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  5. Estudo de caso: Baía de Bengala  A Corrente das Monções de Verão (SMC) é uma característica proeminente da circulação do oceano Índico e a SMC flui ao redor do Sri Lanka para desaguar na Baía de Bengala. Usamos o pyParaOcean para estudar diferentes fenômenos na Baía de Bengala, principalmente durante as monções.    . A Figura 5 é um esquema aproximado das principais correntes e redemoinhos na Baía durante a estação das monções. Um grande redemoinho anticiclônico (AE) localizado à direita do SMC e um redemoinho ciclônico conhecido como Sri Lanka Dome (SLD) à sua esquerda [VY98] são características regulares nesta região durante o verão. O AE tem um diâmetro de cerca de 500 km, localizado a sudeste da costa do Sri Lanka, e é caracterizado por intensa ressurgência em seu interior devido à sua circulação anticiclônica. [VY98] propuseram que o AE é formado pela interação do SMC e das ondas de Rossby que chegam de Sumatra. A linha do tempo de aparecimento e desaparecimento do EA foi documentada em trabalho posterior [VCMN04]. O AE começa a se formar em junho, desenvolve sua forma circular em julho e enfraquece em agosto, conforme mostrado na Figura 6 e no vídeo que a acompanha.  Eddies    pyParaOcean serve como uma ferramenta eficiente para analisar os efeitos do EA na Baía de Bengala. Linhas de corrente e caminhos oferecem visualização da circulação associada ao AE e seu movimento no oceano. As linhas de campo podem ser sobrepostas em uma representação volumétrica de um escalar para visualizar o transporte causado pelo redemoinho. A Figura 7 e o vídeo que a acompanha mostram as linhas de corrente sobrepostas em uma renderização de volume de salinidade em diferentes etapas de tempo para mostrar o papel do AE no transporte de sal. O movimento de água de alta salinidade do mar da Arábia pelo SMC para a Baía de Bengala e a sua recirculação pelo AE é bem capturado nesta representação. Rastrear frentes superficiais de água de alta salinidade e destacar os rastros de longa duração ajuda a capturar uma visão geral do movimento significativo de salinidade na região. Observamos uma trilha que se move em direção à costa da Índia, ver Figura 4. Transporte de salinidade.    . A Figura 8 e o vídeo que a acompanha mostram o uso do filtro de perfil de profundidade para visualizar a depressão da isoterma de 27◦ pelo AE. A natureza anticiclônica do redemoinho causa uma ressurgência dentro do redemoinho e empurra a água relativamente mais quente para baixo. A visualização de coordenadas paralelas mostra mudanças na temperatura, salinidade e velocidade na coluna de água causadas pela chegada do redemoinho no ponto de interesse. Ressurgência    Este estudo de caso foi conduzido em colaboração com um coautor oceanógrafo. Várias observações sobre fenômenos como o SLD e o movimento de águas de alta salinidade poderiam ser feitas usando o pyParaOcean. Embora nossos colaboradores oceanógrafos normalmente usem ferramentas como o pyFerret para análise 2D, eles descobriram que a capacidade do pyParaOcean é muito útil. Após esta experiência inicial satisfatória, planejamos trabalhar juntos no estudo da saída do modelo de maior resolução usando pyParaOcean. Os filtros de rastreamento frontal de superfície e detecção de redemoinhos levam alguns minutos, enquanto todos os outros filtros levam de 1 a 2 segundos ou menos. Todos os experimentos foram executados em uma estação de trabalho com CPU AMDEPYC 7262 de 8 núcleos a 3,2 GHz com memória principal de 512 GB e GPU NVIDIA RTX A4000 (16 GB). A computação frontal da superfície é paralelizada usando a biblioteca de multiprocessamento python, mas há espaço para melhorias adicionais no tempo de execução. O filtro de detecção e visualização de redemoinhos também pode ser otimizado paralelizando parte da computação. Planejamos abordar isso no futuro.  Experiência e desempenho.  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: estudo de caso: Baía de Bengala

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Modelo Bitcoin UTXO, alimentando um ecossistema único

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Modelo Bitcoin UTXO, alimentando um ecossistema único

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps