Моделирование случайных полей и решение некоторых стохастических задач атмосферной оптики методом Монте-Карло тема автореферата и диссертации по математике, 01.01.07 ВАК РФ
Пригарин, Сергей Михайлович
АВТОР
|
||||
кандидата физико-математических наук
УЧЕНАЯ СТЕПЕНЬ
|
||||
Новосибирск
МЕСТО ЗАЩИТЫ
|
||||
1990
ГОД ЗАЩИТЫ
|
|
01.01.07
КОД ВАК РФ
|
||
|
АКАДЕМИЯ НАУК СССР Ордена Ленина Сибирское отделение Вычислительный центр
На правах рукописи Пригарин Сергей Михайлович
УДК 519.245
МОДЕЛИРОВАНИЕ СЛУЧАЙНЫХ ПОЛЕЙ И РЕШЕНИЕ НЕКОТОРЫХ СТОХАСТИЧЕСКИХ ЗАДАЧ АТМОСФЕРНОЙ ОПТИКИ МЕТОДОМ МОНТЕ-КАРЛО
01.01.07 - вычислительная математика
Автореферат
диссертации на соискание ученой степени кандидата физико-математических наук
Новосибирск - 1990
Работа выполнена в Вычислительном центре Сибирского отделения Академии наук СССР
-Научный руководитель-=-доктор физико-математических—
наук Б.А. Каргин
Официальные оппоненты - доктор физико-математических
на заседании специализированного совета К 002.10.01 по присуждению ученой степени кандидата наук в Вычислительном центре СО АН СССР (630090, Новосибирск-90, проспект академика
Лаврентьева, б).
С диссертацией можно ознакомиться в читальном зале Отделения ГПНТБ (проспект академика Лаврентьева, 6).
Автореферат разослан " НЛшЖа 1990 года.
Ведущая организация
наук В.В. Юринский,
кандидат физико-математических наук Е.О. Джетыбаев
Институт оптики атмосферы СО АН СССР
Защита состоится
1990 г. в часов
Ученый секретарь специализированного совета к.ф.-м.н.
Ю.И. Кузнецов
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. Численное моделирование случайных
функций на ЭВМ - одна из основных проблем при решении задач
методом Монте-Карло. Наиболее разработаны методы
моделирования гауссовских процессов и полей (см., например,
работы В.В.Быкова, А.С.Марченко, Г.А.Михайлова,
В.А.Огородаикова, Ю.И.Палагина, В.Г.Сраговича, Т.М.Товстик,
Дж.Н.Франклина, Б.И.Шкурского). Для численного моделирования
однородных гауссовских полей в работе Г.А. Михайлова
предложен эффективный метод на основе рандомизации спектра.
Рандомизированные спектральные модели находят применение при
решении широкого класса прикладных задач. При этом возникает
следующая проблема. Допустим величина J = Uf(w) ,где / -
некоторый функционал от реализации случайного поля ш ,
оценивается методом Монте-Карло. Через ®п обозначим
приближенную численную модель поля т . Для обоснованного
применения численной модели, т.е. для использования в
качестве оценки J эмпирического среднего
N
Я~1 I •
1=1
где н>пГи - независимые реализации шп , требуется сходимость математических ожиданий :
И f(V>J И f(V>) При Л а> . (I)
Исследованию сходимости спектральных моделей посвящена первая глава диссертации. Здесь получены достаточные условия сходимости (I) для различных спектральных моделей wn и классов функционалов f.
Численное моделирование случайных процессов и полей широко используется при решении различных прикладных задач. Одна из областей применения моделей случайных полей -решение задач переноса излучения в стохастических средах (O.A. Авасте, Б.А. Каргин, Г.А. Михайлов, Ю.-А.Р. Мулламаа, Г.А. Титов, B.C. Тройников, Е.М. Фейгельсон и др.). Вторая глава диссертации посвящена построению алгоритмов статистического моделирования переноса излучения в облачной атмосфере на основе численной имитации полей кучевой
облачности. В третьей главе разработана численная модель поверхности морского ветрового волнения и исследуются оптические свойства морской поверхности методом Монте-Карло.
Имитационные модели, используемые во второй и третьей главах диссертации (кучевая облачность, поверхность морского волнения), строятся на основе рандомизированных спектральных моделей гауссовских полей. Результаты главы I позволяют доказать сходимость (I) для требуемых функционалов и, тем самым, обосновать применение предлагаемых моделей.
Методы численного моделирования негауссовских процессов весьма разнообразны. Особое место занимает проблема моделирования случайных процессов и полей с заданной корреляционной функцией и одномерными распределениями (см. работы A.C. Марченко, А.Г. Михайлова, З.А. Пиранашвили и других). Здесь возникает проблема совместности маргинальных распределений и корреляций, а также задача исследования свойств известных методов моделирования и построения новых численных моделей. Этим вопросам посвящена четвертая глава диссертации.
Цель диссертационной работы - исследование методов численного моделирования случайных полей, построение алгоритмов статистического моделирования для решения некоторых стохастических задач атмосферной оптики.
Основные задачи исследований :
- получить достаточные условия слабой сходимости спектральных моделей гауссовских однородных полей,
- получить условия равномерной ( по вероятности ) сходимости оценок в методе зависимых испытаний для многомерного параметра,
- разработать и исследовать численные модели негауссовских процессов и полей,
- разработать алгоритмы статистического моделирования переноса излучения в атмосфере с кучевой облачностью на основе численной имитации облачных полей,
- разработать алгоритмы численного моделирования поверхности морского волнения для исследования оптических
. свойств морской поверхности методом Монте-Карло.
Научная новизна и практическая ценность. • В -дисеертаци», получен ряд новых результатов в области численного моделирования случайных процессов и полей. Реализованы ноше подходы к решению некоторых прикладных задач атмосферной' оптики на основе численного моделирования случайных полей.
Апробация работы. Основные результаты диссертационной работы докладывались на Пятой Международной Вильнюсской конференции по теории вероятностей и математической статистике (секция "стохастическое моделирование") (1989 г.) [14], Международной молодежной научной школе "Численные методы Монте-Карло и параллельные алгоритмы" (Приморско, НРБ, 1989 г.), Всесоюзных конференциях "Актуальные проблемы вычислительной и прикладной математики" (1989, 1990 год ) [3,17], школе-семинаре "Актуальные проблемы теории статистического моделирования и ее приложения" (Ташкент, 1989 г.) [15], 33 семинаре I рабочей группы СПКОР по теме "Сравнение спутниковых и наземных данных об облачности и1 радиации" ( Баку, 1989 г.), региональной научно-технической конференции "Измерение характеристик случайных сигналов с применением микромашинных средств" (Новосибирск, 1988 г.) [5,6], киевском городском семинаре по гауссовским случайным процессам (апрель 1989 года), конференциях молодых ученых ВЦ СО АН СССР 1987-1989 годов и неоднократно на семинаре ВЦ СО АН СССР "Методы Монте-Карло в вычислительной1 математике и математической физике".
Публикации. По материалам диссертации опубликовано 17 печатных работ.
Структура и объем диссертации. Диссертация состоит из введения, четырех глав, объединяющих 16 параграфов, и заключения, содержит 125 страниц мапшйописного текста, включая 15 рисунков, 5 таблиц и список литературы из 110 наименований.
СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность работы, представлен
обзор литературы по соответствующей тематике, сформулирована цель: и задачи исследований, приведено краткое описание основных разделов диссертации.
Глава I называется "Приближенное моделирование гауссовских однородных полей на основе спектрального представления" и посвящена вопросам слабой сходимости численных спектральных моделей гауссовских полей в пространствах Ср. Спектральными будем называть модели вида
п
Jx) = а} Í 13 соз<КуХ> + т}3 sin <kJtx> ] (2) 3=1
Здесь а^ > О, С^.т)^ - независимые одинаково распределенные случайные векторы на плоскости такие, что
- векторы размерности к, <.,.> - скалярное произведение
в IR11. (Величины dj, зависят от п, но для краткости индекс, « будет,опускаться.) В дальнейшем, если не оговорено противное, будем считать, что векторы - гауссовские.
Спектральные ; модели (2) используются для численной аппроксимации однородного гауссовского поля w(x), х с К*, с произвольной спектральной мерой ц. В диссертационной работе исследуется'спектральные модели4 трех видов. Модель I: а2 = цСЛ^.), Л-^еЛ^, - неслучайные.
Модель II: а2 = цСЛ^;, - случайные векторы, распределенния которых сосредоточены в соответствупцих областях A.J и индуцированы спектральной мерой ц.
Модель'III: а^ =1/п, Х^ - независимые случайные векторы, распределенные по спектральной мере ц.
Спектральные модели и их свойства описаны в § 1.1.
Условия сходимости конечномерных распределений полей (2) к конечномерным распределениям предельного гауссовского поля ю имеют вид
Л с г | Л I > с ) , с со , п п п (3)
тах (Пат (А.) -*■ О , при п -*■ со , 3<п 3
для модели I, и
шах ц ("Л,; О , при п оо . (4)
З^Л
для модели II. Сходимость конечномерных распределений спектральной модели III следует из центральной предельной теоремы.
Особую актуальность для обоснованного применения приближенных моделей случайных полей имеет слабая сходимость тип к предельному полю w в некотором метрическом пространстве S , т.к. это означает сходимость средних (I) для любого измеримого на S функционала /- такого, что случайные величины f(wn) равномерно интегрируемы и Р(ш ç DjJ = О, где Df - множество точек разрыва функционала f. Понятию слабой сходимости и ее при<енению в статистическом моделировании посвящен 5 1.2.
Пусть X - компакт в R*. CV(X) - пространство функций с непрерывными частными производными порядка меньше или равным р. В главе I (§§ 1.3, 1.4) получены достаточные условия слабой сходимости спектральных моделей в пространствах СР(Х). Результаты суммируем в следующем утверждении.
Теорема. Слабая сходимость в СР(Х). р = 0,1,2,..., спектральной модели (2) к однородному гауссовскому полю со спектральной мерой ц следует из условия
S |а.|р+2р uftBJ < » .
где а) р > О для модели I при условии (3),
б) ß = 2Vk/2]+2 для модели II при условии (4) ( [.] - целая часть числа ),
в) ß > О для модели II при условиях (3-4),
г) ß = 2 для модели III.
д) ß > О для модели III при р = О , если случайные величины , т)^ в (2) ограничены.
Применение численных спектральных моделей для построения монте-карловских оценок продемонстрировано на тестовой задаче (§ 1.5).
В добавлении к главе I получены достаточные условия равномерной сходимости оценок в методе зависимых испытаний, которые обобщают известную теорему Фролова-Ченцова на случай
многомерного параметра-.
Глава 2 называется "Статистическое моделирование переноса солнечного излучения в атмосфере с кучевой облачностью". В ней строятся численные модели, имитирующие стохастическую структуру полей кучевой облачности. Первой подход основывается на численном моделировании гауссовских однородных полей методом рандомизации спектра. Предполагается, что нижняя граница облачности является плоскостью 2=Н0, а верхняя граница г = ю(з:,у) определяется выражением
ю(х,у) = н0 + тах 1ь(х,у) - с , 0} , (Ъ)
где с е (-">,+<») , У(х,у) - однородное гауссовское поле с нулевым средним, корреляционной функцией К(х,у) и
дисперсией о2 = Е(0,0). Таким образом, используется гипотеза о том, что кучевую облачность можно описывать с помощью стационарного гауссовского процесса (см., например, монографию Ю.-А.Р. Мулламаа и др. "Стохастическая структура полей облачности и радиации").
Имитационная модель облачности настраивается по следующим параметрам: балл облачности, среднее количество облаков на единицу площади, средняя высота облака. Для проведения расчетов использовалась модель изотропного гауссовского поля с корреляционной фукцией )1/2 ). Наряду с моделью
(5) рассмотрена также ее модификация
и>(х,у) = Нс + тах {\и(х,у)\ - с , О) , а > С.
Другое геометрическое описание кучовсЯ облачности основано на том, что характерной формой кучевых облаков являются усеченные опрокинутое параболоида (см., например, справсгаж "Облака и облачная атмосфера" под ред. И.П. ;.',азжа ж А.Х. Хргиана). Распределение диаметров кучевых облаков аппроксимируется логарифмически нормально* ял*/. бета-распределением . Высоты к радиусы облаков связаны известным соотношением. Центры облачных, оснований моделируются как пуассояовскоо поле тояе.;; на плоскости с йатеяскшюстью X, которая определяется.баллом облачности п0:
п0 = 1 - ехр(- к % <й » ,
где <й2> - средний квадрат радиуса основания облаков.
На основе рассмотренных имитационных моделей построены алгоритмы статистического моделирования радиационных характеристик полей кучевой облачности как для рассеивающей среды без учета поглощения, так и с учетом поглощения водяным паром и капельной водой. Траектории фотонов моделировались методом максимального сечения. Приведены результаты модельных расчетов. Отмечены следущие моменты:
- основные оптические характеристики "гауссовской" и "параболоидной" модели облачности в ряде случаев практически совпадают, причем "параболовдная" модель более трудоемкая, особенно при больших баллах облачности,
- при определенных условиях усиливается взаимодействие радиационных полей отдельных: облаков, которое приводит к увеличению отношения альбедо к пропущенному рассеянному излучению,
- получено хорошее совпадение результатов вычислительного эксперимента для модели (5) с асимптотикой Г.А. Михайлова для вероятности прохождения вертикально падающего излучения.
