'

Е.Д. Астахова Гидрометцентр России

Понравилась презентация – покажи это...





Слайд 0

Суперкомпьютерные технологии в задачах прогноза погоды и климата Е.Д. Астахова Гидрометцентр России helen@mecom.ru


Слайд 1

План презентации Что такое прогноз погоды и климата? Почему задача прогноза погоды и моделирования климата – задача Grand Challenge? Что влияет на качество прогноза? Что такое детерминированный прогноз погоды? Что такое ансамблевый прогноз погоды?


Слайд 2

Что такое прогноз погоды и климата?


Слайд 3

Введение. Основы численного прогноза погоды и моделирования климата Цель: Описание эволюции атмосферы Суть: Решение численными методами уравнений гидротермодинамики атмосферы Реализация: Модель атмосферы Численный прогноз = Интегрирование модели атмосферы


Слайд 4

Модель атмосферы Уравнения гидротермодинамики Методы их решения Параметризации процессов подсеточного масштаба (правая часть уравнений)


Слайд 5

Дискретизация Сферические координаты Широтно-долготная сетка По горизонтали По вертикали


Слайд 6

Beljaars, 2008 Пространственные и временные масштабы некоторых процессов в атмосфере


Слайд 7

В зависимости от разрешения модели физические процессы описываются явно или параметрически Немецкая метеослужба DWD GME COSMO_EU COSMO-DE spatial: ~150 km ~30 km ~10 km temporal: ~4 min ~1.5 min ~30 sec ECMWF T799 T1279 T2047 ~25 km ~16 km ~10 km 720 s 450 s 300 s


Слайд 8

Основные физические процессы подсеточного масштаба, учитываемые в моделях атмосферы. Микрофизика облака Сток Мелкая конвекция


Слайд 9

Модели атмосферы Спектральные и конечно-разностные – по методу решения уравнений Глобальные, региональные, мезомасштабные - по пространственному масштабу Краткосрочного, среднесрочного, долгосрочного прогноза погоды, климата – по временному масштабу


Слайд 10

Часы Дни Недели Месяцы Сезоны Годы Локальный Региональный Глобальный Сверхкраткосрочный прогноз(0-12ч) Краткосрочный прогноз (12-72ч) Среднесрочный прогноз (72-240ч) Долгосрочный прогноз (30 дней-2 года) Прогноз климата (более 2 лет) Пространственный масштаб Временной масштаб Расширенный прогноз (10-30 дней) Численное моделирование процессов в атмосфере


Слайд 11

Современные тенденции: бесшовный подход Единая система моделирования на масштабах от дней до десятков лет Численный прогноз погоды Численное моделирование климата


Слайд 12

Почему задача прогноза погоды и моделирования климата – задача Grand Challenge? И что это такое?


Слайд 13

Численное моделирование процессов в атмосфере – задача «Grand Challenge» = фундаментальная проблема, решение которой имеет большое экономическое и научное значение и требует применения высокопроизводительных вычислений Численный прогноз погоды Моделирование климата ТОЧНЕЕ и БЫСТРЕЕ!


Слайд 14

Что влияет на точность численного прогноза погоды? Качество начальных данных о состоянии атмосферы и поверхности Земли (наблюдений и методов их обработки) Разрешение модели атмосферы (Спектральные модели: T169L31 = 169 гармоник, треугольное усечение, 31 уровень по вертикали) Полнота и точность параметризаций процессов подсеточного масштаба («физики»)


Слайд 15

Роль начальных данных о состоянии атмосферы (влияние их малых возмущений на 5-сут прогноз) Факт Прогноз 1 контрольный Прогноз 2 от возмущенных начальных данных Прогноз 3 от возмущенных начальных данных


Слайд 16

Роль разрешения модели Осадки за вторые сутки прогноза, полученные по модели ECMWF с разным разрешением


Слайд 17

Оправдываемость прогнозов температуры на уровне 2 м на 24 и 36 часов (% случаев с абсолютной ошибкой < 3 град) по моделям T85L31 и T169L31 в Сибири Верхоянск Оймякон Якутск 24 ч 36 ч 24 ч 36ч 24 ч 36 ч


Слайд 18

Роль улучшения разрешения и параметризаций процессов подсеточного масштаба. Осадки Радар TL319 TL959 TL959 Новая схема конвекции Nakagawa,2005


Слайд 19

Временные ограничения для задач прогноза погоды и климата Прогноз погоды: 1 сутки за 10-20 мин Наблюдения в фиксированные моменты времени Надо успеть передать по каналам связи Моделирование климата: 100-1000 дней за сутки (World Modelling Summit for Climate Prediction, 2008)


Слайд 20

Строгие временные рамки счета задачи численного прогноза погоды


Слайд 21

GDAS GFS anal NAM anal CFS RTOFS SREF NAM AQ GFS HUR RDAS Data processing GENS/NAEFS Использование компьютера для решения различных прогностических задач в NCEP


Слайд 22

Откуда так много вычислений? (1) Разрешение 1 км: Радиус Земли ~ 6380 км Площадь поверхности ~ 128 000 000 кв.км 100 уровней по вертикали в модели Итого около 13 млрд точек сетки!!!!! (2) Задача моделирования изменения климата: Шаг по времени – минуты (устойчивость), временной масштаб – сотни лет. Сколько минут в столетии? 52 560 000 !!!!


Слайд 23

Суперкомпьютерные системы ведущих метеорологических центров мира


Слайд 24

Salmond, 2004 Компьютеры, использовавшиеся в английской метеослужбе


Слайд 25

Компьютеры в метеорологических центрах в 2009-2014


Слайд 26

Улучшение качества численных прогнозов идет параллельно улучшению компьютерных ресурсов


Слайд 27

(World Modelling Summit for Climate Prediction, 2008. WCRP No. 131.WMO/TD No. 1468, Jan.2009)


Слайд 28

Проблема : Программное обеспечение моделей атмосферы не рассчитано на десятки тысяч и миллионы процессорных элементов!!! САМ – эксперименты до 100 000 РEs.


Слайд 29

Масштабирование модели Европейского центра среднесрочных прогнозов с разрешением T1279L91


Слайд 30

Что такое детерминированный и ансамблевый прогноз погоды и как он делается?


Слайд 31


Слайд 32

Пример прогноза Гидрометцентра России meteoinfo.ru


Слайд 33

Пример прогноза Гидрометцентра России meteoinfo.ru


Слайд 34

Начальные данные – данные наблюдений


Слайд 35

Наземные наблюдательные системы Синоптические станции Радары Буи


Слайд 36

Неравномерное по пространству распределение данных Синоптические станции Росгидромета


Слайд 37

Метеорологические радары


Слайд 38

Спутниковые данные


Слайд 39

Сырые данные Неравномерны Зашумлены Не пригодны для моделей «Усвоенные» данные Равномерны Гладкие Пригодны для моделей Данные должны быть подготовлены для моделей Система усвоения данных: замешиваются наблюдения и прогноз


Слайд 40

Задача численного детерминированного прогноза погоды Усвоение данных наблюдений (объективный анализ) Препроцессинг модели Инициализация данных (устранение ложных быстрых гравитационных мод) Модель атмосферы Постпроцессинг модели Оценка качества прогноза Передача результатов прогноза по каналам связи


Слайд 41

Оперативные глобальные модели прогноза погоды


Слайд 42

Численный прогноз погоды Детерминированный прогноз Однократное интегрирование модели атмосферы с использованием данных о начальном состоянии атмосферы, рассматриваемых как наилучшее приближение к истине Ансамблевый прогноз Многократное интегрирование одной или нескольких моделей атмосферы с использованием слегка различающихся данных о начальном состоянии атмосферы Требует существенно больше компьютерных ресурсов!!!!


Слайд 43

Улучшение качества наблюдений и увеличение их количества Усовершенствование моделей атмосферы Рост компьютерных мощностей Точный прогноз? НЕТ!!!


Слайд 44

ПPОГНОЗАМ ПОГОДЫ ПРИСУЩА ПРИНЦИПИАЛЬНАЯ НЕОПРЕДЕЛЕННОСТЬ Атмосфера – хаотическая система Динамика ее нелинейна Мелкомасштабные ошибки могут влиять на крупномасштабные процессы и приводят к возрастанию ошибок прогноза со временем Данные о начальном состоянии атмосферы неточны ошибки измерений неравномерное распределение наблюдений в пространстве и во времени Модели атмосферы несовершенны Неточности в уравнениях Параметрический учет физических процессов Дискретизация


Слайд 45

ПPОГНОЗАМ ПОГОДЫ ПРИСУЩА ПРИНЦИПИАЛЬНАЯ НЕОПРЕДЕЛЕННОСТЬ Эволюция ошибок в начальном состоянии атмосферы Заблаговременность прогноза Линейный режим Нелинейный режим Детерминированный прогноз от наиболее точно определенного начального состояния Истинная эволюция состояния атмосферы


Слайд 46

ПPОГНОЗАМ ПОГОДЫ ПРИСУЩА ПРИНЦИПИАЛЬНАЯ НЕОПРЕДЕЛЕННОСТЬ Хорошо предсказуемая ситуация Плохо предсказуемая ситуация Buizza 2002 Качество прогноза зависит от ситуации Режим 1: сухо и тепло Режим 2: холодно и сыро


Слайд 47

Качество прогнозов падает с заблаговременностью прогнозов Качество прогнозов зависит от ситуации Пользователям нужна оценка качества прогнозов Пользователям нужна вероятность экстремальных явлений Нужен вероятностный прогноз! Т.е. описание эволюции функции плотности вероятности состояний атмосферы во времени. Уравнение Лиувилля – долго. АНСАМБЛИ!!!


