मौसम के बारे में: मॉडल के शीर्ष पर मॉडल

आईबीएम डीप थंडर कैसे तथाकथित तैयार करता है पर हमारी पिछली पोस्ट के बाद हाइपरलोकल पूर्वानुमान, दर्शकों ने कई अलग-अलग प्रश्न पूछे कि यह सब अंदर से कैसा दिखता है और नई प्रणाली सरल मौसम पूर्वानुमान से कैसे भिन्न होती है, यह पूर्वानुमान की उच्च सटीकता प्राप्त करने की अनुमति कैसे देता है।

हमने उन पूर्वानुमान मॉडल के बारे में और विस्तार से बात करने का फैसला किया, जिन पर सभी डीप थंडर भविष्य कहनेवाला गतिविधियाँ आधारित हैं। शुरू करने के लिए, निश्चित रूप से, यह कहने योग्य है कि अत्यधिक स्थानीयकृत पूर्वानुमान, भौगोलिक क्षेत्र के लिए नहीं, लेकिन, उदाहरण के लिए, एक शहर का केंद्र, यह न्यूयॉर्क या रियो डी जनेरियो हो, एक ऐसा कार्य है जिसे निपटा नहीं जा सकता है। सबसे मौसम पूर्वानुमान मॉडल। यहाँ वही है जो लॉयड ट्रेनीश ने शुरू से ही डीप थंडर के विकास का नेतृत्व किया था (हमने पहली पोस्ट में इसका उल्लेख किया है), कहते हैं: "मौसम स्पष्ट रूप से वातावरण में ही नहीं बनता है। "मौसम" के रूप में इस तरह के एक व्यापक शब्द सीधे वातावरण में और सतह के साथ इसके संपर्क के स्थानों में होने वाली प्रक्रियाओं का वर्णन करता है। शहर के क्षेत्र में, सबसे पहले यह निगरानी करना आवश्यक है कि शहरी वातावरण मौसम को कैसे प्रभावित करता है, उदाहरण के लिए, उन स्थानों पर जहां उच्च तापमान का कचरा वायुमंडल में छोड़ा जाता है। ”

इस तरह के आयोजनों की सटीक मॉडलिंग के लिए मॉडल की तुलना में मॉडल की बहुत अधिक सटीकता की आवश्यकता होती है (वर्तमान में मौसम विज्ञान केंद्र और अन्य "मौसम" संस्थानों की उनकी शास्त्रीय समझ)। हालांकि, नया, एक अर्थ में, डीप थंडर मॉडल बहुत सटीक हैं जब यह कई वर्ग किलोमीटर की मॉडलिंग वस्तुओं की बात आती है, अगर हम पूर्वानुमान के बारे में बात करते हैं, उदाहरण के लिए, बाढ़, तो हमें सैकड़ों या दसियों मीटर के पैमाने पर सुपरक्लोकल परिस्थितियों को ध्यान में रखना होगा। " पूर्वानुमान का फ्लिप पक्ष भी है, जो उच्च स्पष्टता और विस्तार का दावा करता है, उदाहरण के लिए, उच्च-ऊंचाई वाली हवाएं (जो कुछ क्षेत्रों में भी बहुत महत्वपूर्ण हैं: विमानन, अंतरिक्ष, इंजीनियरिंग, जब गगनचुंबी इमारतों को डिजाइन करना, आदि), के लिए। प्रदर्शन है कि और अधिक "ऊर्ध्वाधर" मॉडल रिहाई की आवश्यकता होती है rmalnogo। यहाँ, वास्तव में, यह सिर्फ कितना मुश्किल और कठिन मॉडल खुद के पैमाने से पूर्वानुमान की स्पष्टता गठबंधन करने के लिए किया जाएगा।



सामान्य तौर पर, क्यूबिक मीटर के पैमाने पर पूर्वानुमान मॉडल को इकट्ठा करना तब संभव नहीं होता है जब हम मौसम के साथ होने वाली अधिक या कम पर्याप्त तस्वीर के बारे में बात करते हैं, और इसके कई कारण हैं। सबसे पहले, डीप थंडर जैसे "जानवर" को खिलाने के लिए इस तरह के सटीक आंकड़े एकत्र करना असंभव है - उनकी मात्रा बहुत अधिक होगी। दूसरे, कम से कम कुछ सुपाच्य रूप में विश्लेषण और प्रस्तुत करने के लिए डेटा की ऐसी मात्रा को संसाधित करने के लिए वास्तविक समय में कोई संभावना नहीं है। सेंसरों के साथ शहर को कवर करना एक कम या ज्यादा हल करने योग्य कार्य है, लेकिन इससे बड़ी संख्या में खराब हल किए गए परिणाम सामने आते हैं, उदाहरण के लिए, दुनिया में इस तरह के विकसित नेटवर्क इन्फ्रास्ट्रक्चर के साथ एक दर्जन से अधिक शहर नहीं हैं जो सेंसर से हब तक ऐसे डेटा को पचाने और सफलतापूर्वक स्थानांतरित कर सकते हैं। इस डेटा को संसाधित करने वाली मशीन के बाद। लेकिन ये भी फूल हैं, इस तथ्य की तुलना में, वास्तव में, इस तरह के समाधान के आधार पर कोई "पूर्वानुमान" नहीं निकलेगा - अधिकांश भाग के लिए, शहरी क्षेत्र में मौसम इसके बाहर बनता है और हवाओं और वायुमंडल की अन्य वायु धाराओं द्वारा किया जाता है और यह प्रक्रिया शहर के भीतर स्थित सेंसर द्वारा किसी भी तरह से प्रतिबिंबित नहीं किया जाएगा। संक्षेप - एक प्रभावी और प्रशंसनीय पूर्वानुमान बनाने के लिए, डेटा लेना आवश्यक है जहां यह करने के लिए समझ में आता है - उन स्थानों पर जहां शुरुआती मौसम की स्थिति बनती है। मुझे लगता है कि चक्रवात और एंटीकाइक्लोन की गति के बारे में बात करने की कोई आवश्यकता नहीं है, जो वर्तमान में काफी अनुमानित हैं और उनकी मदद से हमें कल की बारिश या धूप के बारे में 90% डेटा मिलता है।



अब हम अपने पसंदीदा के बारे में बात करते हैं - डेटा की एक बड़ी मात्रा का विश्लेषण और कैसे डीप थंडर एक उच्च गुणवत्ता वाले मौसम पूर्वानुमान, विस्तृत, खेद, पूरी तरह से पेश करते हुए, यह सब डेटा "निगल" करता है।

इसलिए, भले ही हम किसी भी तरह एक मीटर ^{3 के} संकल्प के साथ सफलतापूर्वक पूर्वानुमान उत्पन्न करने के लिए डेटा प्राप्त करने में कामयाब रहे, हर बार जब हम मॉडल के पैमाने और इसके रिज़ॉल्यूशन को एक मीटर ³ से एक किलोमीटर ^{3 तक} बढ़ाना चाहते हैं, तो हमें कम्प्यूटेशनल में एक घातीय वृद्धि की आवश्यकता है तीन आयामी मॉडल के गठन के लिए शक्ति। इस बारे में श्री ट्रेनिश कहते हैं: "यदि आपको केवल क्षेत्र के संकल्प को दोगुना करना है (जो कि, जैसा कि हम जानते हैं, ² मीटर माना जाता है), तो आपको पूरे सिस्टम की कंप्यूटिंग शक्ति को 8 गुना बढ़ाने की आवश्यकता है। लेकिन अगर आप एक "उच्च" मॉडल प्राप्त करना चाहते हैं, तो यह अधिक जटिल है, अर्थात इसके ऊर्ध्वाधर रिज़ॉल्यूशन को बढ़ाएं, सिस्टम शर्तों के आधार पर 10-20 गुना अधिक शक्तिशाली हो जाना चाहिए। "

किसी भी तरह से इस स्केलिंग समस्या के आसपास आने के लिए (यह समझना महत्वपूर्ण है कि सिस्टम पहले से ही सुपर कंप्यूटर क्लस्टर पर काम करता है, और इसलिए तेजी से इसका प्रदर्शन बढ़ाना एक बहुत महंगा काम लगता है), आईबीएम पर डेवलपर्स ने विशेष रूप से डीप थंडर के लिए "संयुक्त मॉडल" का प्रतिमान बनाया। इस तरह का एक मॉडल निम्नानुसार बनता है - एक परिणाम (यह एक मौसम स्टेशन से डेटा हो सकता है) का उपयोग अगले मॉडल के लिए इनपुट के रूप में किया जाता है (उदाहरण के लिए, एक वर्ग किलोमीटर के लिए), मॉडल के प्रसंस्करण का परिणाम अगले मॉडल के इनपुट के रूप में उपयोग किया जाता है, आदि। ऐतिहासिक मौसम डेटा (अर्थात, तथ्य) प्रत्येक मॉडल के परिणामों को मान्य करने के लिए उपयोग किया जाता है, अर्थात, एक या किसी अन्य पूर्वानुमान की संभावना में एक पूर्वानुमान को सहसंबद्ध किया जाता है, और परिणामस्वरूप, उपयोगकर्ता सटीक पूर्वानुमान देखता है जो रिकॉर्ड किए गए डेटा (तथ्यों) के संदर्भ में सबसे अधिक संभावना है।



"रियो में, हमारे पास एक ही समय में विभिन्न प्रस्तावों में चार मॉडल हैं, जिनके बीच का संक्रमण दूरबीन भौगोलिक ग्रिड का उपयोग करके किया जाता है। यह सभी NOAA द्वारा गठित वैश्विक मॉडल के साथ शुरू होता है, और फिर हम एक अलग शहर में ज़ूम करते हैं - 27 किमी, 9, 3 का क्षैतिज संकल्प और अंत में, 1 किमी उपलब्ध है। यह एक प्रकार का भूगोल है, जो व्यावसायिक समस्याओं को हल करने के लिए आवश्यक भौतिक डेटा को ध्यान में रखता है (आखिरकार, डीप थंडर को कई विशिष्ट कार्यों को हल करने में मदद करने के लिए डिज़ाइन किया गया है)। ”1 किमी ² के विश्लेषण में प्राप्त डेटा को मीटर स्केल के साथ मीटर में खिलाया जाता है, और। यह पहले से ही एक अत्यधिक सटीक भौगोलिक और हाइड्रोलॉजिकल मॉडल की भविष्यवाणी करने के लिए उपयोग किया जाता है, जिसका उपयोग बाढ़ और अन्य समान मौसम आपदाओं की संभावना को निर्धारित करने के लिए किया जाता है।

