Autores:  (1) Toshit Jain, Instituto Indio de Ciencias de Bangalore, India;  (2) Varun Singh, Instituto Indio de Ciencias de Bangalore, India;  (3) Vijay Kumar Boda, Instituto Indio de Ciencias de Bangalore, India;  (4) Upkar Singh, Instituto Indio de Ciencias de Bangalore, India;  (5) Ingrid Hotz, Instituto Indio de Ciencias de Bangalore, India y Departamento de Ciencia y Tecnología (ITN), Universidad de Linköping, Norrköping, Suecia;  (6) PN Vinayachandran, Instituto Indio de Ciencias de Bangalore, India;  (7) Vijay Natarajan, Instituto Indio de Ciencias de Bangalore, India.  Tabla de enlaces   Resumen e introducción   Datos oceánicos   pyParaOcean: Arquitectura   pyParaOcean: Funcionalidades   Estudio de caso: Bahía de Bengala   Conclusión   Agradecimientos y Referencias  2. Datos oceánicos  Los oceanógrafos suelen trabajar con grandes conjuntos de datos espaciotemporales multivariados: campos escalares o vectoriales que varían en el tiempo en una región tridimensional. Los datos se generan mediante simulaciones, imágenes de satélite, sensores en boyas u observaciones físicas in situ. Con los avances en la informática de alto rendimiento, el muestreo de mayor resolución y el creciente número de observables, el tamaño de dichos conjuntos de datos está aumentando rápidamente. Los conjuntos de datos de reanálisis combinan un modelo de simulación numérica con datos de observación para proporcionar datos que sean consistentes espacio-temporalmente. Los datos oceánicos contienen fuertes procesos temporales y espaciales que involucran interacciones complejas entre entidades de múltiples escalas [XLWD19]. Se analiza en una variedad de escalas, desde características de pequeña escala, como remolinos y frentes, hasta características de gran escala, como cuencas oceánicas y patrones de circulación.  Todas las visualizaciones de este documento se generan utilizando dos conjuntos de datos, el Mar Rojo y la Bahía de Bengala.     Este conjunto de datos [TZG∗ 17] estuvo disponible como parte del concurso IEEE SciVis 2020. Es un conjunto de 50 miembros de campos escalares y de velocidad tridimensionales. Los datos se muestrean periódicamente en una cuadrícula de 500 × 500 × 50 en 60 intervalos de tiempo que cubren un mes completo de tiempo de simulación. Los conjuntos son los resultados de los modelos simulados con diferentes parámetros y condiciones iniciales, y pueden variar significativamente incluso con un pequeño cambio en los valores de los parámetros. Los miembros son los pronósticos de las configuraciones de MITgcm configuradas para el dominio 30◦E - 50◦E y 10◦N - 30◦N que abarca todo el Mar Rojo. Están implementados en coordenadas cartesianas con una resolución horizontal de 0,04◦ × 0,04◦ (4 km) y 50 capas verticales, con una separación entre superficies de 4 my una separación entre fondos de 300 m. El conjunto de datos está disponible en formato NetCDF. Mar Rojo:    este conjunto de datos se genera mediante un producto de reanálisis y está disponible en el repositorio Nucleus for European Modeling of the Ocean (NEMO) [Mad08], con una resolución diaria que abarca los meses de julio a agosto de 2020, un total de 62 pasos de tiempo. . Los datos están disponibles en formato NetCDF, con una resolución de 1/12◦ de latitud-longitud. Las mediciones de salinidad están disponibles en 50 niveles verticales, que van desde una resolución de 1 m cerca de la superficie hasta una resolución de 450 m hacia el fondo del mar, incluidas 22 muestras en los 100 m superiores. De estos datos se extrae la Bahía de Bengala, una región geográfica limitada por las longitudes 75◦E y 96◦E y las latitudes 5◦ S a 30◦N, con una profundidad de hasta 200 m. Bahía de Bengala:  Este documento está   bajo licencia CC 4.0. disponible en arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Oceanography.Tech

Este audio es producido en el idioma original de la historia!

Demasiado Largo; Para Leer

Boost your HackerNoon story @ $159.99! 🚀

pyParaOcean, un sistema de análisis visual de datos oceánicos: datos oceánicos

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps