Autores:  (1) Toshit Jain, Instituto Indiano de Ciência de Bangalore, Índia;  (2) Varun Singh, Instituto Indiano de Ciência de Bangalore, Índia;  (3) Vijay Kumar Boda, Instituto Indiano de Ciência de Bangalore, Índia;  (4) Upkar Singh, Instituto Indiano de Ciência de Bangalore, Índia;  (5) Ingrid Hotz, Instituto Indiano de Ciência de Bangalore, Índia e Departamento de Ciência e Tecnologia (ITN), Universidade de Linköping, Norrköping, Suécia;  (6) PN Vinayachandran, Instituto Indiano de Ciência de Bangalore, Índia;  (7) Vijay Natarajan, Instituto Indiano de Ciência de Bangalore, Índia.  Tabela de links   Resumo e introdução   Dados do oceano   pyParaOcean: Arquitetura   pyParaOcean: Funcionalidades   Estudo de caso: Baía de Bengala   Conclusão   Agradecimentos e Referências  2. Dados oceânicos  Os oceanógrafos normalmente lidam com grandes conjuntos de dados espaçotemporais multivariados – campos escalares ou vetoriais que variam no tempo em uma região tridimensional. Os dados são gerados por meio de simulações, imagens de satélite, sensores em bóias ou observações físicas in-situ. Com avanços na computação de alto desempenho, amostragem de maior resolução e o número crescente de observáveis, o tamanho desses conjuntos de dados está aumentando rapidamente. Os conjuntos de dados de reanálise combinam um modelo de simulação numérica com entradas observacionais para fornecer dados que sejam consistentes espaço-temporalmente. Os dados oceânicos contêm fortes processos temporais e espaciais que envolvem interações complexas entre entidades multiescala [XLWD19]. É analisado em diversas escalas, desde características de pequena escala, como redemoinhos e frentes, até características de grande escala, como bacias oceânicas e padrões de circulação.  Todas as visualizações neste artigo são geradas usando dois conjuntos de dados, o Mar Vermelho e o Golfo de Bengala.     Este conjunto de dados [TZG∗ 17] foi disponibilizado como parte do concurso IEEE SciVis 2020. É um conjunto de 50 membros de campos escalares e de velocidade tridimensionais. Os dados são amostrados regularmente em uma grade 500 × 500 × 50 em 60 intervalos de tempo, cobrindo um mês inteiro de simulação. Conjuntos são as saídas dos modelos simulados com diferentes parâmetros e condições iniciais, podendo variar significativamente mesmo com uma pequena alteração nos valores dos parâmetros. Os membros são as previsões das configurações do MITgcm configuradas para o domínio 30◦E - 50◦E e 10◦N - 30◦N que abrange todo o Mar Vermelho. Eles são implementados em coordenadas cartesianas com resolução horizontal de 0,04◦ × 0,04◦ (4 km) e 50 camadas verticais, com espaçamento superficial de 4 m e espaçamento inferior de 300 m. O conjunto de dados está disponível no formato NetCDF. Mar Vermelho:    Este conjunto de dados é gerado por um produto de reanálise e está disponível no repositório do Núcleo para Modelagem Europeia do Oceano (NEMO) [Mad08], com uma resolução diária abrangendo os meses de julho a agosto de 2020, um total de 62 intervalos de tempo . Os dados estão disponíveis no formato NetCDF, com resolução de 1/12◦ latitude-longitude. As medições de salinidade estão disponíveis em 50 níveis verticais, variando de resolução de 1 m perto da superfície até resolução de 450 m em direção ao fundo do mar, incluindo 22 amostras nos 100 m superiores. A Baía de Bengala, região geográfica confinada pelas longitudes 75◦E e 96◦E e latitudes 5◦ S a 30◦N, com profundidade de até 200 m, é extraída desses dados. Baía de Bengala:  Este artigo está   sob licença CC 4.0. disponível no arxiv

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

Oceanography.Tech

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

Boost your HackerNoon story @ $159.99! 🚀

pyParaOcean, um sistema para análise visual de dados oceânicos: dados oceânicos

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps