Мы используем cookie файлы.
Пользуясь сайтом, вы соглашаетесь с нашей Политикой конфиденциальности.

Куртц Юрген Германия
Номер договора
14.Z50.31.0033
Период реализации проекта
2014-2018

По данным на 01.11.2022

31
Количество специалистов
45
научных публикаций
11
Объектов интеллектуальной собственности
Общая информация

Ученые лаборатории занимаются разработкой новых методов решения такой сложной задачи как моделирование климатических систем. Эта задача на данный момент решается путём численного анализа сложных систем уравнений, таких как, например, Модели общей циркуляции атмосферы и океана. Такой подход сталкивается со значительными сложностями, связанными в первую очередь с невозможностью учесть все действующие факторы. Ученые лаборатории намерены развивать принципиально иной подход: прогнозирование будет вестись на основе эмпирических моделей, полученных из непосредственного анализа пространственно-временных зависимостей определённых параметров климатической системы. Решение поставленных задач позволит заблаговременно предсказывать такие экстремальные явления, как бури, засухи, сильные осадки, лесные пожары и др., прогнозировать состояние ледяного покрова арктических районов, проводить оценку и сравнение степени влияния, которое оказывают на глобальное потепление факторы естественной и антропогенной природы.

Название проекта: Новые подходы к исследованию климатических процессов и прогнозу экстремальных явлений

Цели и задачи

Направление исследований: Моделирование климатических процессов

Цель проекта: Применение и развитие методов исследования динамики сложных систем для изучения климатической системы Земли и связанных проблем, в том числе предсказание экстремальных явлений

Практическое значение исследования

Научные результаты:

  • Создан метод извлечения главных нелинейных мод климатической изменчивости из данных. Анализ рядов температуры поверхности океана позволил выделить низкоразмерные моды, отвечающие за межгодовую и мультидекадную изменчивость климата.
  • Разработан метод построения эмпирических моделей, основанных на пространственно-временном разложении данных и нейросетевом представлении оператора эволюции системы. На примере межгодового прогноза ключевых климатических индексов продемонстрировано, что прогностическая способность моделей, построенных с помощью нового метода, не уступает лучшим из существующих в мире аналогов.
  • Разработан метод, позволяющий по данным наблюдений в рамках одной процедуры идентифицировать повторяющиеся режимы атмосферной изменчивости в средних широтах и реконструировать фазовое пространство, обеспечивающее разделение этих режимов. Метод сочетает в себе два подхода к нелинейному анализу данных: построение и анализ сети (графа) повторяющихся состояний и нелинейный анализ главных компонент. Метод протестирован на данных, сгенерированных квазигеострофической моделью атмосферы, и затем применен к анализу данных геопотенциальных высот атмосферы в средних широтах Северного полушария в зимние сезоны с 1981 г. по настоящее время. Выявлен набор повторяющихся режимов циркуляции атмосферы планетарного масштаба, исследованы их динамические свойства и показана их связь с крупномасштабными погодными аномалиями, определившие, в частности, аномальные зимы над Евразией и Северной Америкой. Разработанный метод открывает перспективы для совершенствования эмпирического моделирования и долгосрочного прогнозирования режимов крупномасштабной атмосферной циркуляции в средних широтах.
  • Новый метод исследования устойчивости к сильным возмущениям впервые применен для изучения свойств реальной природной системы: для анализа изменения стабильности климатической системы Земли за последние 2,6 миллиона лет (период Плейстоцена). На основе нового метода и нелинейной эмпирической реконструкции оператора эволюции климата Земли продемонстрировано, что устойчивость глобального климата к любым возмущениям снижается на протяжении всего Плейстоцена, усиливая, тем самым, его реакцию на быстрые (с тысячелетним масштабом и меньше) климатические вариации. Именно этот фактор, обусловленный нелинейностью земной климатической системы, привел к качественной перестройке эволюции глобального климата около миллиона лет назад: кардинально изменились продолжительность (с 41 тысячи лет на 100-120 тысяч лет) ледниковых циклов и их структура (на порядок возросло отношение продолжительностей холодной и теплой фаз внутри каждого цикла).

Внедрение результатов исследования:

Разработаны алгоритмы, применяющиеся в моделировании физических процессов, обработке больших массивов данных (Big Data) и машинном обучении. На государственный учет поставлены 11 полезных программ для ЭВМ:

  • «Программа для расчета пространственно-временной моды по многомерному временному ряду»
  • «Программа для расчета нелинейной динамической моды и ее обоснованности по многомерному временному ряду (версия 1)»
  • «Программа для расчета нелинейной динамической моды и ее обоснованности по многомерному временному ряду с оптимизацией по размерности»
  • «Программа для расчета стохастической модели оператора эволюции на базе искусственных нейронных сетей, ее обоснованности и прогноза поведения по скалярному временному ряду»
  • «Программа для калибровки численных схем климатических моделей, основанная на методе байесового осреднения на регулярной широтно-долготной вычислительной сетке»
  • «Программа для вычисления статистических моментов и кумулянтов аномалий из заданного интервала временных масштабов по данным на широтно-долготной вычислительной сетке»
  • «Программа для расчета прогностической модели оператора эволюции в форме комплекснозначной искусственной нейронной сети»
  • «Программа для расчета эмпирической прогностической модели оператора эволюции с поиском оптимальной структуры вложения по многомерному временному ряду»
  • «Программа для расчета байесовой обоснованности модели оператора эволюции в форме комплекснозначной искусственной нейронной сети»
  • «Программа для расчета эмпирической прогностической модели оператора эволюции по многомерному временному ряду с учетом его гладкости»
  • «Программа для расчета комплекснозначной пространственно-временной моды по многомерному временному ряду»

Образование и переподготовка кадров:

  • Организована международная конференция Conference on Mathematical Geophysics CMG 2018 (Россия, 2018 г.).
  • Организованы секции на международных конференциях EGU General Assembly (Австрия, 2015-2018 гг.,), Topical problems of nonlinear wave physics (Россия, 2014, 2017 гг.,), Frontiers of nonlinear physics (Россия, 2016 г.), на молодежных научных школах «Нелинейные волны» (Россия, 2016, 2018 гг.).
  • Организована Всероссийская Школа - конференция молодых ученых «Состав атмосферы. Атмосферное электричество. Климатические эффекты» «МАПАТЭ 2016» (Россия, 2016 г.).
  • Организованы рабочие группы Network analysis and data driven modelling of the climate (Германия, 2014 г.) и Analysis of Dynamic Networks and Data Driven Modelling of the Climate (Германия, 2015 г.).
  • 3 специалиста лаборатории прошли стажировку по эмпирическому моделированию распределенных систем.
  • Участие в чтении курсов лекций «Механика», «Молекулярная физика», «Теория колебаний и волн», «Общая циркуляция атмосферы и ее математическое моделирование», «Основы теории климата», «Теория управления», «Информационная нейродинамика».

Организационные и инфраструктурные преобразования:

Лаборатория располагает высокопроизводительным вычислительным кластером (более 500 современных вычислительных ядер частотой 2,4 ГГц). Данный кластер интегрирован в инфраструктуру института и является ядром вычислительной системы Института прикладной физики РАН.

На базе лаборатории по решению Бюджетной комиссии Минобрнауки России о предоставлении субсидии от октября 2022 г. №БК-П/29 создана молодежная лаборатория «Разработка и тестирование климатических моделей» под руководством к.ф.-м.н А.С. Гаврилова (подготовил диссертацию в процессе выполнения мегагранта и защитил ее в 2019 году).

Сотрудничество:

  • Потсдамский институт изучения климатических изменений (Германия): совместные исследования и научные мероприятия, разработка новых методов детектирования взаимодействий и направленности связей в сложных системах, разработка общей концепции бассейновой устойчивости динамических систем и ее приложение к исследованию устойчивости климатических мод, выявленных как в региональных климатических системах, так и в глобальной климатической системе Земли.
  • Калифорнийский университет в Лос-Анджелесе (США): совместные исследования, создание прогностических эмпирических моделей динамики арктического морского льда и изменений уровня океана в Арктике, описывающих эволюцию на сезонных, межгодовых и декадных масштабах.

Скрыть Показать полностью
Gavrilov A., Seleznev A., Mukhin D., Loskutov E., Feigin A., & Kurths J.
Linear dynamical modes as new variables for data-driven ENSO forecast. Climate Dynamics 16 May: 1-18 (2018).
Mukhin D., Gavrilov A., Loskutov E., Feigin A., & Kurths, J.
Nonlinear reconstruction of global climate leading modes on decadal scales. Climate Dynamics September: 2301-2310 (2018).
Klinshov V., Kirillov S., Kurths J., Nekorkin V.
Interval stability for complex systems. New Journal of Physics 20 (2018).
Boers N., Chekroun M.D., Liu H., Kondrashov D., Rousseau D.D., Svensson A., … Ghil M.
Inverse stochastic–dynamic models for high-resolution Greenland ice core records. Earth System Dynamics 15 December: 1171–1190 (2017).
Volodin E. M., Mortikov E. V., Kostrykin S. V., Galin V. Y., Lykosov V. N., Gritsun A. S., … Yakovlev N. G.
Simulation of modern climate with the new version of the INM RAS climate model. Izvestiya, Atmospheric and Oceanic Physics 53(2): 142–155 (2017).
A. Gavrilov, E. Loskutov, and A. Feigin.
Data-driven stochastic model for cross-interacting processes with different time scales. — Chaos 32, 023111 (2022); https://doi.org/10.1063/5.0077302 Статья отмечена как «editors-pick».
E. Loskutov, V. Vdovin, V. Klinshov, A. Gavrilov, D. Mukhin, and A. Feigin.
Applying interval stability concept to empirical model of middle Pleistocene transition. — Chaos : An Interdisciplinary Journal of Nonlinear Science, 32, 021103, (2022) https://doi.org/10.1063/5.0079963
Dmitry Mukhin, Abdel Hannachi, Tobias Braun, and Norbert Marwan
"Revealing recurrent regimes of mid-latitude atmospheric variability using novel machine learning method", Chaos: An Interdisciplinary Journal of Nonlinear Science, 32, 113105 (2022) https://doi.org/10.1063/5.0109889 Статья отобрана для включения в Scilight (Обзоры избранных статей из журналов AIP https://aip.scitation.org/journal/sci )
S. Kravtsov, A. Gavrilov , M. Buyanova , E. Loskutov , and A. Feigin,
“Forced Signal and Predictability in a Prototype Climate Model: Implications for Fingerprinting Based Detection in the Presence of Multidecadal Natural Variability”, принята для публикации в декабрьском выпуске Chaos: An Interdisciplinary Journal of Nonlinear Science.
Фотоальбомы
Вторник , 03.12.2019
Другие лаборатории и ученые
Лаборатория, принимающая организация
Область наук
Город
Приглашенный ученый
Период реализации проекта
Лаборатория «Здоровье почв»

Южный федеральный университет - (ЮФУ)

Науки о Земле и смежные экологические науки

Ростов-на-Дону

Вонг Минг Хунг

Гонконг, Великобритания

2022-2024

Лаборатория «Нелинейная гидрофизика и природные катастрофы»

Тихоокеанский океанологический институт им. В. И. Ильичева Дальневосточного отделения РАН - (ТОИ ДВО РАН)

Науки о Земле и смежные экологические науки

Владивосток

Пелиновский Ефим Наумович

Россия

2022-2024

Лаборатория городской экологии и климата

Московский государственный университет им. М. В. Ломоносова - (МГУ)

Науки о Земле и смежные экологические науки

Москва

Кулмала Маркку Тапио

Финляндия

2021-2023