Библиография

1. 1. Агошков В.И., Залесный В.Б., Шелопут Т.А. Вариационная ассимиляция данных в задачах моделирования гидрофизических полей в открытых акваториях // Известия РАН. ФАО. 2020. Т. 56. № 3. С. 293-308. DOI: 10.31857/S0002351520030025.
2. 2. Агошков В.И., Шутяев В.П., Пармузин Е.И. и др. Вариационная ассимиляция данных наблюдений в математической модели динамики Черного моря // Морской гидрофизический журнал. 2019. Т. 35. № 6. С. 585-599. DOI: 10.22449/0233-7584-2019-6-585-599.
3. 3. Зеленько А.А., Вильфанд Р.М., Реснянский Ю.Д. и др. Система усвоения океанографических данных и ретроспективный анализ гидрофизических полей Мирового океана // Известия РАН. Физика атмосферы и океана. 2016. Т. 52. № 4. С. 501-513. DOI: 10.7868/S0002351516040143.
4. 4. Зеленько А.А., Реснянский Ю.Д. Морские наблюдательные системы как составная часть оперативной океанологии (обзор) // Метеорология и гидрология. 2018. № 12. С. 5-30.
5. 5. Зеленько А.А., Реснянский Ю.Д., Цырульников М.Д. и др. Глобальная система усвоения океанографических данных: Пилотная версия // Труды VI Российской научно-технической конференции “Современное состояние и проблемы навигации и океанографии” (“НО-2007”), 23-25 мая 2007 г. Санкт-Петербург, 2007. С. 464-473.
6. 6. Зеленько А.А., Реснянский Ю.Д., Цырульников М.Д. и др. Мониторинг крупномасштабной структуры гидрофизических полей океана // Современные проблемы динамики океана и атмосферы. М.: Триада ЛТД, 2010. С. 131-172.
7. 7. Кауркин М.Н., Ибраев Р.А., Беляев К.П. Усвоение данных наблюдений в модели динамики океана высокого пространственного разрешения с применением методов параллельного программирования // Метеорология и гидрология. 2016. № 7. С. 47-57.
8. 8. Кауркин М.Н., Ибраев Р.А., Беляев К.П. Усвоение данных АРГО в модель динамики океана с высоким разрешением по методу ансамблевой оптимальной интерполяции (EnOI) // Океанология. 2016. Т. 56. № 6. С. 852-860. DOI: 10.7868/S0030157416060058.
9. 9. Кауркин М.Н., Ибраев Р.А., Беляев К.П. Усвоение данных альтиметрии в модели динамики океана методом ансамблевой интерполяции // Известия РАН. ФАО. 2018. Т. 54. № 1. С. 64-72. DOI: 10.7868/S0003351518010075.
10. 10. Коротаев Г.К. Кныш В.В., Лишаев П.Н., Демышев С.Г. Применение метода адаптивной статистики для реанализа полей Черного моря c ассимиляцией псевдоизмерений температуры и солености в модели // Морской гидрофизический журнал. 2018. Т. 34. № 1. С. 40-56. DOI: 10.22449/0233-7584-2018-1-40-56.
11. 11. Кулешов А.А., Смирнов И.Н., Танажура К.А.С., Беляев К.П. Cравнение методов усвоения данных в гидродинамических моделях циркуляции океана // Математическое моделирование. 2018. Т. 30. № 12. С. 39-54. DOI: 10.31857/S023408790001935-2.
12. 12. Лишаев П.Н., Кныш В.В., Коротаев Г.К. Восстановление гидрофизических полей Черного моря с ассимиляцией поверхностной температуры и псевдоизмерений температуры, солености в модели // Морской гидрофизический журнал. 2020. Т. 36. № 5. С. 485-500. DOI: 10.22449/0233-7584-2020-5-485-500.
13. 13. Панасенкова И.И., Фомин В.В., Дианский Н.А. Моделирование гидротермодинамических и ледовых характеристик западных морей российской Арктики в квазиоперативном режиме с усвоением спутниковых данных // В сб.: Морские исследования и образование (MARESEDU)-2022. Труды XI Международной научно-практической конференции. Тверь, 2022. С. 32-36.
14. 14. Пармузин Е.И., Залесный В.Б., Агошков В.И., Шутяев В.П. Методы вариационного усвоения данных в моделях геофизической гидродинамики и их применение // Известия вузов. Радиофизика. 2020. Т. LXIII. № 9-10. С. 749-770.
15. 15. Ростилов Д.А., Кауркин М.Н., Ибраев Р.А. Сравнение методов усвоения данных на основе классического, ансамблевого и локального фильтра Калмана на примере уравнения адвекции и задачи Лоренца // Вычислительные методы и программирование. 2018. Т. 19. С. 507-515. DOI: 10.26089/NumMet.v19r445.
16. 16. Сеидов Д.Г., Марушкевич А.Д. Самоорганизация течений в океане путем перехода “порядок из хаоса” // Океанология. 1988. Т. 28. Вып. 1. С. 25-31.
17. 17. Степанов В.Н., Реснянский Ю.Д., Струков Б.С., Зеленько А.А. Крупномасштабная циркуляция океана и характеристики ледяного покрова по данным численных экспериментов с использованием модели NEMO // Метеорология и гидрология. 2019. № 1. С. 50-66.
18. 18. Степанов В.Н., Реснянский Ю.Д., Струков Б.С., Зеленько А.А. Оценка эффекта усвоения данных наблюдений в модели общей циркуляции океана с помощью ансамблевого фильтра Калмана: численные эксперименты с имитацией наблюдений // Метеорология и гидрология. 2021. № 2. С. 50-66.
19. 19. Струков Б.С., Реснянский Ю.Д., Зеленько А.А. Релаксационный метод усвоения данных по сплоченности морского льда в модели NEMO-LIM3 с несколькими категориями ледяного покрова // Метеорология и гидрология. 2020. № 2. С. 65-77.
20. 20. Фомин В.В., Дианский Н.А. Исследование влияния методов усвоения температуры поверхности моря на воспроизведение гидрофизических полей на примере Черного моря // В сб.: Морские исследования и образование (MARESEDU)-2022. Труды XI Международной научно-практической конференции. Тверь, 2022. С. 55-61.
21. 21. Цырульников М.Д., Свиренко П.И., Горин В.Е. и др. Разработка схемы трехмерного вариационного усвоения данных в Гидрометцентре России // В кн.: 80 лет Гидрометцентру России. М.: ТРИАДА ЛТД, 2010. С. 21-35.
22. 22. Bell M.J., Lefèbvre M., Le Traon P.-Y. et al. GODAE: The Global Ocean Data Assimilation Experiment // Oceanography. 2009. V. 22(3). P. 14-21. https://doi.org/10.5670/oceanog.2009.62
23. 23. Belyaev K.P., Kuleshov A.A., Smirnov I.N., Tanajura C.A.S.Comparison of data assimilation methods in hydrodynamics ocean circulation models // Mathematical Models and Computer Simulations. 2019. V. 11. № 4. P. 564-574. DOI: 10.1134/S2070048219040045.
24. 24. Belyaev K.P., Kuleshov A.A., Smirnov I.N., Tanajura C.A.S. The general data assimilation method, its comparison with the standard scheme, and its application to dynamical simulation in the Atlantic // MATEC Web of Conferences. 22. Сер. “22nd International Conference on Circuits, Systems, Communications and Computers, CSCC 2018”. 2018. V. 210. P. 04025. https://doi.org/10.1051/matecconf/201821004025
25. 25. Belyaev K., Kuleshov A., Smirnov I., Tanajura C.A.S. Generalized Kalman filter and ensemble optimal interpolation, their comparison and application to the hybrid coordinate ocean model // Mathematics. 2021. V. 9. 2371. https://doi.org/10.3390/math9192371
26. 26. Dussin R., Barnier B., Brodeau L., Molines J.-M. The Making of the DRAKKAR Forcing Set DFS5. DRAK-KAR/MyOcean Report 01-04-16. April 2016. 34 p. https://www.drakkar-ocean.eu/publications/reports/report_DFS5v3_April2016.pdf
27. 27. Gaspari G., Cohn S.E. Construction of correlation functions in two and three dimensions // Quart. J. Roy. Meteor. Soc. 1999. V. 125. P. 723-757. DOI: 10.1002/qj.49712555417.
28. 28. Gurvan Madec and the NEMO team. Nemo ocean engine - Version 3.6. Technical Report ISSN No. 1288- 1619, Pole de modelisation de l’Institut PierreSimon Laplace. No. 27. 2016.
29. 29. Houtekamer P.L., Mitchell H.L. Data assimilation using an ensemble Kalman filter technique // Mon. Wea. Rev. 1998. V. 126. P. 796-811. DOI: 10.1175/1520-0493(1998)126,0796:DAUAEK.2.0.CO;2.
30. 30. Houtekamer P.L., Mitchell H.L. A sequential ensemble Kalman filter for atmospheric data assimilation // Mon. Wea. Rev. 2001. V. 129. P. 123-137. DOI:10.1175/1520-0493(2001)129,0123:ASEKFF.2.0. CO;2.
31. 31. Hunt B.R., Kostelich E.J., Szunyogh I. Efficient data assimilation for spatiotemporal chaos: a local ensemble transform Kalman filter // Physica. 2007. D 230. P. 112-126. https://doi.org/10.1016/j.physd.2006.11.008
32. 32. Iovino D., Masina S., Storto A. et al. A 1/16° eddying simulation of the global NEMOv3.4 sea ice-ocean system // Geosci. Model Dev. 2016. V. 9. P. 2665-2684. www.geosci-model-dev.net/9/2665/2016/DOI: 10.5194/gmd-9-2665-2016.
33. 33. Klinker E., Rabier F., Kelly G., Mahfouf J.-F. The EC-MWF operational implementation of four-dimensional variational assimilation. III: Experimental results and diagnostics with operational configuration // Quart. J. Royal Meteorol. Soc. 2000. V. 126. Iss. 564. P. 1191-1215. https://doi.org/10.1002/qj.49712656417
34. 34. Locarnini R.A., Mishonov A.V., Antonov J.I. et al. World Ocean Atlas 2013. V. 1: Temperature / S. Levitus (ed.). - NOAA Atlas NESDIS 73. 2013. 40 p.
35. 35. Martin M.J., Balmaseda M., Bertino L. et al. Status and future of data assimilation in operational oceanography // Journal of Operational Oceanography. 2015. V. 8. № S1. P. s28-s48. DOI: 10.1080/1755876X.2015.1022055.
36. 36. Meier W., Fetterer F., Savoie M. et al. NOAA/NSIDC Climate Data Record of Passive Microwave Sea Ice Concentration, Version 2 // Boulder, Colorado, USA, National Snow and Ice Data Center, 2013, updated 2016. http://dx.doi.org/10.7265/N55M63M1
37. 37. Nerger L., Hille W. Software for Ensemble-based Data Assimilation Systems - Implementation Strategies and Scalability // Computers and Geosciences. 2013. V. 55. P. 110-118. DOI: 10.1016/J.CAGEO.2012.03.026.
38. 38. Nerger L., Hiller W., Schröter J. PDAF - The Parallel Data Assimilation Framework: Experience with Kalman filtering. Use of High Performance Computing in Meteorology. 2005. P. 63-83.
39. 39. Pham D.T., Verron J., Roubaud M.C. A singular evolutive extended Kalman filter for data assimilation in oceanography // J. Mar. Syst. 1998. V. 16. P. 323-340. DOI: 10.1016/S0924-7963(97)00109-7.
40. 40. Saha S., Moorthi S., Wu X. et al. The NCEP Climate Forecast System Version 2 // Journal of Climate. 2014. V. 27. Iss. 6. P. 2185-2208. https://doi.org/10.1175/JCLI-D-12-00823.1
41. 41. Schweiger A., Lindsay R., Zhang J. et al. Uncertainty in modeled Arctic sea ice volume // J. Geophys. Res. 2011. V. 116. C00D06. DOI: 10.1029/2011JC007084.
42. 42. Sea Ice modelling Integrated Initiative (SI3) - The NEMO sea ice engine // Scientific Notes of Climate Modelling Center. 2019. V. 31. ISSN 1288-1619, Institut Pierre-Simon Laplace (IPSL). DOI: 10.5281/zenodo.1471689.
43. 43. Shutyaev V.P., Agoshkov V.I., Zalesny V.B. et al. 4D technology of variational data assimilation for sea dynamics problems // Supercomputing Frontiers and Innovations. 2022. V. 9. № 1. P. 4-16. DOI: 10.14529/jsfi220101.
44. 44. Vancoppenollea M., Fichefet T., Goosse H. et al. Simulating the mass balance and salinity of Arctic and Antarctic sea ice. 1. Model description and validation // Ocean Modelling. 2009. V. 27. Iss. 1-2. P. 33-53. https://doi.org/10.1016/j.ocemod.2008.10.005
45. 45. Zweng M.M., Reagan J.R., Antonov J.I. et al. World Ocean Atlas 2013. V. 2: Salinity. / S. Levitus (ed.). NOAA Atlas NESDIS 74. 2013. 39 p.