101 판독값

pyParaOcean, 해양 데이터의 시각적 분석 시스템: 사례 연구: 벵골만

~에 의해 Oceanography: Everything You Need to Study the Ocean4m2024/05/30

너무 오래; 읽다

본 논문에서 연구원들은 동적 프로세스 추적 및 이벤트 감지를 위해 Paraview에서 해양 데이터 시각화를 향상시키는 pyParaOcean을 소개합니다.

featured image - pyParaOcean, 해양 데이터의 시각적 분석 시스템: 사례 연구: 벵골만

저자:

(1) 인도 방갈로르 인도 과학 연구소의 Toshit Jain;

(2) 인도 방갈로르 인도 과학 연구소의 Varun Singh;

(3) 인도 방갈로르 인도 과학 연구소의 Vijay Kumar Boda;

(4) Upkar Singh, 인도 방갈로르 인도 과학 연구소;

(5) Ingrid Hotz, 인도 방갈로르 인도 과학 연구소 및 스웨덴 노르셰핑 린셰핑 대학교 과학 기술부(ITN);

(6) PN Vinayachandran, 인도 방갈로르 인도 과학 연구소;

(7) 인도 방갈로르 인도 과학 연구소의 Vijay Natarajan.

링크 표

5. 사례 연구: 벵골만

여름 몬순 해류(SMC)는 인도양 순환의 두드러진 특징이며 SMC는 스리랑카 주변을 거쳐 벵골만으로 흘러갑니다. 우리는 pyParaOcean을 사용하여 특히 몬순 기간 동안 벵골만의 다양한 현상을 연구합니다.

에디즈 . 그림 5는 몬순 시즌 동안 만의 주요 해류와 소용돌이에 대한 대략적인 개략도입니다. SMC 오른쪽에 위치한 대형 고기압 소용돌이(AE)와 왼쪽에 있는 SLD(스리랑카 돔)로 알려진 저기압 소용돌이[VY98]는 여름 동안 이 지역에서 흔히 볼 수 있는 특징입니다. AE는 직경 약 500km로 스리랑카 해안 남동쪽에 위치하며 고기압성 순환으로 인해 내부에 강한 하강이 일어나는 것이 특징이다. [VY98]은 AE가 SMC와 수마트라에서 들어오는 Rossby 파동의 상호 작용에 의해 형성된다고 제안했습니다. AE의 출현 및 소멸의 타임라인은 이후 작업 [VCMN04]에 문서화되었습니다. AE는 6월에 형성되기 시작하여 7월에 원형으로 발전하고 8월에 약화됩니다(그림 6 및 첨부된 비디오 참조).

염분 수송. pyParaOcean은 벵골만에 대한 AE의 영향을 분석하는 효율적인 도구 역할을 합니다. 유선형과 경로선은 AE 및 해양에서의 움직임과 관련된 순환의 시각화를 제공합니다. 필드 라인은 소용돌이로 인한 전송을 시각화하기 위해 스칼라의 볼륨 렌더링 위에 겹쳐질 수 있습니다. 그림 7과 함께 제공되는 비디오는 염분 수송에서 AE의 역할을 보여주기 위해 다양한 시간 단계에서 렌더링되는 염분량 위에 겹쳐진 유선형을 보여줍니다. SMC에 의해 아라비아해에서 벵갈만으로 고염도 물이 이동하고 AE에 의한 재순환이 이 표현에 잘 포착되어 있습니다. 염도가 높은 물의 표면 전면을 추적하고 수명이 긴 트랙을 강조 표시하면 해당 지역의 중요한 염도 이동에 대한 개요를 포착하는 데 도움이 됩니다. 우리는 인도 해안을 향해 이동하는 선로를 관찰합니다(그림 4 참조).

하강 . 그림 8과 함께 제공되는 비디오는 깊이 프로필 필터를 사용하여 AE에 의한 27° 등온선의 저하를 시각화하는 것을 보여줍니다. 소용돌이의 고기압성 특성은 소용돌이 내부에 하강을 일으키고 상대적으로 따뜻한 물을 아래로 밀어냅니다. 평행 좌표 보기는 관심 지점에 소용돌이가 도달함으로써 발생하는 물기둥의 온도, 염도 및 속도의 변화를 보여줍니다.

경험과 성과. 이 사례 연구는 해양학자 공동저자와 공동으로 수행되었습니다. pyParaOcean을 사용하면 SLD 및 염도가 높은 물의 이동과 같은 현상에 대한 여러 관찰이 이루어질 수 있습니다. 해양학자 협력자들은 일반적으로 2D 분석을 위해 pyFerret과 같은 도구를 사용하지만 pyParaOcean의 기능이 매우 유용하다는 것을 알았습니다. 이러한 초기 만족스러운 경험 이후, 우리는 pyParaOcean을 사용하여 더 높은 해상도의 모델 출력에 대한 연구를 함께 진행할 계획입니다. 표면 전면 추적 및 와류 감지 필터는 몇 분 정도 소요되는 반면, 다른 모든 필터는 1~2초 이내에 완료됩니다. 모든 실험은 512GB 메인 메모리와 NVIDIA RTX A4000(16GB) GPU를 갖춘 8코어 AMDEPYC 7262 @ 3.2GHz CPU를 갖춘 워크스테이션에서 실행되었습니다. 표면 전면 계산은 Python 다중 처리 라이브러리를 사용하여 병렬화되지만 런타임에 추가 개선의 여지가 있습니다. 맴돌이 감지 및 시각화 필터는 일부 계산을 병렬화하여 최적화할 수도 있습니다. 앞으로는 이 문제를 다룰 계획입니다.