Ny datateknologi gir deg bedre værmelding

[Gjest Slettet+5132]

Inkompressibel euler er jo fullstendig idioti for værvarsling. Det er ikke det jeg foreslår.

Det var ment som en lett lekemodell først. Som jeg skriver var det andrevalget.

Først værvarsling, og hvis ikke det går, Euler. Numeriske metoder tester man ofte ut på Euler først. Du har fortsatt ikke foreslått en eneste numerisk metode som vil klare dette.

 

 

a, man trenger randbetingelser, men de trenger ikke ha den tidsoppløsningen du foreslår. En helt grei tilnærming er å anta stasjonære randbetingelser (f.eks kuling fra vest) innenfor et helt tidssteg i den grove modellen. Eventuelt interpolere randbetingelsene mellom to tidssteg i den grove modellen som input til den fine.

 

Beklager min ignoranse, men jeg kommer ikke til å lese 2617 sider for å finne ut hva jeg eventuelt bommer på i innlegget mitt. Du må heller prøve å forklare på en bedre måte hvorfor du vil ha den graden av integrering mellom den grove og fine modellen. Jeg har nevnt noen høyst lokale fenomener jeg ønsker å få ut fra en finere beregning, og hvorfor jeg mener det bør være oppnåelig.

 

Se gjerne på hvordan det gjøres i overgangen mellom internasjonale globale modeller og den lokale skandinaviske modellen. Nå vet jeg ikke ratioen mellom cellestørrelse i den globale og den skandinaviske modellen, men regner med den er ganske stor og at det samme burde være mulig mellom den skandinaviske 9km-modellen og lokale modeller. Det samme gjelder oppløsningen på tidssteg.

Artikkelen er på 19 sider, ikke 2000. (Mulig du blir forvirret over pp. ? Det sier bare hvor i tidsskriftet artikkelen begynner/slutter) Fullstendig referanse så du kan google selv:

 

 

JOURNAL ARTICLE

A Tutorial on Lateral Boundary Conditions as a Basic and Potentially Serious Limitation to Regional Numerical Weather Prediction

Thomas T. Warner, Ralph A. Peterson and Russell E. Treadon

 

Når det gjelder "global" til "nasjonal" værvarsling bruker de samme metode som jeg foreslår: stor buffer!

 

Men for å ta et helt enkelt spørsmål: hvis du tror din fremgangsmåte er nok for å få frem lokale detaljer, hvorfor bryr man seg så overhodet om AMR?

Endret 18. august 2019 av Slettet+5132

[Simen1]

Du trenger ikke briljere med inkompressibel euler. Det er bare en liten del av hva som foregår i meteorologisk institutt sine modeller. Atmosfæren er ikke et simpelt vannrør for å si det sånn.

 

Når det gjelder "nasjonal" modell så har den et helt annet formål enn mine foreslåtte "lokale" modeller. Samhandlingen mellom global og nasjonal modell må nødvendigvis være tett bundet med hverandre og ha store buffersoner, nettopp fordi det er omtrent som å tre to grid med ulik oppløsning ned over samme matematiske modell. Mens overgangen fra nasjonal til lokal modell handler om å avsløre helt andre forhold enn de store voluminøse værberegningene. Det handler kun om å finne lokale "avvik" fra den nasjonale modellen.

 

Ennå et eksempel: I Tromsø vet jeg at hvis vinden kommer fra øst så skjermer Tromsdalstiden byen for vind. Den nasjonale værmodellen beregner for eksempel 10 m/s, mens reell vindstyrke er kanskje 3 m/s vestlig fordi vinden roterer liggende bak fjellet. Et annet eksempel er de lokale temperaturforskjellene på kalde dager på grunn av "kaldtrekk" fra dalfører vs "varme" fra sjøen. Snøen har også en tendens til å dale ned i turbulensen bak et fjell i stedet for på den vindutsatte sida.

 

Hva er AMR?

[Gjest Slettet+5132]

Du trenger ikke briljere med inkompressibel euler. Det er bare en liten del av hva som foregår i meteorologisk institutt sine modeller. Atmosfæren er ikke et simpelt vannrør for å si det sånn.

Nei, men i bunn ligger veldig "enkle" likninger (typisk (in)kompressibel Euler). Skal man utvikle numeriske metoder, gjør en det for disse likningene først.

 

 

Når det gjelder "nasjonal" modell så har den et helt annet formål enn mine foreslåtte "lokale" modeller. Samhandlingen mellom global og nasjonal modell må nødvendigvis være tett bundet med hverandre og ha store buffersoner, nettopp fordi det er omtrent som å tre to grid med ulik oppløsning ned over samme matematiske modell. Mens overgangen fra nasjonal til lokal modell handler om å avsløre helt andre forhold enn de store voluminøse værberegningene. Det handler kun om å finne lokale "avvik" fra den nasjonale modellen.

 

Ennå et eksempel: I Tromsø vet jeg at hvis vinden kommer fra øst så skjermer Tromsdalstiden byen for vind. Den nasjonale værmodellen beregner for eksempel 10 m/s, mens reell vindstyrke er kanskje 3 m/s vestlig fordi vinden roterer liggende bak fjellet. Et annet eksempel er de lokale temperaturforskjellene på kalde dager på grunn av "kaldtrekk" fra dalfører vs "varme" fra sjøen. Snøen har også en tendens til å dale ned i turbulensen bak et fjell i stedet for på den vindutsatte sida.

Hvilken matematisk modell / likning ser du for deg at man bruker her? Den samme som på det grovere gitteret (nasjonalt), med kanskje litt mer fysikk? Den vil ha akkurat samme problem som på et større området, bare at bufferen må være relativt større.

 

Tingen er at informasjonen i disse likningene går fra randen inn i domenet, men også fra domenet til randen.

 

Siden du ikke har kommentert jstor-artikkelen, la meg ta for meg et par viktige poeng den kommer med

 

 

A number of studies have demonstrated that the LBCs of LAMs can have a

significant impact on the evolution of the predicted fields through

the propagation of boundary errors onto the interior of the domain.

Conventional wisdom has been simply to move the lateral boundaries

sufficiently far from the area of meteorological interest so that

their effect is within acceptable limits during the period of an

integration.

LBC errors can be sufficiently damaging to LAM forecast quality such

that more accurate predictions can sometimes be obtained from the

coarser-resolution models with less sophisticated parameterizations

that are used to provide the boundary conditions for a LAM (Baumhefner

and Perkey 1982).

Hva er AMR?

Adaptive Mesh Refinement. For å si det enkelt, hvis det var så enkelt som det du skisserer, kunne man gjort AMR på følgende måte: Løs på grovt mesh, finn områder hvor en trenger høyere oppløsning, ta disse ut, og løs på fint mesh. Hint: Det er ikke slik det gjøres, fordi det ikke fungerer!

Endret 18. august 2019 av Slettet+5132

[Simen1]

Jeg ser for meg at man tar utgangspunkt i meterologisk institutt sine ligninger og forenkler de noe. Man trenger for eksempel ikke ta med forhold som gjelder i stratosfæren og oppover, eller ting som virker på større skala (jetvinder, globale trykkforskjeller og muligens corioliseffekt, og solinnstrålinga kan aproksimeres til samme vinkel for hele volumet), bare for å ta noen eksempler på forenklinger.

 

AMR kjenner jeg til fra da jeg jobbet med slikt, jeg husket bare ikke forkortelsen. Personlig har jeg dårlig erfaring med AMR fra de systemene jeg jobbet på fordi det har en tendens til å fortette "uendelig" og så gå i lås, eller prioritere fortettingen på "gal" måte. Jeg var innom mange typer mesh og mesh-generatorer, der de avanserte mesh-metodene gjerne ga en økning i kompleksitet i ligningene som ga en økning i prosesseringstid som ikke sto i stil til standardavviket i resultatet. Dvs. det enkle var ofte det beste. Regulære kubiske mesh bruker maskinressursene svært effektivt. Dermed kan man ofte sette betydelig finere mesh med den metoden enn f.eks ustrukturert genererte mesh med AMR og på den måten oppnå mindre standardavvik på samme tid med samme maskinressurser.

 

For fenomener på liten skala kan man hente ut grensebetingelser fra den grove beregningen og kjøre en fin beregning rundt spesielle interessepunkter. Ta f.eks et klassisk eksempel: Regne luftstrømmen rundt et fly med en viss mesh-størrelse og deretter finregne på mindre interesseområder som vingetuppen, pitotrør osv.

[Gjest Slettet+5132]

Jeg ser for meg at man tar utgangspunkt i meterologisk institutt sine ligninger og forenkler de noe. Man trenger for eksempel ikke ta med forhold som gjelder i stratosfæren og oppover, eller ting som virker på større skala (jetvinder, globale trykkforskjeller og muligens corioliseffekt, og solinnstrålinga kan aproksimeres til samme vinkel for hele volumet), bare for å ta noen eksempler på forenklinger.

Sålenge bufferen er betydelig mindre enn lengden en bølge beveger seg på værforkastets tid (si 12 timer), kommer du til å få problemer med at gal informasjon fra randen beveger seg inn i domenet. Som du ser fra oppsummeringsartikkelen jeg alt har linket til, er dette et velkjent fenomen.

 

AMR kjenner jeg til fra da jeg jobbet med slikt, jeg husket bare ikke forkortelsen. Personlig har jeg dårlig erfaring med AMR fra de systemene jeg jobbet på fordi det har en tendens til å fortette "uendelig" og så gå i lås, eller prioritere fortettingen på "gal" måte. Jeg var innom mange typer mesh og mesh-generatorer, der de avanserte mesh-metodene gjerne ga en økning i kompleksitet i ligningene som ga en økning i prosesseringstid som ikke sto i stil til standardavviket i resultatet. Dvs. det enkle var ofte det beste. Regulære kubiske mesh bruker maskinressursene svært effektivt. Dermed kan man ofte sette betydelig finere mesh med den metoden enn f.eks ustrukturert genererte mesh med AMR og på den måten oppnå mindre standardavvik på samme tid med samme maskinressurser.

Nå må vi holde tunga rett i munnen. At du har hatt dårlig erfaring, betyr ikke at det er en dårlig ide. Det kan jo tenkes at du bare ikke klarte å implementere dette riktig? Det høres ikke helt ut som om det var gjort riktig hvis du ikke klarte å implementere en minste meshbredde/største antall celler? Slike AMR-teknikker står og faller på feilmålet eller indikatoren en bruker for å finne ut hvor en skal forfine. Er indaktoren dårlig, er også AMRen dårlig. Dette er dog et brukervalg, og her kan folk gjerne gjøre feil. Nå vet vi ikke hva slags likning, feilindikator eller metode du brukte, så det er litt vnaskelig å kommentere videre. Det jeg kan si er at det er en haug av forskningsmiljøer som faktisk klarer å implementere AMR riktig og får høyere ytelse av det.

 

Det er annet poeng her også. Mer kompliserte løsere er nå å foretrekke med den "nye" trenden hvor antall flyttallsberegninger langt overgår minnebåndbredden. Hvis du vil ha høyest mulig ytelse, er det en bra implementert høyordens discontinuous Galerkin-metode (DG) som gjelder (gitt at flyten du ser på er glatt nok til å dra nytte av høyere orden). Fordelen med DG er at den håndterer ustrukturerte mesh like bra som strukturerte.

 

For fenomener på liten skala kan man hente ut grensebetingelser fra den grove beregningen og kjøre en fin beregning rundt spesielle interessepunkter. Ta f.eks et klassisk eksempel: Regne luftstrømmen rundt et fly med en viss mesh-størrelse og deretter finregne på mindre interesseområder som vingetuppen, pitotrør osv.