Глава 3 называется "Имитация поверхности морского ветрового волнения и исследование ее оптических свойств методом Монте-Карло'.' Здесь на основе рандомизированных спектральных моделей гауссовских полей построена численная модель поверхности морского ветрового волнения (§ 3.1). Численное моделирование морского волнения используется при рс-"онии следу щих задач: оценка площади затенения поверхности ь'сря <§ 3,2) и исследование поля оптического излучения, о*раягсн2»сго мерекей поверхностью (§ 3.3). Проведено сравнение результатов туигацггсннсг'о моделфования с результатами, полуволнами друпэог Ю.-А.Р.Муляамаа)-
В частности, при исследовав:/,« поля отракспсогс хзлгхсзяя проводилось сравнение с традэдтежгей йасзточясй моделью, которое показало, что при малзст углах яезжазз^я устсю/яка фасеточная модель завышает долю с грансгжого морской поверхностью излучения, а значительно ксхиишйг
индикатрису ограненного тал учения. Таким образом, зтвдтац^я
ноля возвышений морской поверхности дает возможность уточнить оптические характеристики морского волнения, учитывая эффекты переотражения и затенения излучения элементами поверхности.
Глава 4 называется "Некоторые вопросы численного моделирования негауссовских процессов и полей" и посвящена построению численных моделей случайных функций по одномерным распределениям и корреляциям. В § 4.1 приведены необходимые условия на корреляционную функцию =
= М х(1)х(з) случайного процесса хСи с маргинальными распределениями Р :
га.з; е I лт г , вр р ] ,
t в t в
где А = X Р~л(а) (Г1 (1 - а) йа ,
та
о
1
В„ = X (а) (Г1 Га; (За ,
к?
о
а также описан класс всех маргинальных, распределений однородных полей, которые не накладывают ограничений на корреляционную функцию.
В § 4.2 исследуется известный метод обратной функции распределения для моделирования случайного поля с маргинальными распределениями :
ха) = ¥^тга)))
где Ф - функция стандартного нормального распределения, а 2(1) - стандартное гауссовское поле с корреляциями р(1,з). Корреляционная функция гауссовского поля определяется через корреляционную функцию га,з) моделируемого поля из соотношения
рП,3) = ( га,а) ) ,
1 а
где
«к/Р) = I / Р~Л(Ш)) <Г1ГФГт};/ср ад .
- 00
Доказаны следующие свойства функции •
V = ¿то • «к^ = Вро • йю«» = 0
2) Ятс(р) - непрерывна на [-1, I] ,
3) ^(р) - бесконечно дифференцируема на (-1, I) , .
4) Ду0(р) - монотонно возрастает ,
5) если ? или С - симметричное распределение, то
Эти свойства полезны при численном обращении функции Я?(3 , а свойство I) позволяет снять одно из ограничений на применимость метода.
Моделированию негауссовских стационарных процессов на основе численного решения нелинейных стохастических дифференциальных уравнений ввда
уш(г) + a1y(n-1)íí; + ...■*■ апу(1) = о вЦ) , (6)
где еЦ) - производная винеровского процесса, а
о = о (у, у(1> ..... у(п~1> ) ,
посвящен § 4.3. Здесь доказано, что нормированная спектральная плотность стационарного решения (6) не зависит от функции а и определяется коэффициентами а1 ..... ап . Совместная плотность распределения процесса у(Ь) и его производных yí^1(t) ,..., yín~^)(t) удовлетворяет прямому уравнению Колмогорова. Приведены результаты тестового моделирования стационарных процессов с осциллирующей корреляционной функцией с одномерным распределением Стыодента и бета-распределением.
В § 4.4 рассматривается аналог схемы скользящего суммирования для моделирования негауссовских однородных полей, предлагается экономичный алгоритм моделирования стационарных последовательностей с произвольным безгранично делимым одномерным распределением и экспоненциальной корреляционной функцией, а также исследуется метод моделирования изотропных случайных полей на плоскости с экспоненциальной корреляционной функцией и произвольным одномерным распределением, основанный на известной конструкции пуассоновского поля прямых на плоскости. Для численных моделей однородных полей с безгранично делимым одномерным распределением , полученных суммированием однотипных независимых мозаичных полей (этот прием предложен в работе Г.А. Михайлова), исследованы предельные
распределения и получены простые условия слабой сходимости в пространствах Хр (р>7).
ЗАКЛЮЧЕНИЕ
Основные результаты диссертационной работы состоят в следующем :
1. получены достаточные условия слабой сходимости спектральных моделей гауссовских однородных полей в пространствах непрерывных и непрерывно дифференцируемых функций;
2. на основе ЦПТ Джейна-Маркуса получены условия равномерной сходимости оценок в методе зависимых испытаний для многомерного параметра;
3. проведено исследование методов моделирования случайных процессов и полей по одномерным распределениям ' и ковариационной функции, предложено несколько специальных численных моделей негауссовских однородных процессов и полей;
4. на основе численной имитации стохастических полей кучевой облачности построены алгоритмы статистического моделирования переноса излучения в облачной атмосфере;
Б. построены алгоритмы численного моделирования поверхности морского ветрового волнения, проведено исследование оптических характеристик морской поверхности методом Монте-Карло.
Основные результаты диссертации опубликованы в работах :
1. Пригарин С.М. О моделировании случайных векторов с заданными корреляциями и маргинальными распределениями // Методы статистического моделирования. - Новосибирск, 1986. - С.3-15.
2. Пригарин С.М. Условия совместности маргинальных
> распределений и корреляций // Численные методы статистического моделирования. - Новосибирск, 1987. С. 3-5.
' 3: Кантер- Р;Р., Каргш Б.А., Пригарин С.М., Ракимгулов K.M.' Статистическое моделирование в стохастических задачах оптики атмосферы и океана // Тезисы докладов Всесоюзной конференции "Актуальные проблемы вычислительной и прикладной математики".-Новосибирск, 1987.- С.92.
4. Пригарин С.М. Модель стационарного негауссовского процесса диффузии второго порядка // Тезисы докладов региональной научно-технической конференции "Измерение характеристик случайных сигналов с применением микромашинных средств". - Новосибирск, 1988. - С.122.
5. Огородников В.А., Пригарин С.М. Комплекс алгоритмов и программ моделирования некоторых классов случайных полей // Тезисы докладов региональной научно-технической конференции "Измерение характеристик случайных сигналов с применением микромашинных средств". - Новосибирск, 1988. - C.I40-I4I.
6. Пригарин С.М. О слабой сходимости приближенных моделей гауссовских. случайных полей // Теория и приложения статистического моделирования. - Новосибирск, 1988. -С. 31-39.
7. Войтишек A.B., Пригарин С.М. Моментные условия функциональной сходимости численной рандомизированной спектральной модели однородных гауссовских полей // Теория и приложения статистического моделирования.-Новосибирск, 1988.- С. 41-46.
8. Каргин Б.А., Пригарин С.М. Моделирование стохастических полей кучевой облачности и исследование их радиационных свойств методом Монте-Карло. - Новосибирск, 1988. 18с. - (Препринт/ АН СССР. Сибирское отделение, ВЦ; J6 817).
9. Пригарин С.М. Численные модели некоторых классов негауссовских однородных процессов и полей // Вычислительная математика и моделирование в физике. Новосибирск, 1989. - С. 16-23.
10. Аверина Т.А., Пригарин С.М. Моделирование одного класса диффузионных процессов // Вычислительная математика и моделирование в физике. - Новосибирск, 1989.- С.33-44.
11. Пригарин C.M. Маргинальные распределения стационарных процессов с произвольной корреляционной функцией // Теория и приложения статистического моделирования. -Новосибирск, 1989. - С. 64-72.
12. Войтишек A.B., Пригарин С.М. Обоснование метода зависимых испытаний для многомерного параметра // Теория и приложения статистического моделирования. -Новосибирск, 1989. - С. 73-80.
13. Кантер P.P., Пригарин С.М. Численное моделирование морского ветрового волнения для исследовантя поля отраженного оптического излучения. - Новосибирск, 1989. - 25 с. - (Препринт/ АН СССР. Сибирское отделение, ВЦ; Jfe 829).
14. Войтишек A.B., Пригарин С.М. Применение теории функциональной сходимости в стохастическом моделировании// Тезисы V Международной Вильнюсской конференции по теории вероятностей и математической статистике. -Вильнюс, 1989. - Т.З.- С. 106-107.
15. Пригарин С.М. Приближенные модели гауссовских полей и их применения // . Тезисы докладов школы-семинара "Актуальные проблемы статистического моделирования и ее
• приложения" (22-30 октября 1989 г.). - Ташкент, 1989. -С. 29.
16. Пригарин С.М. Приближенное моделирование гауссовских однородных полей на основе спектрального представления.- Новосибирск, 1989. - 21с. - (Препринт/ АН СССР. Сибирское отделение, ВЦ; J6 876).
17. Кантер P.P., Каргин Б.А., Пригарин С.М., Ракимгулов К.Б. Методы Монте-Карло для расчетов поля оптического излучения вблизи случайной границы раздела двух сред // Тезисы докладов Всесоюзной конференции "Актуальные проблемы вычислительной и прикладной математики",- Новосибирск, 1990.- С ?л-7т