Библиография

1. 1. Агошков В.И. Методы оптимального управления и сопряженных уравнений в задачах математической физики. М.: ИВМ РАН, 2003. 255 с.
2. 2. Алоян А.Е. Моделирование динамики и кинетики газовых примесей и аэрозолей в атмосфере. М.: Наука, 2008. 415 c.
3. 3. Бажин Н.М., Пененко В.В., Алоян А.Е., Скубневская Г.И. Математическое моделирование распространения загрязнений в атмосфере с учетом химической трансформации // Успехи химии. 1991. Т. 60. № 3.
4. 4. Десятков Б.М. и др. Определение некоторых характеристик источника аэрозольных примесей путем решения обратной задачи их распространения в атмосфере // Оптика атмосферы и океана. 1999. Т. 12. № 2. C. 136–139.
5. 5. Дымников В.П., Залесный В.Б. Основы вычислительной геофизической гидродинамики. М.: ГЕОС, 2019. 448 с.
6. 6. Зуев В.Е., Зуев В.В. Дистанционное оптическое зондирование атмосферы. СПб.: Гидрометеоиздат, 1992. 232 с.
7. 7. Марчук Г.И. О постановке некоторых обратных задач // Докл. АН СССР. 1964. Т. 156. № 3. С. 503–506.
8. 8. Марчук Г.И. Численное решение задач динамики атмосферы и океана. Л.: Гидрометеоиздат, 1974. 304 с.
9. 9. Марчук Г.И., Пененко В.В. Исследование чувствительности дискретных моделей динамики атмосферы и океана // Изв. АН СССР. Физика атмосферы и океана. 1979. T. 15. № 11. С. 1123–1131.
10. 10. Марчук Г.И. Математическое моделирование в проблеме окружающей среды. М.: Наука, 1982. 319 c.
11. 11. Марчук Г.И., Дымников В.П., Залесный В.Б., Лыкосов В.Н., Галин В.Я. Математическое моделирование общей циркуляции атмосферы и океана Л.: Гидрометеоиздат, 1984. 320 с.
12. 12. Марчук Г.И., Дымников В.П., Залесный В.Б. Математические модели в геофизической гидродинамике и численные методы их реализации. Л.: Гидрометеоиздат, 1987. 287 с.
13. 13. Марчук Г.И. Методы расщепления М.: Наука, 1988. 263 с.
14. 14. Марчук Г.И. Сопряженные уравнения и анализ сложных систем. М.: Наука, 1992. 334 с.
15. 15. Марчук Г.И., Агошков В.И., Шутяев В.П. Сопряженные уравнения и методы возмущений в нелинейных задачах математической физики. М.: Наука, 1993. 223 с.
16. 16. Панасенко Е.А., Старченко А.В. Определение городских районов-загрязнителей атмосферного воздуха по данным наблюдений // Оптика атмосферы и океана. 2009. Т. 22. № 3. C. 279–283.
17. 17. Пененко В.В. Вычислительные аспекты моделирования динамики атмосферных процессов и оценки влияния различных факторов на динамику атмосферы / В кн. Некоторые проблемы вычислительной и прикладной математики. Новосибирск: Наука, 1975. С. 61–75.
18. 18. Пененко В.В., Образцов Н.Н. Вариационный метод согласования полей метеорологических элементов // Метеорология и гидрология. 1976. № 11. С. 1–11.
19. 19. Пененко В.В. Методы численного моделирования атмосферных процессов. Л.: Гидрометеоиздат, 1981. 352 с.
20. 20. Пененко В.В., Алоян А.Е., Бажин Н.М., Скубневская Г.И. Численная модель гидрометеорологического режима и загрязнения промышленных районов // Метеорология и гидрология. 1984. № 4. С. 5–15.
21. 21. Пененко В.В., Алоян А.Е. Модели и методы для задач охраны окружающей среды. Новосибирск: Наука, 1985. 224 c.
