Microsoft Word - 0_0_表紙.doc
|
|
|
- つねたけ ねごろ
- 7 years ago
- Views:
Transcription
1 2km Local Forecast Model; LFM Local Analysis; LA a LFM LFM LFM MSM LFM FT=2 2009; 2010 MSM RMSE RMSE MSM RMSE , LFM LFM LFM LFM LFM km 37
2 LFM LFM SPAS LFM LFM km 20mm/h FT FT=3 BI ETS 20mm/h FT BI BI FT=3 BI BI FT=3 BI FT=3 BI 4 BI 20mm/h 10 20mm/h LFM BI ETS FT
3 5mm/h BI 1 ETS ETS 1mm/h 15mm/h LFM MSM ETS 2mm/h LFM MSM LFM MSM 20mm/h BI ETS 20km 18JST LFM BI 1 ETS BI ETS MSM BI ETS MSM 20mm/h LFM MSM LFM LFM MSM 5km 40km mm/h MSM 0.05 MSM LFM LFM 10mm/h MSM LFM MSM km 1 20mm/h FT FT=3 95% 39
4 LFM MSM KF MSM MSM BI LFM LFM LFM LFM 1 LFM MSM LFM MSM ETS mm/h LFM MSM 95% LFM MSM LFM FT=3 LFM MSM 5km 40km 95% 40
5 24 17JST LFM,MSM 24 03UTC FT= LFM MSM MSM 5km Kain-Fritsch Kain and Fritsch 1990; Kain LFM MSM LFM MSM MSM,LFM 2 1km LFM,MSM 0.4mm/h 20mm/h 21,00UTC MSM 0.4mm/h 20mm/h 0 2 MSM LFM 0.4mm/h 20mm/h MSM LFM LFM MSM [ mm/h ] JST LFM 24 03UTC FT=5 MSM 24 03UTC FT=5 1 41
6 0.4mm/h 20mm/h mm/h 20mm/h LFM MSM 21UTC 00UTC 0 1 JST LFM 3 9 LFM (1) km 20mm/h FT BI 17JST LFM 00UTC FT=2 03UTC 15JST BI 1 06,09UTC ,06,09UTC 21JST 20mm/h 50mm/h LFM BI 10km 20mm/h 00UTC 03UTC 06UTC 09UTC FT=1 9 BI 95% FT=3 3 10km 20mm/h LFM LFM 20mm/h 10km 10km 42
7 LFM 2010 LFM LFM LFM FT=0 FT=1 00,03UTC 1 06,09UTC LFM MSM 00,03UTC 06,09UTC 00,03UTC 06,09UTC JST LFM UTC FT= UTC FT=3 6 21UTC 7 03UTC 50mm/h JST 10km 20mm/h 50mm/h 03UTC FT=9 06UTC FT=6 09UTC FT= UTC 03UTC 06UTC 09UTC FT=0 9 ; ; 43
![FT=3 [ ] 2.1.](/docs-images/90/104465084/images/8-1.jpg "11 2011 8 7 15JST 1 6 21UTC FT=9")
8 6 21UTC FT=9 7 03UTC FT=3 B A D C [mm/h] 6 21UTC FT=9 7 03UTC FT=3 [ ] JST UTC FT=9 7 03UTC FT=3 A D 13JST CAPE UTC FT=9 7 03UTC FT=3 13JST 7 03UTC CAPE 7 03UTC UTC MSM A D 13JST CAPE(J/kg) 900hPa 6 21UTC 7 03UTC A B C D 0 64 LFM LFM LFM LFM 12-21UTC MSM LA LFM
9 2005 LFM LFM MSM 4 METAR kt LFM MSM LFM MSM LFM MSM LFM MSM LFM MSM LFM MSM LFM 2 MSM LFM MSM UTC LFM MSM (m) 45
10 kt LFM MSM LA LFM,MSM 2010 LA LFM LFM MSM LFM MSM MSM MSM LFM MSM LFM LFM MSM kt LFM LFM 9 65 MSM LFM 421 SPECI LFM 38 MSM 17 LFM MSM LFM MSM LFM MSM LFM MSM 46
11 2009 LFM LFM LA LFM MSM UTC kt LFM 12UTC MSM MSM a c LFM b UTC 10kt 5kt :METAR G SPECI :LFM :MSM (a) (b) (c) OBS LFM MSM UTC (a) 1 mm/h (b) LFM( UTC,FT=6) ( ) 1 (c) MSM( UTC,FT=6) ( ) 1 10kt 5kt 47
12 LFM UTC LFM 07-08UTC 09-10UTC UTC a LFM b MSM c MSM LFM UTC 10kt 5kt :METAR /SPECI G SPECI V :LFM :MSM (a) (b) (c) OBS LFM MSM UTC (a) 1 mm/h (b) LFM( UTC,FT=5) (c) MSM( UTC,FT=5) 48
13 LFM LFM MSM LFM MSM LFM LFM LA 1 8 LFM LA 2010b 2010 LA, LFM, 2009:. 21,, ,,,,,,,,, 2010a:. 22,, 1-3.,,,, 2010b:. 22,, , 2005:. 17,, ,, 2008:. 54,, , 2008:. 54,, ,, 2010:. 22,, , 2010:. 22,, 4-10.,, 2010:. 56,, ,, 2002:,, 275pp. Kain, J.S., 2004: The Kain-Fritsch convective parameterization: An Update. J. Appl. Meteor., 43, Kain, J.S. and J.M. Fritsch, 1990: A one-dimensional entraining/detraining plume model and its application in convective parameterization. J. Atmos. Sci., 47,
14 2.2 観測データ未入電時におけるガイダンスの精度 はじめに平成 23 年 (2011 年 ) 東日本大震災の際に東北地方の太平洋沿岸のアメダス地点の多くが被災し 長期にわたって観測値が欠測となった ガイダンスには観測値を元に予測式を日々最適化しているものが多くある ( 付録 A を参照 ) 観測データが途絶えるとこれらのガイダンスの予測式は最適化されず 観測データが途絶える前の予測式を用いた予測を継続することとなる このことがガイダンスの精度にどの程度影響するかが懸念される 観測データが未入電となることによるガイダンスの精度への影響を調べるため 東日本大震災と同じ季節にあたる平成 22 年 (2010 年 ) の 3 月から翌年 7 月までの 16 か月間 全国のアメダス地点の観測デー タが未入電となったと仮定した実験を行った 本節ではその結果を報告する 調査方法実験では 平成 22 年 (2010 年 )3 月 11 日以降 全国のアメダス地点のデータが未入電となったと仮定して平成 23 年 (2011 年 )7 月までの16か月間のガイダンスを作成した 風ガイダンス (MSM 定時風ガイダンス MSM 最大風速ガイダンス ) 気温ガイダンス (MSM 最高 最低気温ガイダンス ) を対象に 同期間のルーチンのガイダンスの結果との精度を比較した 以降 実験の結果をtest ルーチンの結果をcntlとする 検証結果は03UTC 初期値の結果を紹介する 図 定時風ガイダンスの風速の初期時刻別の RMSE の時系列図 赤は test 青は cntl 緑は mdl(msm の予測値 ) を表示している 太線は 30 日移動平均 縦軸の単位は m/s a は 2010 年 5 月 1 日 b は 2010 年 10 月 1 日 c は 2011 年 5 月 1 日を示す 図 定時風ガイダンスの風向の初期時刻別の RMSE の時系列図 赤は test 青は cntl 緑は mdl(msm の予測値 ) を表示している 太線は 30 日移動平均 縦軸の単位は度 a は 2010 年 5 月 1 日 b は 2010 年 10 月 1 日 c は 2011 年 5 月 1 日を示す 1 小泉友延 後藤尚親 50
15 図 最高気温の RMSE 時系列グラフ 赤は test 青は cntl 緑は mdl(msm の予測値 ) を表示している 太線は 30 日移動平均 縦軸の単位は a は 2010 年 6 月 1 日 b は 2010 年 10 月 1 日 c は 2011 年 6 月 1 日を示す 図 最低気温の RMSE 時系列グラフ 赤は test 青は cntl 緑は mdl(msm の予測値 ) を表示している 太線は 30 日移動平均 縦軸の単位は a は 2010 年 6 月 1 日 b は 2010 年 10 月 1 日 c は 2011 年 6 月 1 日を示す 調査結果 (1) 風ガイダンス風ガイダンスでは 初期時刻ごとに全アメダス地点のFT=1~24までの予測と観測結果から風向と風速のRMSEを求めて精度を検証した 図 2.2.1は 定時風ガイダンスとMSM 地上風の風速のRMSEの時系列グラフである 同様に図 2.2.2は風向のRMSEの時系列グラフである なお MSM 地上風はアメダス地点に最も近い格子の値で検証した 風速 風向ともに 観測データが未入電となってからしばらくはcntlとtestとの差はほとんど見られないが 季節の変わり目となる5 月頃 ( 図 図 2.2.2のa) からtestとcntlとの精度の差が大きくなった 季節が夏から秋に変わり10 月 ( 図 図 2.2.2のb) になると再びtestとcntlとの精度の差は小さくなり 翌年の5 月頃 ( 図 図 2.2.2のc) になるとまたtestとcntlとの精度の差が大きくなった こ のように test と cntl との精度の差に季節変化が見られたが実験期間を通じて test は MSM の予測値よりも精度はよかった 最大風速ガイダンスについても同様の結果であった ( 図は省略 ) test と cntl との精度の差に季節変化が見られたのは 観測データが途絶えて予測式の最適化が停止したことにより 予測式がモデルのバイアスの季節変化に対応できなくなったためと考えられる 一方 予測式の最適化が正常に行われていた cntl は モデルのバイアスの季節変化に対応し 1 年を通じて良い精度を維持することができた (2) 気温ガイダンス気温ガイダンスでは 初期値ごとに全アメダス地点の翌日の予測と観測結果から最高気温と最低気温の RMSE を求めて精度を検証した 図 は 最高気温の RMSE の時系列グラフである 同様に図 は最低気温の RMSE の時系列グラ 51
16 フである なお MSM 地上気温はアメダス地点に最も近い周囲 4 格子を内挿した値で検証した 最高気温 最低気温ともに 観測データが未入電となってから季節の変わり目となる 5 月頃までは test は mdl に比べて精度が高いことを確認出来たが 6 月頃 ( 図 図 の a) になると test の精度が mdl の精度より悪くなった 季節が夏から秋に変わり 10 月 ( 図 図 の b) になると再び test の精度が mdl の精度を上回るようになり 翌年の 6 月頃 ( 図 図 の c) になると再び test は mdl に比べて精度が悪くなった この実験のように test の精度に季節変化が見られたのは 予測式の係数が固定されているため モデルの気温や風系のバイアス傾向が変化することに対応できず 精度が悪くなったことが考えられる 一方 係数更新が正常に行われている cntl については季節変化に伴い係数を適切に更新するため 1 年を通じて良い精度を維持していることも確認できた まとめ調査の結果から 観測データが未入電となった場合のガイダンスの精度は データが未入電となった期間よりも季節に依存することがわかった 観測データが未入電となっても 季節に変化がない期間であればガイダンスはある程度の精度を維持するが 季節が変わると精度が悪くなり 気温ガイダンスでは MSM の予測値よりも精度が悪くなる時期があった これは観測データが未入電となることによりガイダンスの予測式の日々の最適化ができなくなり ガイダンスの予測式が数値予報モデルのバイアスの季節変化に対応できなくなったためと考えられる 実験のように 1 年以上にわたって観測データが未入電となることは想定し難いことであるが 短期間であっても季節の変わり目を含む場合はガイダンスの精度が維持されない場合がある 観測データが継続して未入電となっている地点がある場合は 周辺の地点の予測値と比較することにより該当地点のガイダンスの予測値が妥当であるかを確認しながら利用することが望ましい 52
17 (FLOPS) FLOPS LSI 2 TOP500 Green500 GPU K 1,000 M 1,000,000 G 1,000,000,000 T 1,000,000,000,000 P 1,000,000,000,000,000 E 1,000,000,000,000,000,000 GPU Graphics Processing Unit 3 GPU GPU GPGPU (General-Purpose computing on GPUs) GPU GPGPU GPU GPU CPU GPU GPU 1TFLOPS GPU CPU NVIDIA
18 PCI Express GPU GPU GPU asuca 2011 GPU TSUBAME , TSUBAME TOP Green500 4 GPU TSUBAME2.0 GSM JMA-NHM GPU GPU GPU GPU GPU GPU GPU WRF GPU (Michalakes, J. and M. Vachharajani 2008) GPU GPU CUDA (Compute Unified Device Architecture) C C asuca Fortran Fortran CUDA Fortran C C CUDA Fortran GPU GPU asuca GPU TSUBAME GPU 145TFLOPS (MSM) 0.7TFLOPS MSM 500m
19 m asuca 2011 TSUBAME GPU ( 2011; Shimokawabe et al. 2011) GPU GPU GPU GPU GPU GPU GPU GPU GPU GPU GPU CUDA C Fortran Fortran GPU GPU CPU GPU GPU CPU 2011: TSUBAME 2.0 NVIDIA, 2011: CUDA Programming Guide Version 4.0 Shimokawabe, T., T. Aoki, T., J. Ishida, J., K. Kawano, K., and C. Muroi, C, 2011: 145 TFlops performance on 3990 GPUs of TSUBAME 2.0 supercomputer for an operational weather prediction., First International Workshop on Advances in High-Performance Computational Earth Sciences: Applications and Frameworks (IHPCES), Singapore. Michalakes, J. and M. Vachharajani, 2008: GPU Acceleration of Numerical Weather Prediction. Parallel Processing Letters 18, No. 4.,
予報時間を39時間に延長したMSMの初期時刻別統計検証
第 1 章領域拡張 予報時間 39 時間化されたメソモデルの特性 1.1 メソモデルの領域拡張 予報時間 39 時間化の概 1 要メソモデル (MSM) は 2013 年 3 月に予報領域が拡張された また 2013 年 5 月に全初期時刻における予報時間が39 時間に延長された 表 1.1.1に今回の変更前後の主な仕様を また 図 1.1.1に領域拡張前後の予報領域を示す 本節では 仕様拡張の目的及び概要を説明する
1 GPU GPGPU GPU CPU 2 GPU 2007 NVIDIA GPGPU CUDA[3] GPGPU CUDA GPGPU CUDA GPGPU GPU GPU GPU Graphics Processing Unit LSI LSI CPU ( ) DRAM GPU LSI GPU
![1 GPU GPGPU GPU CPU 2 GPU 2007 NVIDIA GPGPU CUDA[3] GPGPU CUDA GPGPU CUDA GPGPU GPU GPU GPU Graphics Processing Unit LSI LSI CPU ( ) DRAM GPU LSI GPU](/thumbs/89/99132402.jpg "1 GPU GPGPU GPU CPU 2 GPU 2007 NVIDIA GPGPU CUDA[3] GPGPU CUDA GPGPU CUDA GPGPU GPU GPU GPU Graphics Processing Unit LSI LSI CPU ( ) DRAM GPU LSI GPU")
GPGPU (I) GPU GPGPU 1 GPU(Graphics Processing Unit) GPU GPGPU(General-Purpose computing on GPUs) GPU GPGPU GPU ( PC ) PC PC GPU PC PC GPU GPU 2008 TSUBAME NVIDIA GPU(Tesla S1070) TOP500 29 [1] 2009 AMD
GPGPU
GPGPU 2013 1008 2015 1 23 Abstract In recent years, with the advance of microscope technology, the alive cells have been able to observe. On the other hand, from the standpoint of image processing, the
07-二村幸孝・出口大輔.indd
GPU Graphics Processing Units HPC High Performance Computing GPU GPGPU General-Purpose computation on GPU CPU GPU GPU *1 Intel Quad-Core Xeon E5472 3.0 GHz 2 6 MB L2 cache 1600 MHz FSB 80 GFlops 1 nvidia
23 Fig. 2: hwmodulev2 3. Reconfigurable HPC 3.1 hw/sw hw/sw hw/sw FPGA PC FPGA PC FPGA HPC FPGA FPGA hw/sw hw/sw hw- Module FPGA hwmodule hw/sw FPGA h
23 FPGA CUDA Performance Comparison of FPGA Array with CUDA on Poisson Equation ([email protected]), ([email protected]), ([email protected]), ([email protected]),
GPU n Graphics Processing Unit CG CAD
GPU 2016/06/27 第 20 回 GPU コンピューティング講習会 ( 東京工業大学 ) 1 GPU n Graphics Processing Unit CG CAD www.nvidia.co.jp www.autodesk.co.jp www.pixar.com GPU n GPU ü n NVIDIA CUDA ü NVIDIA GPU ü OS Linux, Windows, Mac
main.dvi
PC 1 1 [1][2] [3][4] ( ) GPU(Graphics Processing Unit) GPU PC GPU PC ( 2 GPU ) GPU Harris Corner Detector[5] CPU ( ) ( ) CPU GPU 2 3 GPU 4 5 6 7 1 [email protected] 45 2 ( ) CPU ( ) ( ) () 2.1
Microsoft PowerPoint - GPU_computing_2013_01.pptx
GPU コンピューティン No.1 導入 東京工業大学 学術国際情報センター 青木尊之 1 GPU とは 2 GPGPU (General-purpose computing on graphics processing units) GPU を画像処理以外の一般的計算に使う GPU の魅力 高性能 : ハイエンド GPU はピーク 4 TFLOPS 超 手軽さ : 普通の PC にも装着できる 低価格
IPSJ SIG Technical Report Vol.2013-ARC-203 No /2/1 SMYLE OpenCL (NEDO) IT FPGA SMYLEref SMYLE OpenCL SMYLE OpenCL FPGA 1
SMYLE OpenCL 128 1 1 1 1 1 2 2 3 3 3 (NEDO) IT FPGA SMYLEref SMYLE OpenCL SMYLE OpenCL FPGA 128 SMYLEref SMYLE OpenCL SMYLE OpenCL Implementation and Evaluations on 128 Cores Takuji Hieda 1 Noriko Etani
風力発電インデックスの算出方法について 1. 風力発電インデックスについて風力発電インデックスは 気象庁 GPV(RSM) 1 局地気象モデル 2 (ANEMOS:LAWEPS-1 次領域モデル ) マスコンモデル 3 により 1km メッシュの地上高 70m における 24 時間の毎時風速を予測し
風力発電インデックスの算出方法について 1. 風力発電インデックスについて風力発電インデックスは 気象庁 GPV(RSM) 1 局地気象モデル 2 (ANEMOS:LAWEPS-1 次領域モデル ) マスコンモデル 3 により 1km メッシュの地上高 70m における 24 時間の毎時風速を予測し 2000kW 定格風車の設備利用率として表示させたものです 数値は風車の定格出力 (2000kW)
GPUを用いたN体計算
単精度 190Tflops GPU クラスタ ( 長崎大 ) の紹介 長崎大学工学部超高速メニーコアコンピューティングセンターテニュアトラック助教濱田剛 1 概要 GPU (Graphics Processing Unit) について簡単に説明します. GPU クラスタが得意とする応用問題を議論し 長崎大学での GPU クラスタによる 取組方針 N 体計算の高速化に関する研究内容 を紹介します. まとめ
untitled
A = QΛQ T A n n Λ Q A = XΛX 1 A n n Λ X GPGPU A 3 T Q T AQ = T (Q: ) T u i = λ i u i T {λ i } {u i } QR MR 3 v i = Q u i A {v i } A n = 9000 Quad Core Xeon 2 LAPACK (4/3) n 3 O(n 2 ) O(n 3 ) A {v i }
(c) (d) (e) 図 及び付表地域別の平均気温の変化 ( 将来気候の現在気候との差 ) 棒グラフが現在気候との差 縦棒は年々変動の標準偏差 ( 左 : 現在気候 右 : 将来気候 ) を示す : 年間 : 春 (3~5 月 ) (c): 夏 (6~8 月 ) (d): 秋 (9~1
第 2 章気温の将来予測 ポイント 年平均気温は 全国的に 2.5~3.5 の上昇が予測される 低緯度より高緯度 夏季より冬季の気温上昇が大きい (2.1.1) 夏季の極端な高温の日の最高気温は 2~3 の上昇が予測される 冬季の極端な低温の日の最低気温は 2.5~4 の上昇が予測される (2.2.2) 冬日 真冬日の日数は北日本を中心に減少し 熱帯夜 猛暑日の日数は東日本 西日本 沖縄 奄美で増加が予測される
2 3 5 5 5 5 6 6 7 7 8 10 10 10 10 11 11 12 12 13 16 16 16 16 17 19 21 21 22 5
1D000425-2 1 2 3 5 5 5 5 6 6 7 7 8 10 10 10 10 11 11 12 12 13 16 16 16 16 17 19 21 21 22 5 3 29 29 29 30 31 31 32 35 35 35 36 41 41 41 46 48 48 48 52 57 4 700 13 1988 4 5 4 5 21 1 1 3 4 5 6 21 10 1888
経済論集 ４６‐２（よこ）（Ｐ）☆／２．三崎
1 2 1869 11 17 5 10 1 3 1914 5 15 5 1872 9 12 3 1870 1 26 14 1881 11 11 12 6 11 1878 5 9 13 1880 6 17 1 15 1882 1 2 3 11 1828 2 26 24 1891 4 22 2 1849 12 1 3 1856 pp 20 21. 1971 p.429. 1973 1, pp.440 444.
第３章 アプリケーション
第 3 章アプリケーション 3.1 ガイダンス類の概説 1 3.1.1 はじめに本節では 高解像度全球モデル ( 以下 20kmGSM という ) と メソ数値予報モデル ( 以下 MSM という )33 時間予報の運用開始以降に出力されているガイダンス等について その仕様と精度の概要を述べる MSM の予報結果を用いた降水系ガイダンスと気温ガイダンス 及び航空気象予報ガイダンスに変更や要素追加があった
211 年ハイパフォーマンスコンピューティングと計算科学シンポジウム Computing Symposium 211 HPCS /1/18 a a 1 a 2 a 3 a a GPU Graphics Processing Unit GPU CPU GPU GPGPU G
211 年ハイパフォーマンスコンピューティングと計算科学シンポジウム Computing Symposium 211 HPCS211 211/1/18 GPU 4 8 BLAS 4 8 BLAS Basic Linear Algebra Subprograms GPU Graphics Processing Unit 4 8 double 2 4 double-double DD 4 4 8 quad-double
Slides: TimeGraph: GPU Scheduling for Real-Time Multi-Tasking Environments
計算機アーキテクチャ第 11 回 マルチプロセッサ 本資料は授業用です 無断で転載することを禁じます 名古屋大学 大学院情報科学研究科 准教授加藤真平 デスクトップ ジョブレベル並列性 スーパーコンピュータ 並列処理プログラム プログラムの並列化 for (i = 0; i < N; i++) { x[i] = a[i] + b[i]; } プログラムの並列化 x[0] = a[0] + b[0];
2008 年 7 月 28 日に神戸市付近で発生した局地的大雨の観測システムシミュレーション実験 * 前島康光 ( 理研 計算科学研究機構 / JST CREST) 国井勝 ( 気象研究所 / 理研 計算科学研究機構 ) 瀬古弘 ( 気象研究所 ) 前田亮太 ( 明星電気株式会社 ) 佐藤香枝 (
2008 年 7 月 28 日に神戸市付近で発生した局地的大雨の観測システムシミュレーション実験 * 前島康光 ( 理研 計算科学研究機構 / JST CREST) 国井勝 ( 気象研究所 / 理研 計算科学研究機構 ) 瀬古弘 ( 気象研究所 ) 前田亮太 ( 明星電気株式会社 ) 佐藤香枝 ( 明星電気株式会社 ) 三好建正 ( 理研 計算科学研究機構 / JST CREST) 1. はじめに
<4D F736F F D20322E325F8BF388E68E E9197BF81698DC58F498D65816A2E646F63>
第 2 章アプリケーション 2.1 次期 YSS に向けたガイダンス 2.1.1 概説 1 平成 22 年度の出水期から実施される 市町村を対象とした気象警報等の発表作業は 次期予報作業支援システム ( 以下 次期 YSS と呼ぶ ) において行われる 次期 YSS において 気象警報 注意報及び天気予報等のプロダクトの土台となる量的予測値 ( 防災時系列 ) は 5km 格子単位で取り扱われるため
B 2 Thin Q=3 0 0 P= N ( )P Q = 2 3 ( )6 N N TSUB- Hub PCI-Express (PCIe) Gen 2 x8 AME1 5) 3 GPU Socket 0 High-performance Linpack 1
TSUBAME 2.0 Linpack 1,,,, Intel NVIDIA GPU 2010 11 TSUBAME 2.0 Linpack 2CPU 3GPU 1400 Dual-Rail QDR InfiniBand TSUBAME 1.0 30 2.4PFlops TSUBAME 1.0 Linpack GPU 1.192PFlops PFlops Top500 4 Achievement of
Microsoft Word - 2.4_メソ予報GSM境界事例_成田_PDF01）.doc
第 2 章メソ数値予報モデル 2. モデルの変更点の概要 2.. はじめにメソ数値予報モデル (MSM) は 2007 年 5 月 6 日に 日 8 回のうち 4 回の予報時間を 5 時間から 33 時間に延長するとともに 物理過程を中心に多くの改良がなされたモデルに置き換えられた この 33 時間への予報時間延長にあわせた改良については 荒波 原 (2006) で述べられているが その後 いくつかのさらなる改良が行われた上で現業化されている
HP High Performance Computing（HPC）
ACCELERATE HP High Performance Computing HPC HPC HPC HPC HPC 1000 HPHPC HPC HP HPC HPC HPC HP HPCHP HP HPC 1 HPC HP 2 HPC HPC HP ITIDC HP HPC 1HPC HPC No.1 HPC TOP500 2010 11 HP 159 32% HP HPCHP 2010 Q1-Q4
(50) 29 ( ) 29 11 November 2017 1 5 1 2 2 7 3 9 7 4 6 11 5 5 6 50 * 29 1 1 1.1... 1 1.2... 8 1.3 GSM... 31 1.4... 35 2 42 2.1... 42 2.2... 48 2.3 MSM... 56 2.4... 61 3 66 3.1... 66 3.2... 82 4 86 4.1...
JMA Numerical Analysis Systems
AMSR-E データの数値天気予報への寄与 Contribution of AMSR-E data to numerical weather prediction in JMA 竹内義明 ( 気象庁 ) Yoshiaki TAKEUCHI (Japan Meteorological Agency) AMSR, AMSR-E/GLI Symposium, 23 January 2006, Toshi
! 行行 CPUDSP PPESPECell/B.E. CPUGPU 行行 SIMD [SSE, AltiVec] 用 HPC CPUDSP PPESPE (Cell/B.E.) SPE CPUGPU GPU CPU DSP DSP PPE SPE SPE CPU DSP SPE 2
![! 行行 CPUDSP PPESPECell/B.E. CPUGPU 行行 SIMD [SSE, AltiVec] 用 HPC CPUDSP PPESPE (Cell/B.E.) SPE CPUGPU GPU CPU DSP DSP PPE SPE SPE CPU DSP SPE 2](/thumbs/88/115445009.jpg "! 行行 CPUDSP PPESPECell/B.E. CPUGPU 行行 SIMD [SSE, AltiVec] 用 HPC CPUDSP PPESPE (Cell/B.E.) SPE CPUGPU GPU CPU DSP DSP PPE SPE SPE CPU DSP SPE 2")
! OpenCL [Open Computing Language] 言 [OpenCL C 言 ] CPU, GPU, Cell/B.E.,DSP 言 行行 [OpenCL Runtime] OpenCL C 言 API Khronos OpenCL Working Group AMD Broadcom Blizzard Apple ARM Codeplay Electronic Arts Freescale
2 4 8 13 18 24 29 34 39 44 46 48 1 2 3 4 5 6 7 18 11 11 15 10 16 10 8 9 10 1. 2. 3. 4. 5. 6. 7. 1. 2. 3. 4. 5. 6. 7. 11 1. 2. 3. 4. 5. 6. 7. 12 13 18 12 11 16 25 18 00 CPU Central Processing Unit 14 MUST-CAN-WILL
01_教職員.indd
T. A. H. A. K. A. R. I. K. O. S. O. Y. O. M. K. Y. K. G. K. R. S. A. S. M. S. R. S. M. S. I. S. T. S. K.T. R. T. R. T. S. T. S. T. A. T. A. D. T. N. N. N. Y. N. S. N. S. H. R. H. W. H. T. H. K. M. K. M.
20 8 27 18 10 28 16 9 29 20 3 14 16 9 30 20 8 27 16 9 29 8 36 21 33 m3 4 3 m3 9m JR 14 1 25 16 3 16 9 30 16 9 29 10 24 1/40 204mm/24h 750m3/s 10m 41 m3 16 9 29 15 16 8 26 16 9 30 16 8 26 16 9 30 41
気象庁の現業数値予報システム一覧 数値予報システム ( 略称 ) 局地モデル (LFM) メソモデル (MSM) 全球モデル (GSM) 全球アンサンブル予報システム 全球アンサンブル予報システム 季節アンサンブル予報システム 水平分解能 2km 5km 約 20km 約 40km 約 40km(1
気象庁データを利用した気象研究の現状と展望 気象庁現業メソモデルの 最近の開発とその成果 2017 年 5 月 25 日 気象庁予報部数値予報課 原旅人 1 気象庁の現業数値予報システム一覧 数値予報システム ( 略称 ) 局地モデル (LFM) メソモデル (MSM) 全球モデル (GSM) 全球アンサンブル予報システム 全球アンサンブル予報システム 季節アンサンブル予報システム 水平分解能 2km
HPEハイパフォーマンスコンピューティング ソリューション
HPE HPC / AI Page 2 No.1 * 24.8% No.1 * HPE HPC / AI HPC AI SGIHPE HPC / AI GPU TOP500 50th edition Nov. 2017 HPE No.1 124 www.top500.org HPE HPC / AI TSUBAME 3.0 2017 7 AI TSUBAME 3.0 HPE SGI 8600 System
Microsoft PowerPoint _H30_ALISお知らせ【Java】++
重要なお知らせ 航空気象実況データ収集処理システムの機能改善及び Java8 無償サポート終了に伴う利用について 平成 31 年 3 月 気象庁 はじめに 平素より当庁の航空気象業務にご理解とご協力を賜り 厚く御礼申し上げます 航空気象実況データ収集処理システム (ALIS) において お知らせ画面と Java を使用せずにリアルタイムデータ (6 秒値 ) を表示できる新規コンテンツ ( 空港実況表示画面
IPSJ SIG Technical Report Vol.2013-HPC-138 No /2/21 GPU CRS 1,a) 2,b) SpMV GPU CRS SpMV GPU NVIDIA Kepler CUDA5.0 Fermi GPU Kepler Kepler Tesla
GPU CRS 1,a),b) SpMV GPU CRS SpMV GPU NVIDIA Kepler CUDA5.0 Fermi GPU Kepler Kepler Tesla K0 CUDA5.0 cusparse CRS SpMV 00 1.86 177 1. SpMV SpMV CRS Compressed Row Storage *1 SpMV GPU GPU NVIDIA Kepler
RASP BLIPMAP
RASP BLIPMAP JAPAN RASP = Regional Atmospheric Soaring Prediction BLIPMAP TM = Boundary Layer Information Prediction MAP (c) H. Okamura 2012 with supplements 1 RASP BLIPMAP の開発者 Dr. John W. (Jack) Glendening
(ECMWF) (UKMO) ( 2013) Redmine Trac Redmine Redmine Subversion Git ,, 2013:. 59,, Subversion Git
2 2.1 1 2011 2 (ECMWF) (UKMO) ( 2013) 3 2012 Redmine 4 1 2 3 3 4 Trac Redmine Redmine Subversion Git 5 2014 3,, 2013:. 59,, 195 199. 5 Subversion Git 17 2.2 1 2.2.1 Trac 2 Redmine 3 Trac Redmine 2.2.2
FINAL PROGRAM 22th Annual Workshop SWoPP / / 2009 Sendai Summer United Workshops on Parallel, Distributed, and Cooperative Processing
FINAL PROGRAM 22th Annual Workshop SWoPP 2009 2009 / / 2009 Sendai Summer United Workshops on Parallel, Distributed, and Cooperative Processing 2009 8 4 ( ) 8 6 ( ) 981-0933 1-2-45 http://www.forestsendai.jp
iphone GPGPU GPU OpenCL Mac OS X Snow LeopardOpenCL iphone OpenCL OpenCL NVIDIA GPU CUDA GPU GPU GPU 15 GPU GPU CPU GPU iii OpenMP MPI CPU OpenCL CUDA OpenCL CPU OpenCL GPU NVIDIA Fermi GPU Fermi GPU GPU
WHITE PAPER RNN
WHITE PAPER RNN ii 1... 1 2 RNN?... 1 2.1 ARIMA... 1 2.2... 2 2.3 RNN Recurrent Neural Network... 3 3 RNN... 5 3.1 RNN... 6 3.2 RNN... 6 3.3 RNN... 7 4 SAS Viya RNN... 8 4.1... 9 4.2... 11 4.3... 15 5...
