые характеризуются как долговременными, так и короткопериодными колебаниями. В этой связи одним из важных направлений исследований в области изменений климата должен быть комплексный анализ всей получаемой на гидрометеорологической сети информации с целью выявления долговременных колебаний рассматриваемых параметров в различных районах.
По мере накопления эмпирических данных об изменениях климата возникла необходимость в их теоретическом объяснении и обобщении, что привело к созданию современного научного направления в климатологии - теории климата. С учетом достигнутых результатов и сложившихся подходов общую теорию климата можно условно разбить на пять направлений (Дымников, Филатов, 1994):
Статистическая теория климата, целью которой является описание климата современными статистическими методами на основе данных измерений.
Физическая теория климата, предметом которой является изучение физических процессов, ответственных за формирование климата.
Гидродинамическая теория климата, центральным звеном которой является изучение линейных и нелинейных волновых процессов, протекающих в климатической системе, и их устойчивости.
Математическая теория климата как совокупность математических методов анализа решения климатических моделей на произвольно больших масштабах времени.
5. Численное моделирование климатической системы, целью
которого является создание моделей, способных не только описать
современную климатическую систему, но и в определенном смысле
предсказать изменения климата при изменении внешних воздействий.
Во второй половине XX столетия открылась возможность создания глобальных климатических моделей для изучения и описания климатических процессов в сложной физической системе атмосфера-океан-суша-растительность (Дымникое, 2000). Этому в последние десятилетия способствовало:
развитие системы наблюдений и информационных сетей,
улучшение качества описания сложных физико-химических процессов, происходящих в системе «атмосфера-океан-суша-гидросфера-криосфера»,
развитие вычислительной техники.
Современные модели описывают все энергозначимые физические процессы - перенос потоков солнечного и теплового излучения в атмосфере, фазовые переходы воды, облака, конвекцию и др.
Первая глобальная климатическая модель появилась в конце 1960-х годов. Это была энерго-балансовая модель М.И. Будыко, в которой климатическое распределение температуры приземного слоя атмосферы определялось из условия равновесия между поглощенной радиацией Солнца и излученной длинноволновой радиацией (Будыко, 1964).
Несколько позднее появились радиационно-конвективные модели, позволившие описывать вертикальную структуру атмосферы и ее изменения при вариациях климатоформирующих факторов, и двумерные климатические модели (Кароль, 1988).
Появление нового класса трехмерных моделей - моделей общей циркуляции атмосферы (МОЦА) и моделей общей циркуляции атмосферы и океана - позволило не только эффективно исследовать широкий спектр природных процессов, но и осуществить среднесрочное и долгосрочное прогнозирование погоды, а также климата.
Проблематика прогнозирования климата с помощью моделей общей циркуляции атмосферы приобретает возрастающее научное и прикладное значение в виду глобальных изменений, вызванных антропогенными воздействиями на окружающую среду. Несмотря на постоянное совершенствование МОЦА за счет увеличения разрешения и улучшения схем параметризации, существует ряд обстоятельств, которые препятствуют достижению желаемых результатов в области валидации моделей по данным наблюдений. В ряде работ были сделаны выводы, что в масштабе суточного хода составляющих радиационного баланса расхождения с данными МОЦА достигают 100% и более, что ставит под сомнение возможные результаты прогноза климата.
В последнее время разработки по усвоению данных наблюдений компонентов радиационного баланса в МОЦА выполняются в рамках международных проектов и программ. Одним из таких проектов является европейский проект LDAS (Land Data Assimilation System), в котором предусмотрено усвоение данных наблюдений метеорологических и радиационных параметров у поверхности суши. В рамках международной программы GEWEX (Global Energy and Water Cycles Experiment) в Западной Европе и Канаде проводится ряд экспериментов по сбору
необходимой наземной информации. Проект СБОР (Coordinated Enhanced Observing Period) предназначен как для валидации радиационных блоков МОЦА, так и для калибровки данных спутниковых наблюдений (Tamagawa et al, 2003).
Учитывая недостаточную плотность наземной актинометрической и теплобалансовой сети, основным источником информации о составляющих радиационного баланса могут быть системы дистанционного зондирования атмосферы, которые, однако, пока не обеспечивают должной точности восстановления потоков как коротковолновой, так и длинноволновой радиации на уровне подстилающей поверхности. Отсутствие методик восстановления ограничивает возможности практического применения спутниковой информации.
Проблема изучения современных изменений климата предполагает исследования всех компонентов климатической системы и их взаимосвязи. В обобщенном виде эмпирические данные составляющих радиационного баланса представлены в справочнике «Климат России» (Кобышева, 2001).
В настоящее время доля солнечной энергии, отраженной земной поверхностью, составляет около 8% в энергетическом балансе системы Земля-атмосфера (IPCC, 2001). Поэтому альбедо поверхности Земли относится к числу важных климатообразующих факторов. В отличие от поверхности океана, альбедо поверхности суши является не только недостаточно изученной, но и весьма изменчивой величиной. Первое связано с тем, что до последнего времени основной объем информации об альбедо суши поступал с наземной актинометрической сети, дающей информацию об альбедо достаточно однородных участков площадок метеорологических станций, покрытых травой. В то же время большая
часть суши представляет собой ландшафты, которые входят в систему почва-растительность (СПР) и имеют сложную пространственную архитектуру. Описание переноса коротковолновой солнечной радиации в СПР представляет самостоятельную задачу (Ы X., Strahler А.Н., 1992, Lucht W., 1998).
Пространственно-временная изменчивость альбедо для СПР определяется бесконечным многообразием видов растительности, ее плотностью и архитектурой, с одной стороны, и годовым ходом фенологических фаз развития растительности, с другой стороны. Альбедо системы почва-растительность подвержено влиянию целого ряда факторов, в том числе метеорологических. Такие факторы как осадки, влажность атмосферы и грунта оказывают влияние на внутри- и межсуточную изменчивость альбедо СПР (Кондратьев, 1979).
Цель данной работы состоит в детализации существующих представлений о пространственно-временной изменчивости альбедо и коротковолнового радиационного баланса для последующего использования этих знаний при создании статистических моделей, описывающих суточный и сезонный ход указанных характеристик.
Актуальность темы исследования обусловлена значением альбедо как климатовлияющего фактора и его существенной пространственно-временной изменчивостью.
В качестве объектов исследований рассматривались суточный и годовой ход коротковолнового радиационного баланса и альбедо и их зависимость от метеорологических условий.
В задачи работы входили:
1. Исследование нелинейных трендов рядов месячных величин альбедо, коротковолнового радиационного баланса и отдельных метеорологических величин.
2. Исследование зависимости коротковолнового радиационного
баланса и альбедо от влияющих метеорологических величин и проведение
численных экспериментов для оценки их точности на основе
статистических моделей.
3. Подготовка модельного модуля для 4-мерной численной схемы
ассимиляции данных наблюдений альбедо и коротковолнового
радиационного баланса для CYJP.B первой главе приводится обзор
литературы по анализу данных измерений альбедо и коротковолнового
радиационного баланса, проблеме прогнозирования климата с помощью
моделей общей циркуляции атмосферы. Глава включает анализ моделей
суточного и сезонного хода альбедо и коротковолнового радиационного
баланса. Формулируются решаемые задачи и предлагаются методы их
решения.
Вторая глава содержит описание базы (архивов) данных актинометрических и метеорологических наблюдений.
В третьей главе приводится описание статистических методов исследований межэлементных связей. Описывается возможность восстановления суточного хода значений актинометрических величин, на основе данных только метеорологических измерений. Рассматривается метод моделирования нейронных сетей, который был заимствован из исследований по моделированию искусственного интеллекта.
Четвертая глава посвящена описанию и анализу результатов моделирования полученных при использовании статистических методов нейро-фаззи моделирования.
Решаемые задачи
В последние годы в некоторых отраслях естествознания при моделировании сложных систем широкое распространение получили методы, первоначально разработанные для создания искусственного интеллекта. Речь идет о двух связанных между собой направлениях, называемых в оригинале «Fuzzy Logic» и «Neural Network» (Allen and Le Marshall, 1994, Bankert and Aha, 1996, Yager and Zadeh, 1994). Первое из них примыкает к методам кластерного анализа, второе представляет собой группу методов, обеспечивающих моделирование сложных систем с большим числом нелинейных прямых и обратных связей. Преимущество нелинейного анализа, например нелинейной регрессии, перед традиционными методами заключается в том, что модель «нейронной сети» может описывать не только локальные, но и глобальные процессы в соответствующем фазовом пространстве с учетом их взаимодействия. Методы «Fuzzy Logic» предназначены для структурирования фазового пространства путем его разбиения на кластеры. В то же время как большинство традиционных методов статистического анализа обеспечивают описание лишь линейных связей, большую часть метеорологических процессов и связей следует отнести к нелинейным.
Известно, что составляющие радиационного баланса как прямо, так и косвенно связаны с метеорологическими параметрами (Кондратьев, 1979). Однако, до сих пор не все такие зависимости описаны эмпирическими соотношениями. Современная методология моделирования физических процессов с помощью нейронных сетей позволяет построить такие зависимости на основе анализа эмпирических данных (Покровский, 2000).
В данной работе использован метод нейро-фаззи моделирования, в котором осуществлена комбинация фаззи анализа (для классификации суточного и сезонного хода, а также для моделирования переходов из одного класса в другой в соответствии с изменения режимов атмосферной циркуляции) и метода моделирования нейронных сетей (для описания нелинейного воздействия метеорологических факторов на изменения суточного и сезонного хода альбедо и коротковолнового радиационного баланса).
Величина коротковолнового радиационного баланса в наибольшей степени зависит от облачности. С другой стороны, степень облачности определяется режимом атмосферной циркуляции. Переход от одного режима к другому, от одной синоптической ситуации к другой влечет изменение облачного покрова и соответствующих изменений радиационного баланса. Последнее обстоятельство сказывается также на вариациях суточного хода коротковолнового радиационного баланса. В работе Покровского (Покровский, 1999) была предложена объективная классификация дневного хода коротковолнового радиационного баланса в связи с изменениями балла облачности. В этой работе использовался метод фаззи анализа (усовершенствованный метод кластерного анализа). Метод моделирования нейронных сетей оперирует с фаззи классами, а не с отдельными значениями коротковолнового радиационного баланса, что позволяет описывать не только изменения, протекающие внутри класса, но и выявлять переходы между классами.
2. Описание базы (архива) данных наблюдений 2.1 Актинометрия (наблюдения)
Наблюдения за радиационным балансом и его составляющими, включая суммарную и отраженную радиацию, выполняются на наземной актинометрической сети регулярно. В зависимости от программы наблюдений данные о составляющих коротковолнового радиационного баланса на станциях получают либо в виде часовых сумм (программа «Регистрация»), либо в виде мгновенных значений в шесть стандартных актинометрических сроков наблюдений (программа «Срочные наблюдения»). Величина альбедо рассчитывается как отношение отраженной от подстилающей поверхности радиации к суммарной радиации и, как правило, выражается либо в процентах, либо в долях единицы.
Источником актинометрической информации являются наблюдения, выполняемые на сети станций Росгидромета в соответствии с действующим Наставлением ГМС и постам. Выпуск 5. Часть 1. Актинометрические наблюдения на станциях. В настоящее время обработка информации осуществляется, как правило, в УГМС (ЦГМС), после чего данные передаются в Главную геофизическую обсерваторию им. А.И. Воейкова (ГТО), являющуюся специализированным центром данных (СЦЦ). Выполняя функции СЦД, ГТО осуществляет полный комплекс работ по сбору, контролю, архивации и хранению актинометрической информации, заключительным этапом которого является передача архивов специализированной базы данных на хранение в Госфонд (ВНИИГМИ-МЦЦ).
Метеорология (наблюдения)
В последние годы большое внимание уделяется применению более совершенных статистических моделей. Среди них особое место занимают методы моделирования нейронных сетей, которые пришли из исследований по моделированию искусственного интеллекта. Прямолинейное применение этого аппарата не позволило в ряде случаев получить ощутимого повышения эффективности моделирования. Это связано с тем, что большинство задач исследования окружающей среды характеризуется не только наличием нелинейных взаимозависимостей, но и также и структурной нелинейностью (взаимозависимости параметров моделей могут появляться и пропадать по мере эволюционирования системы, описываемой моделью). Регрессионная модель, описанная в п. 3.1, включает в себя элементы фаззи анализа, что позволило получить обнадеживающие точности моделирования. Отметим, что прямое применение регрессионной модели обеспечивало более низкие точности моделирования альбедо.
Блок-схема применяемой нейро-фаззи модели (НФМ), предназначенной для моделирования альбедо и коротковолнового радиационного баланса, представлена на рис. 3.1. Простейший вариант обычной нейронной сети включает три слоя нейронов: входной, скрытый и выходной (Fausett, 1994). НФМ содержит два дополнительных фаззи слоя, предназначенных для трансформации дневного хода входных параметров модели в классификационную форму и обратного преобразования выходных параметров из классифицированной формы в обычные значения выходных параметров. Таким образом, НФМ включает пять слоев. Первый слой с формированием пакета входных параметров в нормированной форме.
Второй слой включает классификацию (фаззификацию) дневного хода каждого из этих параметров. Основой для этого слоя служат четыре (по числу входных параметров) матрицы средних дневных циклов для четырех классов (Покровский, 1999): М = {my},(i = \,...,n;j = 1,..,4). Здесь п число временных отсчетов, характеризующих дневной цикл рассматриваемых параметров. На практике это число сроков наблюдений на сети.
Третий, скрытый слой представляет собой совокупность нейронов, описываемых с помощью набора активирующих функций: (X — ЇЇІ A,=exp{-V ; 2 ij) },(i = l,.,n,j = 1,...,4) (3.2.1)
Активирующие функции вида (3.2.1) обычно называют радиальными базисными функциями (РБФ) (Lowe, 1989). Здесь х, - значение входного параметра, относящееся к отсчету /, mtJ- «центр» /-го отсчета для у -го класса JV - «ширина» интервала значений х, в пределаху-го класса. Переменная pv представляет собой выход у-го нейрона, построенного на основе РБФ. Выходное значение у}, получаемое в четвертом слое, вычисляется как некоторая функция от выходов нейронов рц: у j = F[pXj,..., р nJ ] . В качестве F здесь нами использовалась функция определения минимума: F - хтп[р ,...,рп]]. Реализация пятого слоя (дефаззификации) осуществляется с помощью линейного преобразования: П = - ,(/ = h-A;k = 1,...,и) (3.2.2) j В (3.2.2) использованы следующие обозначения: Yk- к-ът выход НФМ, представляющий собой оценку искомого параметра в А ый отсчет времени (срок наблюдений внутри дневного цикла), vJk- ожидаемое (среднее) значение оцениваемого параметра внутри у -го класса в к-ът отсчет времени. Сведения о величинах vJk можно почерпнуть из априорного ансамбля значений моделируемого параметра как функции от отсчета времени (срока наблюдений внутри дневного цикла). Таким образом, пятый слой выполняет функцию перевода данных из системы координат, принятой в фаззи анализе, к обычной системе координат. НФМ как и любая другая статистическая модель нуждается в обучении при использовании априорной выборки входных и выходных параметров. В данном случае процедура обучения состоит из 3 этапов. На первом этапе с помощью алгоритма «самоорганизующейся карты» Коонена (Kohonen, 1982) получены начальные приближения для неизвестных параметров модели.
Нейронные сети
При анализе тенденций (трендов) временных рядов, имеющих сезонные цикличности, возможны два подхода. В первом случае вычисляется средний сезонный ход рассматриваемых параметров и затем осуществляется анализ отклонений от этого распределения. Второй подход предполагает проведение независимого анализа тенденций для каждого элемента внутрисезонной цикличности. В случае климатических исследований цикличность определяется годовым ходом, а элементами цикличности служат 12 месяцев. Второй подход обладает большей гибкостью и позволяет выявлять особенности временных тенденций для каждого месяца. Этот подход был использован в данной работе для оценки трендов.
В климатических исследованиях наибольшее распространение получил метод оценки линейного тренда временного ряда данных наблюдений. В этом случае исследуемый набор данных аппроксимируется линейной функцией от времени. Коэффициенты этой функции определяются из уравнений стандартного метода наименьших квадратов. Проведенные расчеты показали, что применение методов линейной и полиномиальной (квадратической и кубической) аппроксимации дают чрезмерное сглаживание временных рядов и не описывают отдельные короткопериодные колебания в рядах рассматриваемых данных.
Наряду с методом полиномиальной аппроксимации в работе рассматривался метод скользящего среднего. Этот подход в противоположность полиномиальной аппроксимации приводит к недостаточно сглаженному ряду данных, в котором присутствует большинство высокочастотных колебаний, описывающих межгодовую изменчивость. При этом применение метода скользящего среднего не позволило до конца исключить высокочастотные кваззи двухлетние колебания (IPCC, 2001).
Поскольку исследуемые в работе временные ряды обнаруживают долговременные нарушения монотонности в зависимости от времени, то целесообразно привлекать для анализа более сложные методы. В частности, современная статистика предлагает методы оценки циклических трендов. Для анализа рассматриваемых рядов был использован более гибкий метод, позволяющий осуществлять преобразования временного ряда данных таким образом, что получаемая кривая обладает в достаточной степени, как свойствами сглаживания, так и аппроксимации одновременно. Предлагаемый подход является также модификацией известного метода интерполяции, основанного на алгоритме "обратных расстояний" (Shepard, 1968).