22. 22. Пененко В.В., Рапута В.Ф., Панарин А.В. Планирование эксперимента в задаче определения положения и мощности источника примеси // Метеорология и гидрология. 1985. № 11. C. 15–22.
23. 23. Пененко В.В., Цветова Е.А., Скубневкая Г.И., Дульцева Г.Г., Кейко А.В. Численное моделирование химической кинетики и переноса загрязняющих примесей в атмосфере индустриальных регионов // Химия устойчивого развития. 1997. № 5. С. 535–539.
24. 24. Пененко В.В. Вариационные методы усвоения данных и обратные задачи для изучения атмосферы, океана и окружающей среды // Сибирский журнал вычислительной математики. 2009. Т. 12. № 4. С. 421–434.
25. 25. Пененко А.В., Пененко В.В. Прямой метод вариационного усвоения данных для моделей конвекции-диффузии на основе схемы расщепления // Вычислительные технологии. 2014. Т. 19. № 4. C. 69–83.
26. 26. Пененко В.В., Цветова Е.А., Пененко А.В. Развитие вариационного подхода для прямых и обратных задач гидротермодинамики и химии атмосферы // Изв. РАН. Физика атмосферы и океана. 2015. Т. 51. № 3. С. 358–367.
27. 27. Пененко В.В., Цветова Е.А., Пененко А.В. Методы совместного использования моделей и данных наблюдений в рамках вариационного подхода для прогнозирования погоды и качества состава атмосферы // Метеорология и гидрология. 2015. № 6. С. 13–24.
28. 28. Пененко А.В., Пененко В.В., Цветова Е.А. Последовательные алгоритмы усвоения данных в моделях мониторинга качества атмосферы на базе вариационного принципа со слабыми ограничениями // Сибирский журнал вычислительной математики. 2016. Т. 19. № 4. С. 401–418.
29. 29. Пененко А.В., МукатоваЖ.С., Пененко В.В., Гочаков А.В., Антохин П.Н. Численное исследование прямого вариационного алгоритма усвоения данных в городских условиях // Оптика атмосферы и океана. 2018. Т. 31. № 6. C. 456–462.
30. 30. Пененко В.В., Пененко А.В., Цветова Е.А., Гочаков А.В. Методы исследования чувствительности модели качества атмосферы и обратные задачи геофизической гидротермодинамики // Прикладная механика и техническая физика. 2019. Т. 60. № 2. С. 238–246.
31. 31. Шутяев В.П. Операторы управления и итерационные алгоритмы в задачах вариационного усвоения данных. М.: Наука, 2001. 238 с.
32. 32. Arridge S. et al. Solving inverse problems using data-driven models // Acta Numerica. 2019. V. 28. P. 1–174.
33. 33. Baklanov A. et al. Online coupled regional meteorology chemistry models in Europe: current status and prospects // Atmospheric Chemistry and Physics. 2014. V. 14. № 1. P. 317–398.
34. 34. Baklanov A. et al. From urban meteorology, climate and environment research to integrated city services // Urban Climate. 2018. V. 23. P. 330–341.
35. 35. Bieringer P. E. et al. Paradigms and commonalities in atmospheric source term estimation methods // Atmospheric Environment. 2017. V. 156. P. 102–112.
36. 36. Bocquet M. et al. Data assimilation in atmospheric chemistry models: current status and future prospects for coupled chemistry meteorology models // Atmospheric Chemistry and Physics. 2015. V. 15. № 10. P. 5325–5358.
37. 37. Carrassi A. et al. Data assimilation in the geosciences: An overview of methods, issues, and perspectives // Wiley Interdisciplinary Reviews: Climate Change. 2018. V. 9. 10.1002/wcc.535.
38. 38. ChUNK S. et al. Machine learning with data assimilation and uncertainty quantification for dynamical systems: A Review // IEEE/CAA J. of Automatica Sinica. 2023. V. 10. № 6. P. 1361–1387.
39. 39. Elbern H. et al. Emission rate and chemical state estimation by 4-dimensional variational inversion // Atmospheric Chemistry and Physics Discussions. 2007. V. 7. № 1. P. 1725–1783.
40. 40. Elbern H. et al. Data assimilation in atmospheric chemistry and air quality/ In: Advanced Data Assimilation for Geosciences. Oxford University Press, 2014. P. 507–534. 10.1093/acprof:oso/9780198723844.003.0022.
41. 41. Hundsdorfer W., Verwer J.G. Numerical Solution of Time-Dependent Advection-Diffusion-Reaction Equations. Berlin Heidelberg: Springer, 2013. 479 p.
42. 42. Le Dimet F.X., Talagrand O. Variational algorithms for analysis and assimilation of meteorological observations: theoretical aspects // Tellus. 1986. V. 38 A. P. 97–110.
43. 43. Le Dimet F.-X., Souopgui I., Titaud O., Shutyaev V., and Hussaini M. Y. Toward the assimilation of images // Nonlinear Processes in Geophysics. 2015. V. 22. № 1. P. 15–32. doi: 10.5194/npg-22-15-2015.
44. 44. Issartel J.-P. Rebuilding sources of linear tracers after atmospheric concentration measurements // Atmospheric Chemistry and Physics. 2003. V. 3. P. 2111–2125.
45. 45. Issartel J.-P. Emergence of a tracer source from air concentration measurements, a new strategy for linear assimilation // Atmospheric Chemistry and Physics. 2005. V. 5. № 1. P. 249–273.
46. 46. Kumar P. et al. Reconstruction of an atmospheric tracer source in an urban-like environment // Journal of Geophysical Research: Atmospheres. 2015. V. 120. № 24. P. 12589–12604.
47. 47. Liu X. et al. Data-Driven Machine Learning in Environmental Pollution: Gains and Problems // Environmental Science and Technology. 2022. V. 56. № 4. P. 2124–2133.
48. 48. Mahura A. et al. Towards seamless environmental prediction — development of Pan-Eurasian EXperiment (PEEX) modelling platform// Big Earth Data. 2024. V. 8:2. P. 189–230. DOI: 10.1080/20964471.2024.2325019
49. 49. Mamonov A.V., Tsai Y.-H.R. Point source identification in nonlinear advection-diffusion-reaction systems // Inverse Problems. 2013. V. 29. № 3. P. 35009.
50. 50. Marchuk G.I., Penenko V.V. Application of perturbation theory to problem of simulation of atmospheric processes / In: Monsoon dynamics (Eds. J. Lighthill & P.R.Pearce). Cambridge: Cambridge University Press, 1981. P. 639–655.
51. 51. Mijling B. High-resolution mapping of urban air quality with heterogeneous observations: a new methodology and its application to Amsterdam // Atmospheric Measurement Techniques. 2020. V. 8. P. 4601-4617.
52. 52. Murio D.A. The mollification method and the numerical solution of ill-posed problems / D.A. Murio, John Wiley & Sons, Inc., 1993.
53. 53. Nguyen C., Soulhac L., Salizzoni P. Source Apportionment and Data Assimilation in Urban Air Quality Modelling for NO2: The Lyon Case Study // Atmosphere. 2018. V. 9. doi:10.3390/atmos9010008.
54. 54. Nguyen C.V., Soulhac L. Data assimilation methods for urban air quality at the local scale // Atmospheric Environment. 2021. V. 253. P. 118366.
55. 55. Penenko V., Tsvetova E. Orthogonal decomposition methods for inclusion of climatic data into environmental studies // Ecological Modelling. 2008. V. 217. № 3–4. P. 279–291.
56. 56. Penenko V., Baklanov A., Tsvetova E., Mahura A. Direct and inverse problems in a variational concept of environmental modeling // Pure and Applied Geophysics. 2012. V. 169. № 3. P. 447–465.
57. 57. Penenko V.V., Tsvetova E.A., Penenko A.V. Variational approach and Euler’s integrating factors for environmental studies // Computers & Mathematics with Applications. 2014. V. 67. № 12. P. 2240–2256.
58. 58. 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, 2020. V. 14. № 5. P. 757–782.
59. 59. Penenko A, Penenko V., Tsvetova E., Gochakov A., Pyanova E., and Konopleva V. Sensitivity operator framework for analyzing heterogeneous air quality monitoring systems // Atmosphere. 2021. V. 12. № 12. P. 1697.
60. 60. Penenko A., UNKin E. Parallel implementation of a sensitivity operator-based source identification algorithm for distributed memory computers // Mathematics. 2022. V. 10. №. 23. P. 4522.
61. 61. Penenko A.V., Konopleva V.S., Penenko V.V. Inverse modeling of atmospheric chemistry with a differential evolution solver: inverse problem and data assimilation// IOP Conference Series: Earth and Environmental Science. 2022. V. 10. P. 012015
62. 62. Penenko A.V., UNKin E.V. Numerical study of a sensitivity operator-based emission sources identification algorithm with nonlinear measurement operator // Proc. SPIE, 29th International Symposium on Atmospheric and Ocean Optics: Atmospheric Physics. 2023. doi: 10.1117/12.2690857.
63. 63. Penenko A., Emelyanov M., UNKin E., Tsybenova E., Shablyko V. Hybrid Deep Learning and Sensitivity Operator-Based Algorithm for Identification of Localized Emission Sources // Mathematics. 2024. V. 12 № 1. P. 78.
64. 64. Penenko A.V., Gochakov A.V., Antokhin P.N. Data assimilation algorithm based on the sensitivity operator for a three-dimensional model of transport and transformation of atmospheric contaminants // Atmos. Ocean Opt. 2024. V. 37. P. 822–832.
65. 65. Pyanova E.A., Penenko V.V., Faleychik, L.M. Simulation of atmospheric dynamics and air quality in the Baikal region // Proc. SPIE, 20th International Symposium on Atmospheric and Ocean Optics. Atmospheric Physics. 2014. V. 9292. doi:10.1117/12.2074998.
66. 66. Pudykiewicz J.A. Application of adjoint tracer transport equations for evaluating source parameters // Atmospheric Environment. 1998. V. 32. № 17. P. 3039–3050.
67. 67. Sasaki Y.K. An objective analysis based on the variational method // J. Meteor. Soc. Japan. 1958. V. 36. P. 77–88.
68. 68. Sasaki Y. Some basic formalisms in numerical variational analysis // Mon. Wea Rev. 1970. V. 98. P. 875–883.
69. 69. Skamarock W.C. et al. A Description of the Advanced Research WRF Version 4. 2019.
70. 70. Silver J.D. et al. Multi-species chemical data assimilation with the Danish Eulerian hemispheric model: system description and verification // Journal of Atmospheric Chemistry. 2015. V. 73. № 3. P. 261–302.
71. 71. Sokhi R.S. et al. Advances in air quality research — current and emerging challUNKes // Atmospheric Chemistry and Physics. 2022. V. 22. № 7. P. 4615–4703.
72. 72. Turbelin G., Singh S.K., Issartel J.-P. Reconstructing source terms from atmospheric concentration measurements: Optimality analysis of an inversion technique // Journal of Advances in Modeling Earth Systems. 2014. V. 6. № 4. P. 1244–1255.
73. 73. Xing J. et al. Data Assimilation of Ambient Concentrations of Multiple Air Pollutants Using an Emission-Concentration Response Modeling Framework // Atmosphere. 2020. V. 11. № 12. P. 1289.
74. 74. WMO. Seamless prediction of the Earth system: from minutes to months. Geneva, Switzerland: World Meteorological Organization, 2015.WMO-No 1156. 471 p.
75. 75. WMO. Guide to Instruments and Methods of Observation. Geneva, Switzerland: WMO. 2018. P. 506–541.