Слайд 48

Простейший ансамбль –совокупность прогнозов, стартующих со слегка различающихся (возмущенных) начальных данных (ансамбля начальных данных) Ансамбль начальных данных должен: Содержать равновероятные члены Являться репрезентативной выборкой из вероятных состояний атмосферы Включать истинное состояние атмосферы (т.е разброс достаточно велик) Возмущения должны быть в пределах ошибок анализа Реализация ансамблевого подхода


Слайд 49

Неточность данных о состоянии атмосферы Неточность данных о состоянии поверхности Земли Неточность модели атмосферы Бридинг Ансамблевые трансформации Сингулярные вектора Системное моделирование Стохастическая физика Мультимодельность Вариации параметризаций Системное моделирование Варьирование характеристик поверхности


Слайд 50

Основные ансамблевые системы среднесрочного прогноза


Слайд 51

Разброс ансамбля характеризует качество прогноза в зависимости от ситуации Среднее по ансамблю дает лучшую ( по сравнению с детерминированным прогнозом) оценку истинного состояния атмосферы (даже при использовании модели худшего разрешения!) Легко получить вероятностный прогноз явлений погоды Выгоды использования ансамбля


Слайд 52

Пример ансамблевого прогноза температуры воздуха в Лондоне (метеограмма)


Слайд 53

А что у нас ? Фабрика погоды прошлого: Ручной анализ Суперкомпьютеры


Слайд 54

Развитие моделей численного среднесрочного прогноза ECMWF и Гидрометцентра России и соответствующие характеристики компьютеров ECMWF 1990 CRAY Y-MP, 8 PEs T106L31 1996 Fujitsu VPP700, 46 PEs T213L31 2006 IBM p575, 2400 PEs T799L91 Исследования T2047L62 Гидрометцентр России 1990 Hitachi 3033, 1 PE T40L15 1996 CRAY Y-MP, 8 PEs T85L31 2006 Xeon, 4 PEs T85L31 Исследования T339L31


Слайд 55

Развитие моделей численного среднесрочного прогноза ECMWF и Гидрометцентра России и соответствующие характеристики компьютеров ECMWF 1990 CRAY Y-MP, 8 PEs T106L31 1996 Fujitsu VPP700, 46 PEs T213L31 2006 IBM p575, 2400 PEs T799L91 Исследования T2047L62 Гидрометцентр России 1990 Hitachi 3033, 1 PE T40L15 1996 CRAY Y-MP, 8 PEs T85L31 2006 Xeon, 4 PEs T85L31 Исследования T339L31 2009: ECMWF 2*156 Tflops , 2*8320 PEs Гидрометцентр России 11+16 Tflops, 1664+1416 PEs


Слайд 56

Квази-оперативные и оперативные прогностические модели Гидрометцентра России


Слайд 57

Преемственность систем детерминированного и вероятностного численного прогнозирования Технология детерминированного Прогноза: T85L31 (150 км), T169L31 (70 км), T169L63 (70 км), T339L31 (45 км), T679L31 (25 км) Технология ансамблевого Прогноза: T85L31, T169L31 Разработка версий модели Разработка систем построения ансамблей Спектральная модель атмосферы


Слайд 58

Метод спектральных преобразований ?, ?, z m, n, z µ, m, z


Слайд 59

Спектральная модель: Пространственная декомпозиция области расчетов в cеточном пространстве


Слайд 60

Спектральная модель: Декомпозиция области расчетов в спектральном пространстве


Слайд 61

T339L31. 24-часовой прогноз. 2х-ядерный p575 1.5 Ггц


Слайд 62


Слайд 63

Спектральная модель: На 1 PE ~100 мин На 16 PEs ~18 мин (без SHMEM ~23 мин) На 64 PEs ~ 11 мин Суточный прогноз должен быть готов за ~20 мин


Слайд 64

Конфигурация ансамблевой системы прогноза


Слайд 65

«Спагетти» Н500 (516, 552, 576 гпм) Пример выходной продукции системы ансамблевого прогноза Прогноз на 1 день вперед от 11 сентября 2009 12 ВСВ на 12 сентября 2009 12 ВСВ


