55-е заседание семинара

«Суперкомпьютерное моделирование Земной системы»

Семинар посвящен разнообразным аспектам применения методов суперкомпьютерного моделирования для решения задач прогноза погоды и климата.

Семинар организован совместно

	Московским государственным университетом имени М.В. Ломоносова (МГУ)
	Федеральной службой по гидрометеорологии и мониторингу окружающей среды
	Российской академией наук

При поддержке

	Московского центра фундаментальной и прикладной математики
	Междисциплинарной научно-образовательной школы Московского университета «Мозг, когнитивные системы, искусственный интеллект»

Руководитель семинара:

Садовничий В.А. академик, ректор Московского государственного университета имени М.В. Ломоносова

Соруководители семинара:

	Вильфанд Р.М. д.т.н., научный руководитель Гидрометцентра России
	Добролюбов С.А. чл.-корр. РАН, декан Географического факультета МГУ
	Яковлев Н.Г. д.ф.-м.н., в.н.с. Института вычислительной математики РАН
	Степаненко В.М. д.ф.-м.н., зам. директора НИВЦ МГУ

Ученый секретарь семинара:

Варенцов М.И. к.г.н., с.н.с., НИВЦ МГУ

Тематика семинара охватывает следующие основные направления (но не ограничивается ими):

• Методы и технологии использования суперкомпьютерных вычислений в междисциплинарных проблемах наук о природной среде.
• Математическое моделирование процессов в климатической системе.
• Применение суперкомпьютерных технологий для решения задач прогноза погоды.
• Применение суперкомпьютерных технологий для решения задач оценки климатических изменений и их последствий для природной среды.
• Применение суперкомпьютерных технологий для комплексного решения задач охраны природной среды, включая опасные природные явления и техногенные катастрофы.

ПРОГРАММА СЕМИНАРА

	Пененко А.В. ИВМиМГ СО РАН, НГУ, ЮГУ, РГГМУ
	Русин Е.В. ИВМиМГ СО РАН, ЮГУ
	Емельянов М.К. ИВМиМГ СО РАН, НГУ
	Пененко В.В. ИВМиМГ СО РАН

Усвоение данных и решение обратных задач для многомерных моделей переноса и трансформации примесей в атмосфере

Многомерные модели адвекции-диффузии-реакции применяются в широком спектре прикладных задач, включая задачи моделирования процессов переноса и трансформации примесей в атмосфере и гидросфере. Реалистичные модели обычно требуют задания большого количества априорной информации и существенных вычислительных ресурсов, особенно в режиме обратного моделирования, в частности, для идентификации источников выбросов и других параметров моделей по данным мониторинга. Для решения задач обратного моделирования используется как вариационный подход, так и подход на основе операторов чувствительности и ансамблей решений сопряжённых уравнений [1]. Операторы чувствительности обратной задачи конструируются из набора функций чувствительности, которые вычисляются по ансамблю решений сопряжённых уравнений модели. На основе операторов чувствительности формируются семейства квазилинейных операторных уравнений, содержащие неизвестные обратной задачи. Наряду с многомерными нелинейными моделями процессов, рассматриваются также нелинейные операторы измерений. Такие операторы измерений возникают, например, в задачах дистанционного зондирования.

Ансамблевый характер алгоритмов допускает их эффективное распараллеливание [2]. Благодаря свойствам квазилинейных операторных уравнений с операторами чувствительности, позволяющим предварительно оценивать результат решения обратной задачи [3], на основе методов машинного обучения реализован гибридный алгоритм по уточнению результатов решения обратной задачи в части учета априорной информации о типе источников [4]. Алгоритмы тестируются на региональных и городских сценариях обратного моделирования.

Литература:

1. Penenko A. Convergence analysis of the adjoint ensemble method in inverse source problems for advection-diffusion-reaction models with image-type measurements // Inverse Problems & Imaging. American Institute of Mathematical Sciences (AIMS), 2020. vol. 14, № 5. pp. 757–78226 p
2. Penenko and E. Rusin, “Parallel Implementation of a Sensitivity Operator-Based Source Identification Algorithm for Distributed Memory Computers // Mathematics, vol. 10, no. 23, p. 4522, Nov. 2022, doi: 10.3390/math10234522.
3. Penenko A. et al. Sensitivity Operator Framework for Analyzing Heterogeneous Air Quality Monitoring Systems // Atmosphere. MDPI AG, 2021. vol. 12, № 12. p. 16971 p.
4. Penenko A. et al. Hybrid Deep Learning and Sensitivity Operator-Based Algorithm for Identification of Localized Emission Sources // Mathematics. MDPI AG, 2023. vol. 12, № 1. p. 781 p.

⚠️ Обращаем внимание, что в этот раз предусмотрен только дистанционный формат участия, без очной части.

Ссылка на конференцию: https://us02web.zoom.us/j/89497313573?pwd=dW5vVDdWZHYzTFE3UXBnSWwvdHowZz09

Meeting ID: 894 9731 3573

Passcode: 586800

Для упрощения нашей работы во время семинара, просим сделать следующее: заранее проверить, что Zoom у Вас работает (в настройках приложения Zoom можно проверить  качество работы динамиков и микрофона) и ввести в настройках вашего профиля фамилию, имя и отчество полностью (это можно сделать на странице вашего профиля  (https://us02web.zoom.us/profile) — в этом случае коллеги по конференции будут видеть, как к Вам обращаться.