Тема: Изменчивость климатического режима Гренландского моря

Актуальность темы исследования. «Формирование глобальной системы циркуляции (Глобальный океанический конвейер или петля Брокера) заключается в зональном осредненном переносе вод в приповерхностном, глубинном и придонном слоях океанических бассейнов. Основное звено подобной циркуляции - Атлантическая меридиональная термохалинная циркуляция (АТХЦ). В ней поток приповерхностных вод на севере взаимосвязан с потом глубинных вод на юге через зоны глубокой конвекции (отрицательный поток плавучисти в верхних слоях океана, обусловленный интенсивной отдачей тепла из океана в атмосферу). Развитие глубокой конвекции способствует осолонение приповерхностного слоя океанических вод на ранних стадиях интенсивного льдообразования, а также общее ослабление стратификации вод ниже сезонного термоклина. Этот процесс определяет интенсивность АТХЦ, следовательно, и общую интенсивность переноса тепла в полярные районы Северного полушария, и аэрацию глубинных вод. Поэтому предполагается, что изменение интенсивности АТХЦ, также и влияет на изменение климатического режима северного полушария.» [12] В ряде северных приполярных акваторий Атлантического и Северо-Европейского бассейнов Северного Ледовитого океана, а именно в морях Ирмингера, Лабрадор и Гренландском, наблюдается специфический явление. Особое внимание в рамках данной научной работы будет уделено Гренландскому морю. Описанные особенности циркуляции водных масс обуславливают формирование на его акватории уникальных для арктических морей ледовых условий для их научного исследования.
Цель работы заключается в изучение происхождения изменения площади распространения морского льда Гренландского моря и нахождение физико-статистической связи с другими гидрометеорологическими характеристиками, которые распространяются на всю акваторию объекта исследования.
Для достижения данной цели были поставлены следующие задачи:
1. Изучение и описание климатических особенностей Гренландского моря:
a. Анализ литературных источников для комплексного понимания климатического режима Гренландского моря.
b. Описание климатических характеристик.
2. Создание базы данных по Гренландскому морю:
c. Сбор данных о площади морского льда и интеграция данных о других гидрометеорологических параметрах.
d. Создание единой базы данных, доступной для дальнейшего анализа и моделирования.
3. Анализ изменчивости площади морского льда:
e. Выделение временных трендов и циклических колебаний площади морского льда Гренландского моря.
f. Расчет метода сверхдолгосрочного прогноза.
g. Оценка качества прогноза площади распространения морского льда.
4. Разработка физико-статистической модели:
h. Составление физико-статистических линейных уравнений, описывающих изменчивость площади морского льда.
i. Оценка качества полученных моделей на основе независимых данных.
5. Применение новых методов прогнозирования:
j. Внедрение новых подходов к прогнозированию ледовитости Гренландского моря.
k. Использование методов машинного обучения для построения более точных прогнозов.
l. Сравнительный анализ различных методов прогнозирования и выбор наиболее эффективного.
Для более детального раскрытия темы данного научного исследования была подготовлена статья «Статистическая модель площади льда Гренландского моря», которая будет опубликована в сборнике международной научно-практической конференции «Гидрометеорология и Физика атмосферы: современные тенденции в гидрометеорологии».

Купить

В данной выпускной квалификационной работе были рассмотрены возможные причины изменения климатического режима Гренландского моря с помощью взаимосвязи между площадью распространения морского льда и других гидрометеорологических параметров. К этому дополнительно проведен анализ и построение прогнозных моделей внутренней структуры выбранной акватории через прогноз выхода на безледный период. А также исследование линейной и нелинейной физико-статистической связи.
На первом этапе изучались особенности климатического режима моря по литературным источникам. Полученные данные сформировали основу для дальнейшего анализа.
На втором этапе, используя различные статистические алгоритмы, исследовалась динамика площади морского льда. Анализ позволил выделить внутреннею структуру природного процесса. При прогнозировании трендовой составляющей и универсальной гиперболической формулой расхождения составляют в среднем 10 лет. После добавления гармоники к тренду ошибка снизилась до 3-х лет, что говорит о достаточной устойчивости оценок. В марте и феврале наблюдается пик трендовой составляющей (с коэффициентом детерминации R2=67.35 и R2=62.98 соответственно), после чего ее влияние постепенно ослабевает, в июне оценки двух составляющих практически равны. С июля по сентябрь доминирует циклическая составляющая (с коэффициентом детерминации R2=43.2, R2=39.9 и R2=33.4 соответственно). С октября по декабрь тренд снова усиливается, а циклическая составляющая ослабевает (см. рис. 7). Наблюдается сезонная специфика в появлении гармоник: с декабря по май не обнаруживается длиннопериодных гармоник, в основном проявляются циклы продолжительностью от 5 до 9 лет. С июня по ноябрь, наоборот, преобладают более длительные циклы от 16 до 20 лет. Средний совместный вклад составляющих составил примерно 75%.
На третьем этапе был использован мультирегрессионый анализ, чтобы составить статистические уравнения взаимосвязи площади морского льда с гидрометеорологическими характеристиками. Было установлено, что преобладающим фактором для каждого месяца стала температура поверхности моря, а в зимней период (с ноября по март) прибавилась и температура атмосферы. На зависимом материале метод показал достаточно точные результаты, среднее отношение стандартной ошибки к среднеквадратическому отклонению составляет 0.71. Предикторы описывают от 50% до 90% (в зависимости от месяца) общей дисперсии колебаний площади льда Гренландского моря. Но переходя к независимой части, где более заметна тенденция на уменьшение площади льдов, среднее отношение стандартной ошибки к среднеквадратическому отклонению больше 1. Это говорит о том, что полученные модели не смогли справиться с поставленной задачей. Для решения данной проблемы был предложен альтернативный алгоритм анализа.
Последний этап заключается в рассмотрении объекта исследования в виде сложной динамической системы, в которой присутствуют по большей мере нелинейные взаимосвязи между факторами. Для этого был выбран современный метод машинного обучения - деревья решений. На зависимом материале расхождения между прогнозными и фактическими значениями минимальны, среднее отношение стандартной ошибки к
среднеквадратическому отклонению составляет меньше 0.6. Коэффициенты детерминации находятся в диапазоне от 65 до 90%, что говорит о достаточном описании дисперсии исходного ряда. И при условии уменьшения площади льда за последние десять лет (независимая часть) модель смогла описать динамику развития, среднее отношение стандартной ошибки к среднеквадратическому отклонению составляет меньше 0.83, это говорит о неплохой точности модели при условиях малой глубины дерева решений. К этому можно добавить способность алгоритма квалифицировать гидрометеорологические параметры по значимости влияния на площадь распространения морского льда Гренландского моря, что помогает сделать некоторые выводы. Как и в случае с мультирегрессионным анализом, наиболее преобладающие предикторы в формирование площади распространения морского льда оказались температура поверхности моря и атмосферы. Анализ двух методов показывает, что модели деревья решений обладают лучшими характеристиками по сравнению с моделями МЛР (см. рис. 21 и 22). Это связано с тем, что МЛР объясняет дисперсию исходного ряда через корреляцию с предикторами и требует некоторых дополнений в уравнение для повышения точности, тогда как ДР минимизирует расстояние между значениями площади льда и предикторами на отдельных временных отрезках, причем с увеличением толщины дерева длина отрезков уменьшается.

Купить