Остановимся кратко на описании метода. Предположим, что х1,...,хп исходный временной ряд наблюдений. В таком случае, каждому значениюхД/ = 1,...,и) можно поставить в соответствие сглаженное значение хі{і = 1,.--, и), полученное по формуле Набор весовых коэффициентов pik(i,k = l,...,n), входящих в (4.1), определяется исходя из следующих соотношений:
Таким образом, сглаженная оценка текущего наблюдения ,.(/ = 1,...,л) представляет собой средневзвешенную величину, полученную на основе использования всех данных наблюдений, но входящих с разными весами (4.2). Наибольший вес имеет текущее наблюдение х, (/ = 1,..., л). Его вес кратен сумме весов всех остальных наблюдений. Коэффициент кратности а характеризует степень сглаживания данного алгоритма. При а=0 сглаживание отсутствует, при а=1, сглаживание максимально и вклад текущего наблюдения равен сумме вкладов остальных наблюдений. Важно отметить, что другие наблюдения входят с весами, обратно пропорциональными квадрату «расстояния» по временной координате от текущей точки. Поэтому наибольший вклад вносят наблюдения, осуществленные в соседние отсчеты времени.
Коротковолновый радиационный баланс
Наоборот, в холодное время года коротковолновый радиационный баланс имеет тенденцию к увеличению (положительные тренды) при уменьшении альбедо. Причины таких изменений альбедо и коротковолнового радиационного баланса определяются изменениями метеорологических параметров. В последние годы наблюдались существенные изменения в циркуляционных индексах атмосферы (Северо-Атлантическое и Арктическое колебание). В связи с происходящими изменениями климата ослабление арктического вихря и переход к положительной фазе указанных индексов происходило одновременно с усилением циклонической активности в умеренных и высоких широтах северного полушария (IPCC, 2001).
Изменения суммарной и отраженной радиации, выявленные по данным 27 станций, носят различный характер в разные месяцы года и в разных регионах России. Результаты проведенного анализа представлены на примере 4-х станций (Воейково, Самара, Омск, Иркутск), описывающих типовые закономерности, характерные для достаточно обширных территорий. Так, например, в Западной Сибири (ст. Омск) в теплый период года наблюдается увеличение суммарной и отраженной радиации, причем, отраженная радиация возрастает быстрее, чем суммарная. В холодное время года в этом регионе суммарная и отраженная радиация имеют согласованную тенденцию к уменьшению. Из рассматриваемых станций Омск является наиболее удаленной от Тихого и Атлантического океанов и поэтому слабее других подвержена влиянию циклонической активности. В противоположность этому на северо-западе Европейской территории Росси (Воейково) наблюдается тенденция уменьшения суммарной радиации в течении всего года, за исключением, июля и ноября. Это может быть отнесено за счет увеличения облачности, связанной с повышением циклонической активности. Уменьшение отраженной радиации происходит медленнее, чем суммарной, что определяет убывание радиационного баланса в течение года, кроме января и декабря.
В средней полосе ЕТР (Самара) в теплое время года наблюдается увеличение как суммарной радиации, так и отраженной радиации. Причем, отраженная радиация растет быстрее суммарной радиации, что обеспечивает убывание радиационного баланса. На станции Самара в теплое время года наблюдается положительный тренд температуры и отрицательный тренд осадков, что объясняет одновременное увеличение суммарной радиации за счет уменьшение облачности и увеличение отраженной радиации. На станции Иркутск, наблюдается увеличение отраженной радиации в ноябре - декабре и первую более сухую половину года и уменьшение отраженной радиации с июля по октябрь.
Для того чтобы лучше понять внутригодовое распределение трендов альбедо, были проведены расчеты трендов по всем месяцам года. Оказалось, что и в этом случае, несмотря на общие отмеченные выше тенденции, в соответствии с которыми тренды в среднем составляют 0,5-1,0% в год, внутригодовой ход трендов имеет характерные для каждой станции черты. При этом в отдельные месяцы величины трендов могут существенно отличаться от средних значений. Эти специфические черты объяснимы особенностями рельефа, свойствами почв и растительности, значениями базовых метеорологических, гидрологических параметров. Несмотря на определенные различия, удалось выделить три типа годового хода трендов альбедо. Наиболее распространенной является первый тип (рис. 4.7а), когда тренды достигают максимума в летние, наиболее сухие месяцы годы, а минимума в середине зимы.
