paint-brush
pyParaOcean, Okyanus Verilerinin Görsel Analizi İçin Bir Sistem: Okyanus verileriile@oceanography

pyParaOcean, Okyanus Verilerinin Görsel Analizi İçin Bir Sistem: Okyanus verileri

Çok uzun; Okumak

Bu yazıda araştırmacılar, dinamik süreç takibi ve olay tespiti için Paraview'de okyanus verileri görselleştirmesini geliştiren pyParaOcean'ı tanıtıyor.
featured image - pyParaOcean, Okyanus Verilerinin Görsel Analizi İçin Bir Sistem: Okyanus verileri
Oceanography: Everything You Need to Study the Ocean HackerNoon profile picture
0-item

Yazarlar:

(1) Toshit Jain, Hindistan Bilim Enstitüsü Bangalore, Hindistan;

(2) Varun Singh, Bangalore Hindistan Bilim Enstitüsü, Hindistan;

(3) Vijay Kumar Boda, Hindistan Bilim Enstitüsü Bangalore, Hindistan;

(4) Upkar Singh, Hindistan Bangalore Bilim Enstitüsü, Hindistan;

(5) Ingrid Hotz, Bangalore Hindistan Bilim Enstitüsü, Hindistan ve Bilim ve Teknoloji Bölümü (ITN), Linköping Üniversitesi, Norrköping, İsveç;

(6) PN Vinayachandran, Hindistan Bilim Enstitüsü Bangalore, Hindistan;

(7) Vijay Natarajan, Hindistan Bilim Enstitüsü Bangalore, Hindistan.

Bağlantı Tablosu

2. Okyanus verileri

Oşinograflar tipik olarak, üç boyutlu bir bölge üzerinde zamanla değişen skaler veya vektör alanları gibi büyük, çok değişkenli uzaysal-zamansal veri kümeleriyle ilgilenir. Veriler simülasyonlar, uydu görüntüleri, şamandıralardaki sensörler veya yerinde fiziksel gözlemler kullanılarak üretilir. Yüksek performanslı bilgi işlemdeki ilerlemeler, daha yüksek çözünürlüklü örnekleme ve gözlemlenebilirlerin sayısının artmasıyla birlikte, bu tür veri kümelerinin boyutu da hızla artıyor. Yeniden analiz veri kümeleri, uzaysal-zamansal olarak tutarlı veriler sağlamak için sayısal bir simülasyon modelini gözlemsel girdilerle birleştirir. Okyanus verileri, çok ölçekli varlıklar arasındaki karmaşık etkileşimleri içeren güçlü zamansal ve mekansal süreçleri içerir [XLWD19]. Girdaplar ve cepheler gibi küçük ölçekli özelliklerden, okyanus havzaları ve dolaşım modelleri gibi büyük ölçekli özelliklere kadar çeşitli ölçeklerde analiz edilir.


Bu makaledeki tüm görselleştirmeler, Kızıldeniz ve Bengal Körfezi olmak üzere iki veri kümesi kullanılarak oluşturulmuştur.


Şekil 1: pyParaOcean sistem mimarisi. Eklenti, okyanus verilerini görselleştirmek için Paraview'in yüksek performans yetenekleriyle kusursuz bir şekilde bütünleşen çok sayıda özel filtre içerir.


Kızıldeniz: Bu veri seti [TZG∗ 17] IEEE SciVis 2020 yarışmasının bir parçası olarak kullanıma sunuldu. Üç boyutlu skaler ve hız alanlarından oluşan 50 üyeli bir topluluktur. Veriler, bir aylık simülasyon süresini kapsayan 60 zaman adımında 500 × 500 × 50 boyutunda bir ızgarada düzenli olarak örneklenir. Topluluklar, farklı parametrelere ve başlangıç koşullarına sahip simüle edilmiş modellerin çıktılarıdır ve parametre değerlerinde küçük bir değişiklik olsa bile önemli ölçüde farklılık gösterebilirler. Üyeler, Kızıldeniz'in tamamını kapsayan 30◦D - 50◦D ve 10◦K - 30◦K alanı için yapılandırılmış MITgcm kurulumlarından elde edilen tahminlerdir. Kartezyen koordinatlarda, 0,04◦ × 0,04◦ (4 km) yatay çözünürlükte ve 50 dikey katmanda, 4 m yüzey aralığı ve 300 m alt aralıkla uygulanırlar. Veri kümesi NetCDF formatında mevcuttur.


Bengal Körfezi: Bu veri seti bir yeniden analiz ürünü tarafından oluşturulmuştur ve Nucleus for European Modeling of the Ocean (NEMO) deposundan [Mad08] temin edilebilir; Temmuz-Ağustos 2020 aylarını kapsayan günlük çözünürlük, toplam 62 zaman adımı . Veriler, 1/12◦ enlem-boylam çözünürlüğüyle NetCDF formatında mevcuttur. Tuzluluk ölçümleri, yüzeye yakın 1 m çözünürlükten deniz tabanına doğru 450 m çözünürlüğe kadar değişen 50 dikey seviyede mevcuttur ve üst 100 m'de 22 örnek bulunmaktadır. 75◦E ve 96◦D boylamları ve 5◦ G ila 30◦K enlemleri ile sınırlı, 200 m'ye kadar derinliğe sahip bir coğrafi bölge olan Bengal Körfezi bu verilerden çıkarılmıştır.