Слайд 66

«Спагетти» Н500 (516, 552, 576 гпм) Пример выходной продукции системы ансамблевого прогноза Прогноз на 2 дня вперед от 11 сентября 2009 12 ВСВ на 13 сентября 2009 12 ВСВ


Слайд 67

«Спагетти» Н500 (516, 552, 576 гпм) Пример выходной продукции системы ансамблевого прогноза Прогноз на 3 дня вперед от 11 сентября 2009 12 ВСВ на 14 сентября 2009 12 ВСВ


Слайд 68

«Спагетти» Н500 (516, 552, 576 гпм) Пример выходной продукции системы ансамблевого прогноза Прогноз на 4 дня вперед от 11 сентября 2009 12 ВСВ на 15 сентября 2009 12 ВСВ


Слайд 69

«Спагетти» Н500 (516, 552, 576 гпм) Пример выходной продукции системы ансамблевого прогноза Прогноз на 5 дней вперед от 11 сентября 2009 12 ВСВ на 16 сентября 2009 12 ВСВ


Слайд 70

«Спагетти» Н500 (516, 552, 576 гпм) Пример выходной продукции системы ансамблевого прогноза Прогноз на 6 дней вперед от 11 сентября 2009 12 ВСВ на 17 сентября 2009 12 ВСВ


Слайд 71

«Спагетти» Н500 (516, 552, 576 гпм) Пример выходной продукции системы ансамблевого прогноза Прогноз на 7 дней вперед от 11 сентября 2009 12 ВСВ на 18 сентября 2009 12 ВСВ


Слайд 72

«Спагетти» Н500 (516, 552, 576 гпм) Пример выходной продукции системы ансамблевого прогноза Прогноз на 8 дней вперед от 11 сентября 2009 12 ВСВ на 19 сентября 2009 12 ВСВ


Слайд 73

«Спагетти» Н500 (516, 552, 576 гпм) Пример выходной продукции системы ансамблевого прогноза Прогноз на 10 дней вперед от 11 сентября 2009 12 ВСВ на 21 сентября 2009 12 ВСВ


Слайд 74

Пример выходной продукции системы ансамблевого прогноза Прогноз эволюции метеорологической переменной в пункте Прогноз от 15 мая 2009


Слайд 75

«Почтовые марки». Пример выходной продукции системы ансамблевого прогноза Н500


Слайд 76

Среднее по ансамблю (изолинии) и разброс ансамбля (цвет). Высота геопотенциальной поверхность 500 гПа. 5-сут прогноз на 17/12/2007 12 ВСВ Пример продукции ансамблевой системы Прогноз наименее достоверен в областях с максимальным разбросом


Слайд 77

Вероятности выпадения количества осадков, превышающего заданное пороговое значение Пример выходной продукции системы ансамблевого прогноза Valid: 17Jul2008/12 Prec > 2 mm/6h Valid: 16Jul2008/12 Prec > 0.1 mm/6h


Слайд 78

Полулагранжева модель прогноза погоды Вертикальное разрешение – 28 уровней Постоянное разрешение 0,9° по долготе, 0,72° по широте (размерность задачи 400х250х28) Одномерная декомпозиция по широте MPI + OpenMP Теоретическая масштабируемость ограничена Nlat ; для будущей версии 0,25°x0,18°x60 это дает 1000 процессоров


Слайд 79

testSLM: Scalability


Слайд 80

Время расчета прогноза на 1 сут. на 36 ядрах = 22 мин.


Слайд 81

Гидрометеорологический центр Российской Федерации COSMO-RU07: область интегрирования и характеристики модели h = 2.8 km Начальные данные для 00 и 12 UTC Прогноз на 78 часов Шаг сетки 7 км Сетка: 700 * 620 * 40 SGI Altix 4700 (1664 ядер) (832 процессора Itanium, 64-bit, 3,3 Tb память) Время счета прогноза на 78 час. 19 мин.: 1024 ядра 33 мин.: 512 ядер 59 мин.: 256 ядер 4900 км 4340 км


Слайд 82


Слайд 83


Слайд 84


Слайд 85


Слайд 86


Слайд 87


Слайд 88


Слайд 89


Слайд 90


Слайд 91


Слайд 92


Слайд 93


Слайд 94


Слайд 95


Слайд 96


Слайд 97


Слайд 98


Слайд 99


Слайд 100


Слайд 101


Слайд 102


Слайд 103


Слайд 104


Слайд 105


Слайд 106

СПАСИБО ЗА ВНИМАНИЕ!


Слайд 107


Слайд 108


Слайд 109

Бридинг-метод


Слайд 110

Оценки качества среднего по ансамблю прогноза Среднее по ансамблю лучше для заблаговременностей более 84 час!


×

HTML:





Ссылка: