Numerical methods for marine biogeochemical models
Marine ecosystem models are an indispensable component in the forecast of climate change. CO2 is the major anthropogenic greenhouse gas which substantially determines global warming. As an essential component of the global carbon cycle, the marine ecosystem absorbs atmospheric CO2 and, hence, slows down global warming. More specifically, the marine ecosystem stores the CO2 over a long time period, for example by fixing it through biogeochemical conversion processes. Marine ecosystem models facilitate the simulation of the marine ecosystem and, thus, the research of different processes in this ecosystem and a forecast of the evolution of the marine ecosystem. Owing to a high computational effort, the simulation of marine ecosystem models is limited by the available computing power, even on high-performance computers. To reduce the computational effort for the computation of a steady annual cycle for a marine ecosystem model, this thesis comprises the investigation of the reduction of the computational effort by using larger time steps and by predicting the steady annual cycle by means of an artificial neural network. To apply the time step always as large as possible without relying on any manual selection, two methods based on the automatic time step adjustment during the simulation are presented. The prediction of an artificial neural network served as an initial concentration for an additional simulation because the accuracy of the prediction was insufficient. These approaches, in particular, lowered the computational effort with a tolerable loss of accuracy. By the use of the surrogate-based optimization, the approaches to reduce the computational effort were applied for a parameter identification which optimizes the model parameters to adapt the marine ecosystem model output to observational data. This optimization yielded parameters close to the target ones and lowered the computational effort clearly.
Marine Ökosystemmodelle sind ein unverzichtbarer Bestandteil zur Vorhersage des Klimawandels. Die globale Erwärmung wird im Wesentlichen durch Emissionen des bedeutendsten anthropogenen Treibhausgases Kohlenstoffdioxid (CO2) bestimmt. Als eine zentrale Komponente des globalen Kohlenstoffkreislaufs absorbiert das marine Ökosystem atmosphärisches CO2 und verlangsamt so die globale Erwärmung. Marine Ökosystemmodelle ermöglichen die Simulation und somit die Erforschung verschiedener Prozesse innerhalb des marinen Ökosystems sowie eine Vorhersage der zu erwartenden Entwicklung. Allerdings erfordert eine solche Simulation einen immensen Rechenaufwand und unterliegt selbst auf Hochleistungsrechnern durch die begrenzte Rechenleistung erheblichen Einschränkungen. Für die Berechnung einer jährlich periodischen Lösung des marinen Ökosystemmodells zeigt diese Arbeit Wege zur Reduktion des Rechenaufwands durch die Verwendung größerer Zeitschritte und durch die Vorhersage eines neuronalen Netzes auf. Es werden zwei Methoden vorgestellt, die auf der automatischen Anpassung des Zeitschritts während der Simulation basieren, um ohne manuelle Wahl immer den größtmöglichen Zeitschritt zu verwenden. Die Vorhersage der periodischen Lösung mit Hilfe eines neuronalen Netzes diente als Anfangskonzentration für eine zusätzliche Simulation, da die Genauigkeit der Vorhersage unzureichend war. Beide Ansätze verringerten den Rechenaufwand bei einem tolerierbaren Genauigkeitsverlust. Die Konzepte zur Reduktion des Rechenaufwands wurden für eine Parameteroptimierung mit der surrogat-basierten Optimierung verwendet, die die Modellparameter zur Anpassung des marinen Ökosystemmodells an Beobachtungsdaten optimiert. Diese Optimierung lieferte nahezu die anvisierten Parameter und verringerte den Rechenaufwand.
Preview
Rights
Use and reproduction:
Please note that individual components of the publication may be subject to other licensing or copyright conditions.