विभिन्न आकारों की परतों के साथ इस दृष्टिकोण का उपयोग करते हुए, आईबीएम रिसर्च टीम ने काम करने वाले मॉडल को स्केल करने की समस्या को हल किया है। डीप थंडर वर्तमान में रियो और न्यूयॉर्क में काम कर रहा है, अगर आईबीएम ने पर्याप्त परिणाम प्राप्त करने के लिए बस कंप्यूटिंग शक्ति बढ़ाने का रास्ता अपनाया था, तो संभवतः आपको समानांतर में कई मॉडलों को संसाधित करने के लिए सभी सुपर कंप्यूटर शक्तियों का उपयोग करना होगा। लॉयड ट्रेन कहती है: “वास्तुकला काफी सरल है और एक ही समय में बहुत ही सुरुचिपूर्ण है, लेकिन सबसे महत्वपूर्ण बात, यह काम करता है। NOAA में ही और अमेरिकी वायु सेना के मौसम केंद्र इस मॉडल का उपयोग करते हैं और बड़े पैमाने पर उच्च परिभाषा वाले पूर्वानुमान प्राप्त करते हैं जो हम "सरल" ग्राहकों की पेशकश करते हैं। "



वास्तव में, रियो डी जनेरियो मॉडल केवल कुछ "POWER7" सर्वर का उपयोग करता है, जो कि एक Infiniband स्विच द्वारा जुड़ा हुआ है। यदि आपको मॉडल के पैमाने को बढ़ाने की आवश्यकता है, तो इस कॉन्फ़िगरेशन में डीप थंडर के लिए बस कुछ और सर्वर जोड़ने के लिए काम करना जारी रखना पर्याप्त है। एक और उदाहरण है - ब्रुनेई विश्वविद्यालय में (ऐसा छोटा राज्य, दुनिया में सबसे अमीर सुल्तान के साथ) मॉडल को आईबीएम ब्लू जीन द्वारा संसाधित किया जाता है, जिससे छोटे राज्य के पैमाने पर मौसम की भविष्यवाणी की जा सकती है।

हालांकि, एक अच्छा और विश्वसनीय मॉडल बनाने के लिए, आपको मौसम स्टेशन, सेंसर, थर्मामीटर और बैरोमीटर से प्रारंभिक इनपुट की एक बड़ी मात्रा की आवश्यकता होती है, और भगवान जानता है कि और क्या है, और यह वही है जो लॉयड ट्रेनिश इस बारे में कहते हैं: “हम शाब्दिक रूप से, सभी डेटा का उपयोग करते हैं हम प्राप्त कर सकते हैं और कौन सा एक रास्ता या कोई अन्य मौसम पूर्वानुमान बनाने में मदद कर सकता है। ” इसमें सभी प्रकार के सार्वजनिक और खुले डेटा शामिल हैं, जैसे उपग्रह इमेजरी, एनओएए, नासा, भूवैज्ञानिक मिशन, यूरोपीय अंतरिक्ष एजेंसी आदि। रियो और ब्रुनेई संपूर्ण सिम्युलेटेड सतह पर स्थित रिमोट स्मार्ट सेंसर का उपयोग करते हैं।

बेशक, सार्वजनिक के अलावा (हालांकि नासा डेटा सामान्य रूप से पूरी तरह से सार्वजनिक रूप से उपलब्ध डेटा नहीं है) डेटा, आईबीएम डीप थंडर मॉडल बनाने के लिए सभी उपलब्ध डेटा प्रकारों का उपयोग करता है, या कम से कम पूर्वानुमानों को मान्य करने के लिए। इसलिए, न्यूयॉर्क के एक विशिष्ट उदाहरण का उपयोग करते हुए, यह स्पष्ट है कि डेटा अर्थ नेटवर्क के स्वामित्व वाले वेदरबग सेंसर नेटवर्क से आता है। वेदरबग शहरों में और उनकी सीमाओं के बाहर विभिन्न सेंसरों की एक विस्तृत संरचना है, पूरे संयुक्त राज्य में वितरित किया गया है, और इससे डेटा हर पांच मिनट (5 मिनट में आम तौर पर मॉडल के मानक "टिक" समय) में आता है, जिससे आप मॉडल की स्पष्टता को प्रभावी ढंग से नियंत्रित कर सकते हैं। , ऐतिहासिक डेटा के लिए पत्राचार और अंत में, एक प्रशंसनीय पूर्वानुमान देने के लिए।