Hvis du mener flyt rundt NACA og RAE-vingene, er dette typiske eksempler på hvor du for det første vil bruke  en stor buffer, med mindre fenomenet du ser på har en liten tidshorisont, og for det andre, vil bruke et adaptivt mesh (eller i det minste ustrukturert slik at du kan ha store celler langt borte fra vingen og store nærme vingen).

 

Det er en grunn til at nesten alle simuleringer bruker omtrent dette meshet:

 

 

 

Kilde: https://www.grc.nasa.gov/WWW/Acoustics/code/adpac/sample/airfoil.2d/ (vingen er altså den knøttlille tingen i midten)

 

 

 

Jeg har fortsatt tilgode å se en eneste artikkel hvor de klarer å zoome inn noe særlig (med mindre de som sagt ser på veldig korte tidshorisonter). Kan du gi meg en referanse, fordi dette ville faktisk vært veldig interessant for min del?

Endret 19. august 2019 av Slettet+5132

[Sten H]

Nuvel, ikke vet jeg men i hele sommer har værmeldingen fortalt om:

Lettskyet og sol, i realiteten overskyet og regn.

Sol og fint vær, i realiteten lettskyet og regn.

Vind, i realiteten vindstille.

Vindstille, i relaiteten vind.

Det er stort sett opptil 24 timer feil på tidspunktet for været som var meldt, og været som kom. Man kunne ta seg en gå- eller joggetur og ende opp søkkvåt av regn som skulle kommet om natta osv. I noen tilfeller så viste værmeldingen lettskyet og sol om kvelden. Morgenen etter regnet det, og sjekket man værmeldingen så var den endret til nettopp regn. Så på den måten, er det jo lett å melde været riktig.

[Helge Mohn Skåtun]

 

Distribuert databehandling er helt uaktuelt her, det skyldes selvsagt at været flytter på seg!

 

Dvs når man har beregnet hvordan været vli bli innefor en liten kube ved tiden t0, så vil dette være input til hvordan været vil bli i alle nabo-kubene ved tiden t1, så selv om du gjør så mye som mulig lokalt så er det voldsomme krav til kommunikasjon mellom kuber.

 

Beregningene kjøres distribuert, ref ordet "Cray klynger". Og ja, akkurat som du sier så setter det enorme krav til datahåndtering og utveksling mellom hver node i klyngene.

 

Jeg var forøvrig veldig overrasket over at artikkelen referer til 9x9x9 km kuber! Ja, 9x9 km horisontalt er en helt grei oppløsning for globalt vær, men jeg er villig til å vedde på at modellen IKKE er homogen i høyden, tvert i mot er det sannsynligvis mange lag vertikalt innefor hver kube.

 

Jepp! 9km rett til værs er over toppen på Mt Everest. Ganske mye interessant vær mellom havflaten og 9km!

 

Kube er for øvrig en forenkling av hvordan modellen representerer den fysiske verden. Men å forklare sfæriske grid i denne typen artikkel krever helt eksepsjonelt pedagogiske evner. Oppløsningen tilsvarer ca 9 km, så da er det like greit å kalle det (flatklemt) boks med grunnflate 9x9 km.

 

Å strekke et grid med kvadrater av fast størrelse fra ekvator til polene går for øvrig ikke opp... det blir som å brette ut en rund globus på et flatt bord. Derfor må man finne på andre konstruksjoner, som f.eks. et sfæriske grid.

Det er nok bedre vertikal oppløsning enn 9 km, ja, dette er en "glipp" fra journalisten antar jeg. Jeg vet ikke hva den vertikale oppløsningen er i dag, og dom de bruker høyde eller trykk som vertikalkoordinat, men jeg vil tippe de har mellom 30 og 100 lag på de nederste 10 km.