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.
Estudo de caso: Baía de Bengala
Conclusão, agradecimentos e referências
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.
Eddies . 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.
Transporte de salinidade. 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.
Ressurgência . 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.
Experiência e desempenho. 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.
Este artigo está disponível no arxiv sob licença CC 4.0.