スーパーコンピュータ「京」を用いた防災・減災研究
Studies for Prevention and Mitigation of Natural Disasters Using the K computer 上原均 安藤和人 あらまし HPCI 3 3 Abstract Japan has often been hit by serious natural disasters. To prevent and mitigate disasters,
No < 本号の目次 > CAVOK 通信とは ( 発刊にあたってご挨拶 ) 1 業務紹介 ( 福岡航空地方気象台の業務概要 ) 2 悪天事例報告 ( 福岡空港のマイクロバーストアラート事例の報告 ) 用語集 3-6 CAVOK 通信とは 福岡航空地方気象台では 航空機
No.001 2019.06.01 < 本号の目次 > CAVOK 通信とは ( 発刊にあたってご挨拶 ) 1 業務紹介 ( 福岡航空地方気象台の業務概要 ) 2 悪天事例報告 ( 福岡空港のマイクロバーストアラート事例の報告 ) 用語集 3-6 CAVOK 通信とは 福岡航空地方気象台では 航空機の運航や飛行場の運営に関わる皆様との相互の理解を深めるために CAVOK 通信 (FUKUOKA Airport
Taro-40-11[15号p86-84]気候変動
![Taro-40-11[15号p86-84]気候変動](/thumbs/94/118499750.jpg "Taro-40-11[15号p86-84]気候変動")
資 料 鹿児島県における気候変動に関する考察 1 福田哲也仮屋園広幸肥後さより東小薗卓志四元聡美満留裕己 1 はじめに近年地球上では気候変動, とりわけ気温上昇が多くの地域で観測されている その現象は我が国においても例外ではなく, 具体的に取りまとめたレポートとして, 文部科学省 気象庁 環境省が, 日本における地球温暖化の影響について現在までの観測結果や将来予測を2013 年に, 日本の気候変動とその影響
熊本大学学術リポジトリ Kumamoto University Repositor Title GPGPU による高速演算について Author(s) 榎本, 昌一 Citation Issue date Type URL Presentation
熊本大学学術リポジトリ Kumamoto University Repositor Title GPGPU による高速演算について Author(s) 榎本, 昌一 Citation Issue date 2011-03-17 Type URL Presentation http://hdl.handle.net/2298/23539 Right GPGPU による高速演算について 榎本昌一 東京大学大学院工学系研究科システム創成学専攻
1 はじめに /m /m Ken-ichi. Tatsumi and Lingling Fan, An analysis of the Japanese solar hours for the past years ~ Foundamentals for solar photovoltaic sys
1 はじめに /m /m Ken-ichi. Tatsumi and Lingling Fan, An analysis of the Japanese solar hours for the past years ~ Foundamentals for solar photovoltaic system. -TEL DI-- Fax - - E-mail:Kenichi.Tatsumi gakushuin.ac.jp
スライド 1
GPU クラスタによる格子 QCD 計算 広大理尾崎裕介 石川健一 1.1 Introduction Graphic Processing Units 1 チップに数百個の演算器 多数の演算器による並列計算 ~TFLOPS ( 単精度 ) CPU 数十 GFLOPS バンド幅 ~100GB/s コストパフォーマンス ~$400 GPU の開発環境 NVIDIA CUDA http://www.nvidia.co.jp/object/cuda_home_new_jp.html
天気予報 防災情報への機械学習 の利 ( 概要 ) 2
AITC 成果発表会 2016.9.16 気象庁における機械学習の利 気象庁予報部数値予報課 アプリケーション班 高田伸一 1 天気予報 防災情報への機械学習 の利 ( 概要 ) 2 天気予報 防災気象情報の流れ 気象観測 数値予報 天気予報 / 防災情報 数値予報 スーパーコンピュータ 数値予報を使った応 処理 予報官 予報警報情報 作成 関係機関報道機関 間気象会社 国民 3 数値予報とは? 現実
FIT2013( 第 12 回情報科学技術フォーラム ) I-032 Acceleration of Adaptive Bilateral Filter base on Spatial Decomposition and Symmetry of Weights 1. Taiki Makishi Ch
I-032 Acceleration of Adaptive Bilateral Filter base on Spatial Decomposition and Symmetry of Weights 1. Taiki Makishi Chikatoshi Yamada Shuichi Ichikawa Gaussian Filter GF GF Bilateral Filter BF CG [1]
DO 時間積分 START 反変速度の計算 contravariant_velocity 移流項の計算 advection_adams_bashforth_2nd DO implicit loop( 陰解法 ) 速度勾配, 温度勾配の計算 gradient_cell_center_surface 速
1 1, 2 1, 2 3 2, 3 4 GP LES ASUCA LES NVIDIA CUDA LES 1. Graphics Processing Unit GP General-Purpose SIMT Single Instruction Multiple Threads 1 2 3 4 1),2) LES Large Eddy Simulation 3) ASUCA 4) LES LES
( CUDA CUDA CUDA CUDA ( NVIDIA CUDA I
GPGPU (II) GPGPU CUDA 1 GPGPU CUDA(CUDA Unified Device Architecture) CUDA NVIDIA GPU *1 C/C++ (nvcc) CUDA NVIDIA GPU GPU CUDA CUDA 1 CUDA CUDA 2 CUDA NVIDIA GPU PC Windows Linux MaxOSX CUDA GPU CUDA NVIDIA
HBase Phoenix API Mars GPU MapReduce GPU Hadoop Hadoop Hadoop MapReduce : (1) MapReduce (2)JobTracker 1 Hadoop CPU GPU Fig. 1 The overview of CPU-GPU
GPU MapReduce 1 1 1, 2, 3 MapReduce GPGPU GPU GPU MapReduce CPU GPU GPU CPU GPU CPU GPU Map K-Means CPU 2GPU CPU 1.02-1.93 Improving MapReduce Task Scheduling for CPU-GPU Heterogeneous Environments Koichi
GPUコンピューティング講習会パート１
GPU コンピューティング (CUDA) 講習会 GPU と GPU を用いた計算の概要 丸山直也 スケジュール 13:20-13:50 GPU を用いた計算の概要 担当丸山 13:50-14:30 GPU コンピューティングによる HPC アプリケーションの高速化の事例紹介 担当青木 14:30-14:40 休憩 14:40-17:00 CUDA プログラミングの基礎 担当丸山 TSUBAME の
平成14年度数値予報研修テキスト
14 10 October 2002 13 3 NAPS 1 NAPS 1 4 1 4 13 9 3 14 3 4 1 3 4 6 (GPV) GPV 15 NOAA 15 4 1 20023(MSM) 20004 ( 2002)4 4200247 MSM MSM200147 4 2001 RSM MSM (2001)(2002) 1.1.1 1 3 40km10mm5mm1mm 3 610mm2002
周期時系列の統計解析 (3) 移動平均とフーリエ変換 nino 2017 年 12 月 18 日 移動平均は, 周期時系列における特定の周期成分の消去や不規則変動 ( ノイズ ) の低減に汎用されている統計手法である. ここでは, 周期時系列をコサイン関数で近似し, その移動平均により周期成分の振幅
周期時系列の統計解析 3 移動平均とフーリエ変換 io 07 年 月 8 日 移動平均は, 周期時系列における特定の周期成分の消去や不規則変動 ノイズ の低減に汎用されている統計手法である. ここでは, 周期時系列をコサイン関数で近似し, その移動平均により周期成分のがどのように変化するのか等について検討する. また, 気温の実測値に移動平均を適用した結果についてフーリエ変換も併用して考察する. 単純移動平均の計算式移動平均には,
GPUコンピューティング講習会パート１
GPU コンピューティング (CUDA) 講習会 GPU と GPU を用いた計算の概要 丸山直也 スケジュール 13:20-13:50 GPU を用いた計算の概要 担当丸山 13:50-14:30 GPU コンピューティングによる HPC アプリケーションの高速化の事例紹介 担当青木 14:30-14:40 休憩 14:40-17:00 CUDA プログラミングの基礎 担当丸山 TSUBAME の
AMD/ATI Radeon HD 5870 GPU DEGIMA LINPACK HD 5870 GPU DEGIMA LINPACK GFlops/Watt GFlops/Watt Abstract GPU Computing has lately attracted
DEGIMA LINPACK Energy Performance for LINPACK Benchmark on DEGIMA 1 AMD/ATI Radeon HD 5870 GPU DEGIMA LINPACK HD 5870 GPU DEGIMA LINPACK 1.4698 GFlops/Watt 1.9658 GFlops/Watt Abstract GPU Computing has
付録B 統計的検証で利用される代表的な指標
付録 A 数値予報モデルおよびガイダンスの概要一覧表 1 平成 20 年 11 月現在 数値予報課が所掌する数値予報モデルとガイダンスの概要 及び プロダクトの送信時刻に関する情報を以下の A.1 から A.3 の表に示す A.1 数値予報モデル A.1.1 全球モデル (GSM) 解像度 予報初期時刻 予報時間水平解像度 TL959 2 ( 格子間隔約 20km:0.1875 度 ) 鉛直層数予報初期時刻予報時間境界値
EGunGPU
Super Computing in Accelerator simulations - Electron Gun simulation using GPGPU - K. Ohmi, KEK-Accel Accelerator Physics seminar 2009.11.19 Super computers in KEK HITACHI SR11000 POWER5 16 24GB 16 134GFlops,
弱コリオリ下でのハリケーンのアンサンブル予報実験 * 吉岡大秋 ( 京都大学大学院理学研究科 ) 榎本剛 ( 京都大学防災研究所 ) 1 はじめに一般に低緯度で台風は発生しない ( 台風強度まで発達しない ) とされている (Anthes, 1982; McBride, 1995) が 台風の発生お
Title 弱コリオリ下でのハリケーンのアンサンブル予報実験 Author(s) 吉岡, 大秋 ; 榎本, 剛 Citation 平成 28 年度 異常気象と長期変動 研究集会報告 (2017): 26-29 Issue Date 2017-03 URL http://hdl.handle.net/2433/224918 Right Type Research Paper Textversion author
