1
УДК 519.688
Параллельная реализация локального ансамблевого
фильтра Калмана для усвоения атмосферных данных
© В.Г. Мизяк, А.В. Шляева, М.А. Толстых
ФГБУ «Гидрометцентр России», Москва, 1
23242
, Россия
Одним из основных путей уменьшения ошибок численного прогноза погоды являет-
ся улучшение оценки состояния атмосферы, используемой в качестве начальных
данных для прогностической модели. Вычислительная сложность алгоритмов
усвоения данных диктует необходимость их эффективной параллельной реализа-
ции. В работе описана параллельная реализация алгоритма усвоения данных с по-
мощью локального ансамблевого фильтра Калмана с преобразованием ансамбля.
Приведены результаты ускорения и эффективности параллельной реализации.
Показано, что неравномерное распределение вычислительной нагрузки между
процессами ограничивает эффективность параллельного алгоритма.
Работа выполнена при поддержке грантов в форме субсидий Минобрнауки России
по соглашениям 8350 и 8344 от 17.08.2012 г.
Ключевые слова:
параллельный алгоритм, ансамблевые фильтры Калмана, усвое-
ние данных.
Введение.
На протяжении многих лет численный прогноз погоды
остается одной из тех задач, решение которой требует огромных вы-
числительных ресурсов.
Система численного прогноза погоды включает в себя два основ-
ных компонента:
1) модель атмосферы (состоит из динамического блока, решаю-
щего систему дифференциальных уравнений в частных производных,
описывающую процессы гидротермодинамики, явно разрешаемые
при заданном уровне детализации, и параметризаций процессов под-
сеточного масштаба);
2) система усвоения данных наблюдений (подготовка начальных
условий для старта модели атмосферы).
Одним из основных путей уменьшения ошибок численного про-
гноза погоды является улучшение оценки состояния атмосферы, ис-
пользуемой в качестве начальных данных для прогностической мо-
дели. В качестве исходных для системы усвоения данных выступают
данные наблюдений, например, наземных станций, радиозондов,
спутниковые наблюдения (
y
0
∈
R
m
,
m
~ 10
5
без использования спутни-
ковых наблюдений,
m
~ 10
7
с использованием спутниковых наблюде-
ний); а также первое приближение, обычно краткосрочный прогноз
модели на заданный срок (
x
b
∈
R
n
, в современных глобальных
