tác giả:  (1) Toshit Jain, Viện Khoa học Ấn Độ Bangalore, Ấn Độ;  (2) Varun Singh, Viện Khoa học Ấn Độ Bangalore, Ấn Độ;  (3) Vijay Kumar Boda, Viện Khoa học Ấn Độ Bangalore, Ấn Độ;  (4) Upkar Singh, Viện Khoa học Ấn Độ Bangalore, Ấn Độ;  (5) Ingrid Hotz, Viện Khoa học Ấn Độ Bangalore, Ấn Độ và Khoa Khoa học và Công nghệ (ITN), Đại học Linköping, Norrköping, Thụy Điển;  (6) PN Vinayachandran, Viện Khoa học Ấn Độ Bangalore, Ấn Độ;  (7) Vijay Natarajan, Viện Khoa học Ấn Độ Bangalore, Ấn Độ.  Bảng liên kết   Tóm tắt và giới thiệu   Dữ liệu đại dương   pyParaOcean: Kiến trúc   pyParaOcean: Chức năng   Nghiên cứu điển hình: Vịnh Bengal   Phần kết luận   Lời cảm ơn và tài liệu tham khảo  2. Dữ liệu đại dương  Các nhà hải dương học thường xử lý các bộ dữ liệu không gian, thời gian đa biến lớn - các trường vô hướng hoặc vectơ thay đổi theo thời gian trên một vùng ba chiều. Dữ liệu được tạo bằng mô phỏng, hình ảnh vệ tinh, cảm biến trên phao hoặc quan sát vật lý tại chỗ. Với những bước tiến trong tính toán hiệu năng cao, lấy mẫu có độ phân giải cao hơn và số lượng vật thể quan sát ngày càng tăng, kích thước của các bộ dữ liệu như vậy cũng tăng lên nhanh chóng. Bộ dữ liệu phân tích lại kết hợp mô hình mô phỏng số với đầu vào quan sát để cung cấp dữ liệu nhất quán theo thời gian. Dữ liệu đại dương chứa các quá trình không gian và thời gian mạnh mẽ liên quan đến các tương tác phức tạp giữa các thực thể đa quy mô [XLWD19]. Nó được phân tích trên nhiều quy mô khác nhau, từ các đặc điểm quy mô nhỏ như xoáy nước và frông, đến các đặc điểm quy mô lớn như lưu vực đại dương và mô hình hoàn lưu.  Tất cả các hình ảnh trực quan trong bài viết này được tạo ra bằng cách sử dụng hai bộ dữ liệu là Biển Đỏ và Vịnh Bengal.     Tập dữ liệu [TZG∗ 17] này được cung cấp như một phần của cuộc thi IEEE SciVis 2020. Nó là một tập hợp gồm 50 thành viên gồm các trường vô hướng và vận tốc ba chiều. Dữ liệu được lấy mẫu thường xuyên trên lưới 500 × 500 × 50 trên 60 bước thời gian trong cả tháng thời gian mô phỏng. Tập hợp là đầu ra của các mô hình mô phỏng với các tham số và điều kiện ban đầu khác nhau và chúng có thể thay đổi đáng kể ngay cả khi có một thay đổi nhỏ trong giá trị tham số. Các thành viên là dự báo từ các thiết lập MITgcm được định cấu hình cho miền 30◦E - 50◦E và 10◦N - 30◦N trải rộng trên toàn bộ Biển Đỏ. Chúng được triển khai theo tọa độ Descartes với độ phân giải ngang 0,04◦ × 0,04◦ (4 km) và 50 lớp dọc, với khoảng cách bề mặt là 4 m và khoảng cách đáy là 300 m. Tập dữ liệu có sẵn ở định dạng NetCDF. Biển Đỏ:    Tập dữ liệu này được tạo bởi một sản phẩm phân tích lại và có sẵn từ kho lưu trữ Nucleus for European Modeling of the Ocean (NEMO) [Mad08], với độ phân giải hàng ngày kéo dài từ tháng 7 đến tháng 8 năm 2020, tổng cộng 62 bước thời gian . Dữ liệu có sẵn ở định dạng NetCDF, với độ phân giải kinh độ-vĩ độ 1/12◦. Các phép đo độ mặn có sẵn ở 50 mức thẳng đứng, từ độ phân giải 1 m gần bề mặt đến độ phân giải 450 m về phía đáy biển, bao gồm 22 mẫu ở độ cao 100 m phía trên. Vịnh Bengal, một khu vực địa lý được giới hạn bởi các kinh độ 75◦E và 96◦E và vĩ độ 5◦ S đến 30◦N, với độ sâu lên tới 200 m, được trích xuất từ dữ liệu này. Vịnh Bengal:  Bài viết này   theo giấy phép CC 4.0. có sẵn trên arxiv

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

Oceanography.Tech

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

dài quá đọc không nổi

Boost your HackerNoon story @ $159.99! 🚀

pyParaOcean, Hệ thống phân tích trực quan dữ liệu đại dương: Dữ liệu đại dương

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

147 Stories To Learn About Reading Books Online

178 Stories To Learn About Essay

223 Stories To Learn About Science

85 Stories To Learn About Productivity Hacks

147 Stories To Learn About Reading Books Online

178 Stories To Learn About Essay

223 Stories To Learn About Science

85 Stories To Learn About Productivity Hacks

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps