Microsoft Word - 0_0_表紙.doc

Size: px
Start display at page:

Download "Microsoft Word - 0_0_表紙.doc"

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

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.,

.. 9 (NAPS9) NAPS km, km, 3 km, 8 (GSM) 64 : / 64 : / 64 : / (UTC) (UTC) (, UTC) 3 : 3 / 3 : 3 / 3 : / (, 6, 8UTC) (, 6, 8UTC) (6, 8UTC) 4 km,

.. 9 (NAPS9) NAPS km, km, 3 km, 8 (GSM) 64 : / 64 : / 64 : / (UTC) (UTC) (, UTC) 3 : 3 / 3 : 3 / 3 : / (, 6, 8UTC) (, 6, 8UTC) (6, 8UTC) 4 km, . 8 6 99 Cray XC Cray SR6/M (NAPS) 3 3 4, 6, 8UTC 84 3 6 6 (LFM)..3 NAPS (7) XC 8 6 TOP (https://www.top.org), 6 3 (NAPS) 4 8 UTC 64 6 8 6. NAPS.. NAPS (7) (7).. NAPS 8 6 NAPS.. () () NAPS 8 6 6, 6, 8UTC

More information

予報時間を39時間に延長したMSMの初期時刻別統計検証

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

More information

SSI( hpa) CAPE 10 C 3 km SSI( hpa) 3 km 10 C 700 hpa 700 hpa hpa 500 hpa 850 hpa 10 C 5 km CAPE UTC

SSI( hpa) CAPE 10 C 3 km SSI( hpa) 3 km 10 C 700 hpa 700 hpa hpa 500 hpa 850 hpa 10 C 5 km CAPE UTC 4 4.1 1 4.1.1 GSM GSM PoT MSM MSM PoT 20 km 3 PoT 2 GSM PoT MSM PoT 2009 7 ( 2009) 3 2015 5 26 4.1.2 4.1.3 4.1.4 4.1.5 GSM PoT MSM PoT GSM PoT MSM PoT 4.1.2 (1) (2) (3) (2007) (2009) (1) 4.1.1 6 3 SSI

More information

1 OpenCL OpenCL 1 OpenCL GPU ( ) 1 OpenCL Compute Units Elements OpenCL OpenCL SPMD (Single-Program, Multiple-Data) SPMD OpenCL work-item work-group N

1 OpenCL OpenCL 1 OpenCL GPU ( ) 1 OpenCL Compute Units Elements OpenCL OpenCL SPMD (Single-Program, Multiple-Data) SPMD OpenCL work-item work-group N GPU 1 1 2 1, 3 2, 3 (Graphics Unit: GPU) GPU GPU GPU Evaluation of GPU Computing Based on An Automatic Program Generation Technology Makoto Sugawara, 1 Katsuto Sato, 1 Kazuhiko Komatsu, 2 Hiroyuki Takizawa

More information

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 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

More information

GPGPU

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

More information

untitled

untitled 2013/7/25 ICT 1 2011 2 3 4 1 11010% 樽 薩 HP 5 2011 2011 1 91421m 1959 1716 17300 2011/01/27 NATIONAL GEOGRAPHIC Daily News 6 2011/1/28 asahi.com 2011/1/28 asahi.com 8.0 km 2011/2/18 2011/2/7 7 2011/2/14

More information

An ensemble downscaling prediction experiment of summertime cool weather caused by Yamase

An ensemble downscaling prediction experiment of summertime cool weather caused by Yamase ヤマセによる冷夏をターゲットにした アンサンブルダウンスケール予報実験 東北大学 福井真 1. Introduction 1.1 ヤマセ 海洋性極気団を起源とした冷湿な北東風 => 水平規模 ~1000 kmの現象 (Kodama et al. 2009) 冷夏となり 農作物に大きな被害 ( 冷害 ) をもたらすことも => 重要な中期予報の対象 背が低く 複雑な地形の影響を大きく受ける ( 工藤

More information

07-二村幸孝・出口大輔.indd

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

More information

supercomputer2010.ppt

supercomputer2010.ppt nanri@cc.kyushu-u.ac.jp 1 !! : 11 12! : nanri@cc.kyushu-u.ac.jp! : Word 2 ! PC GPU) 1997 7 http://wiredvision.jp/news/200806/2008062322.html 3 !! (Cell, GPU )! 4 ! etc...! 5 !! etc. 6 !! 20km 40 km ) 340km

More information

1. Graphics Processing Units (GPU) General-Purpose GPU (GPGPU) GPU TSUBAME 2.0[1] GPU 515 GFlops 150 GB/s GPU [2], [3], [4], [5], [6], [7], [8] GPU NV

1. Graphics Processing Units (GPU) General-Purpose GPU (GPGPU) GPU TSUBAME 2.0[1] GPU 515 GFlops 150 GB/s GPU [2], [3], [4], [5], [6], [7], [8] GPU NV AMR GPU 1,a) 1,b) 1,c) 2011 11 4, 2011 12 1 Adaptive mesh refinement (AMR) GPU CPU GPU AMR GPU AMR GPU CPU GPU AMR AMR GPU C++ 3 GPU Framework for Block-type AMR method on GPU computing Shimokawabe Takashi

More information

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 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 (lijiang@sekine-lab.ei.tuat.ac.jp), (kazuki@sekine-lab.ei.tuat.ac.jp), (takahashi@sekine-lab.ei.tuat.ac.jp), (tamukoh@cc.tuat.ac.jp),

More information

GPU n Graphics Processing Unit CG CAD

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

More information

main.dvi

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 toyohiro@isc.kyutech.ac.jp 45 2 ( ) CPU ( ) ( ) () 2.1

More information

Microsoft PowerPoint - GPU_computing_2013_01.pptx

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

More information

HPC pdf

HPC pdf GPU 1 1 2 2 1 1024 3 GPUGraphics Unit1024 3 GPU GPU GPU GPU 1024 3 Tesla S1070-400 1 GPU 2.6 Accelerating Out-of-core Cone Beam Reconstruction Using GPU Yusuke Okitsu, 1 Fumihiko Ino, 1 Taketo Kishi, 2

More information

IPSJ SIG Technical Report Vol.2013-ARC-203 No /2/1 SMYLE OpenCL (NEDO) IT FPGA SMYLEref SMYLE OpenCL SMYLE OpenCL FPGA 1

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

More information

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 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)

More information

untitled

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 }

More information

GPUを用いたN体計算

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

More information

untitled

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 }

More information

(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

(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

More information

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

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

More information

経済論集 46‐2(よこ)(P)☆/2.三崎

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.

More information

実験 M10240L2000 については, 計算機資源節約のため, 実験 M10240L の 1 月 24 日 00 時の第一推定値を初期値とする 1 週間の実験を行った 4. 結果実験 M10240 L は,10240 メンバーによりサンプリング誤差を小さく抑えることに成功し, 局所化なしにもかか

実験 M10240L2000 については, 計算機資源節約のため, 実験 M10240L の 1 月 24 日 00 時の第一推定値を初期値とする 1 週間の実験を行った 4. 結果実験 M10240 L は,10240 メンバーによりサンプリング誤差を小さく抑えることに成功し, 局所化なしにもかか 10240 メンバーを用いたアンサンブルデータ同化実験 近藤圭一, 三好建正 ( 理研, 計算科学,JST CREST) 1. はじめにデータ同化は, 数値モデルと観測を高度に融合させることで, より精緻な初期値 解析値を得る手法であり, 数値予報モデルの予報精度に大きく影響を与える 大気の流れを考慮した高度なデータ同化手法にアンサンブルカルマンフィルタ (EnKF; Evensen 1994) があり,

More information

10D16.dvi

10D16.dvi D IEEJ Transactions on Industry Applications Vol.136 No.10 pp.686 691 DOI: 10.1541/ieejias.136.686 NW Accelerating Techniques for Sequence Alignment based on an Extended NW Algorithm Jin Okaze, Non-member,

More information

第3章 アプリケーション

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

More information

Microsoft PowerPoint _HARU_Keisoku_LETKF.ppt [互換モード]

Microsoft PowerPoint _HARU_Keisoku_LETKF.ppt [互換モード] を用いた大阪平野南部で 発達した雷雨の再現実験 ( のネストシステムを目指して ) 瀬古弘 露木義 斉藤和雄 ( 気象研究所 ) 黒田徹 ( 海洋研究開発機構 ) 藤田匡 ( 気象庁 ) 三好建正 ( メリーランド大 ) を用いたアンサンブル予報 観測やに誤差はつきもの大気の初期状態はある存在確率で把握する方が望ましい ( 特に局地豪雨は初期値に敏感で 決定論的な予報は困難 ) 単独予報値摂動予報値

More information

IPSJ SIG Technical Report Vol.2014-ARC-213 No.24 Vol.2014-HPC-147 No /12/10 GPU 1,a) 1,b) 1,c) 1,d) GPU GPU Structure Of Array Array Of

IPSJ SIG Technical Report Vol.2014-ARC-213 No.24 Vol.2014-HPC-147 No /12/10 GPU 1,a) 1,b) 1,c) 1,d) GPU GPU Structure Of Array Array Of GPU 1,a) 1,b) 1,c) 1,d) GPU 1 GPU Structure Of Array Array Of Structure 1. MPS(Moving Particle Semi-Implicit) [1] SPH(Smoothed Particle Hydrodynamics) [] DEM(Distinct Element Method)[] [] 1 Tokyo Institute

More information

1 1 3 i) ii) iii) *1 Very Short-Range Forecasting of Precipitation VSRF Radar-AMeDAS Precipitation RAP MSM MesoScale Spectral Model 200 2,000

1 1 3 i) ii) iii) *1 Very Short-Range Forecasting of Precipitation VSRF Radar-AMeDAS Precipitation RAP MSM MesoScale Spectral Model 200 2,000 1 1 3 i ii iii 1.1 1.1 *1 Very Short-Range Forecasting of Precipitation VSRF Radar-AMeDAS Precipitation RAP MSM MesoScale Spectral Model 2 2, km 1 km 2 2 km 1.1 VSRF MSM RSM 2.5km 1km 2km.5hr, 3 6hr 3AM/PM

More information

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 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

More information

Slides: TimeGraph: GPU Scheduling for Real-Time Multi-Tasking Environments

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];

More information

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 ( 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

More information

<4D F736F F D20322E325F8BF388E68E E9197BF81698DC58F498D65816A2E646F63>

<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

More information

2014 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 High Performance Computing Symposium 2014 HPCS /1/8 GPU GPU 1,a) 1,b) 1,c) GPU GPU GPU GPU C++ GPU CPU MPI

2014 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 High Performance Computing Symposium 2014 HPCS /1/8 GPU GPU 1,a) 1,b) 1,c) GPU GPU GPU GPU C++ GPU CPU MPI 2014 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 High Performance Computing Symposium 2014 1,a) 1,b) 1,c) C++ CPU MPI OpenMP C++ NVIDIA Tesla K20X 1.4 Rayleigh-Taylor A High-productivity Framework for Multi- computation

More information

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

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

More information

Microsoft Word - 2.4_メソ予報GSM境界事例_成田_PDF01).doc

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

More information

( Xi X )( A i A ) ACC ( Xi X ) 2 ( Ai A ) 2 X i = x i c i, A i = a i c i, X = 1 A = 1 ( 1 ACC 1) (D.2.6) X i A i (D.2.7) (D.2.8) x i a i c i D.2

( Xi X )( A i A ) ACC ( Xi X ) 2 ( Ai A ) 2 X i = x i c i, A i = a i c i, X = 1 A = 1 ( 1 ACC 1) (D.2.6) X i A i (D.2.7) (D.2.8) x i a i c i D.2 D D.1 D.1.1 (JST: Japan Standard Time) (UTC: Coordinated Universal Time) UTC JST UTC 9 D.1.2 xx yy TxxLyy 1 (2005) TLxxLyy 2 30 TL959 20 km TL479 40 km TL319 55 km TL159 110 km D.1.3 (FT: Forecast Time

More information

HP High Performance Computing(HPC)

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

More information

(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...

More information

JMA Numerical Analysis Systems

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

More information

第 1 章新しい数値予報モデル構成とプロダクト 1.1 モデル構成 1 数値予報課では 2006 年 3 月のスーパーコンピュータシステムの更新時に メソ数値予報モデルの解像度を水平格子間隔 10km から 5km に また 鉛直層数を 40 から 50 に向上させ また 週間アンサンブル予報モデル

第 1 章新しい数値予報モデル構成とプロダクト 1.1 モデル構成 1 数値予報課では 2006 年 3 月のスーパーコンピュータシステムの更新時に メソ数値予報モデルの解像度を水平格子間隔 10km から 5km に また 鉛直層数を 40 から 50 に向上させ また 週間アンサンブル予報モデル 第 章新しい数値予報モデル構成とプロダクト. モデル構成 数値予報課では 2006 年 3 月のスーパーコンピュータシステムの更新時に メソ数値予報モデルの解像度を水平格子間隔 0km から 5km に また 鉛直層数を 40 から 50 に向上させ また 週間アンサンブル予報モデルのメンバー数を 25 から 5 に増やした これに引き続き 2007 年中には表.. のモデル構成とすることを予定している

More information

! 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 ! 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

More information

講演の内容 概要部内試験運用中のメソアンサンブル予報システムの概要及び予測事例 検証結果を紹介するとともに今後の開発について紹介する 内容 1. メソアンサンブル予報システムの概要 2. アンサンブルメンバーの予測特性 3. 検証 4. まとめと今後の開発 参考文献 数値予報課報告 別冊第 62 号

講演の内容 概要部内試験運用中のメソアンサンブル予報システムの概要及び予測事例 検証結果を紹介するとともに今後の開発について紹介する 内容 1. メソアンサンブル予報システムの概要 2. アンサンブルメンバーの予測特性 3. 検証 4. まとめと今後の開発 参考文献 数値予報課報告 別冊第 62 号 気象庁メソアンサンブル予報システムの開発 気象庁数値予報課小野耕介 第 9 回気象庁数値モデル研究会第 45 回メソ気象研究会第 2 回観測システム 予測可能性研究連絡会日時 :2016.5.17 場所 : 気象庁講堂 講演の内容 概要部内試験運用中のメソアンサンブル予報システムの概要及び予測事例 検証結果を紹介するとともに今後の開発について紹介する 内容 1. メソアンサンブル予報システムの概要

More information

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

More information

Microsoft Word - 修正資料の解説_ _.doc

Microsoft Word - 修正資料の解説_ _.doc 平成 23 年 4 月 12 日気象庁 気象庁防災情報 XML フォーマット観測関連資料の修正について 解説資料の修正及びサンプルデータの追加 特殊気象報( 季節観測 各種現象 風 気圧 )XML の解説資料について 特殊気象報 ( 風 ) が欠測となった場合の記述が不足しておりましたので 以下の資料を更新いたしました 解説資料の修正 ( 追記内容の見え消し版 ) 別紙 1 解説資料整理表の修正 サンプルデータ整理表の修正

More information

01_教職員.indd

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.

More information

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

More information

Microsoft PowerPoint - hayashi_ _up.ppt

Microsoft PowerPoint - hayashi_ _up.ppt 1 / 17 20km-NHM と WRF-ARW による熱帯域および日本域の短期予報の統計的精度検証とその比較 気象研究所予報研究部林修吾 2 / 17 目次 0. はじめに 1. 目的 2. モデルの紹介と実験の設定 3. 結果 I: 顕著事例での再現性確認 4. 結果 II: 統計的精度検証 5. まとめ 3 / 17 0. はじめに 本研究の目的は, 昨年度から始まった科振費 東南アジア地域の気象災害軽減国際共同研究

More information

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

More information

Microsoft PowerPoint 集い横田.ppt [互換モード]

Microsoft PowerPoint 集い横田.ppt [互換モード] 波浪推算モデルによる海面抵抗係数の推定に関する研究 九州大学大学院工学研究院助教新キャンパス計画推進室勤務横田雅紀 第 世代波浪推算モデル (WAM) 波浪推算 : 風情報を入力値として波高を予測 有義波法 : 風速, 吹送時間, 吹送距離と波高 周期の関係 スペクトル法 : 時空間的に変化する風場での方向別周波数別成分波 エネルギー平衡方程式 E( f t, θ ) + Cg E( f, θ )

More information

再生可能エネルギーとは 国際エネルギー機関 (IEA) 再生可能エネルギーは 絶えず補充される自然のプロセス由来のエネルギーであり 太陽 風力 バイオマス 地熱 水力 海洋資源から生成されるエネルギー 再生可能起源の水素が含まれる と規定されています エネルギー供給事業者による非化石エネルギー源の利

再生可能エネルギーとは 国際エネルギー機関 (IEA) 再生可能エネルギーは 絶えず補充される自然のプロセス由来のエネルギーであり 太陽 風力 バイオマス 地熱 水力 海洋資源から生成されるエネルギー 再生可能起源の水素が含まれる と規定されています エネルギー供給事業者による非化石エネルギー源の利 第 15 回環境研究シンポジウム 一橋大学一橋講堂 ( 学術総合センター内 ) 再生可能エネルギー分野での気象予測の重要性 気象研究所 山田芳則 気象研究所予報研究部 2017 年 11 月 22 日 再生可能エネルギーとは 国際エネルギー機関 (IEA) 再生可能エネルギーは 絶えず補充される自然のプロセス由来のエネルギーであり 太陽 風力 バイオマス 地熱 水力 海洋資源から生成されるエネルギー

More information

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

More information

Microsoft PowerPoint _H30_ALISお知らせ【Java】++

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

More information

Shonan Institute of Technology MEMOIRS OF SHONAN INSTITUTE OF TECHNOLOGY Vol. 41, No. 1, 2007 Ships1 * ** ** ** Development of a Small-Mid Range Paral

Shonan Institute of Technology MEMOIRS OF SHONAN INSTITUTE OF TECHNOLOGY Vol. 41, No. 1, 2007 Ships1 * ** ** ** Development of a Small-Mid Range Paral MEMOIRS OF SHONAN INSTITUTE OF TECHNOLOGY Vol. 41, No. 1, 2007 Ships1 * ** ** ** Development of a Small-Mid Range Parallel Computer Ships1 Makoto OYA*, Hiroto MATSUBARA**, Kazuyoshi SAKURAI** and Yu KATO**

More information

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

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

More information

RASP BLIPMAP

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

More information

D D.1 D.1.1 (JST: Japan Standard Time) (UTC: Coordinated Universal Time) UTC JST UTC 9 D.1.2 xx yy TxxLyy 1 ( 2005) TLxxLyy 2 30 TL km TL

D D.1 D.1.1 (JST: Japan Standard Time) (UTC: Coordinated Universal Time) UTC JST UTC 9 D.1.2 xx yy TxxLyy 1 ( 2005) TLxxLyy 2 30 TL km TL D D.1 D.1.1 (JST: Japa Stadard Time) (UTC: Coordiated Uiversal Time) UTC JST UTC 9 D.1. xx yy TxxLyy 1 ( 005) TLxxLyy 30 TL959 0 km TL479 40 km TL319 55 km TL159 110 km D.1.3 (FT: Forecast Time 3 ) = 6

More information

(ECMWF) (UKMO) ( 2013) Redmine Trac Redmine Redmine Subversion Git ,, 2013:. 59,, Subversion Git

(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

More information

FINAL PROGRAM 22th Annual Workshop SWoPP / / 2009 Sendai Summer United Workshops on Parallel, Distributed, and Cooperative Processing

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

More information

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

More information

背景 ヤマセと海洋の関係 図 1: 親潮の流れ ( 気象庁 HP より ) 図 2:02 年 7 月上旬の深さ 100m の水温図 ( )( 気象庁 HP より ) 黒潮続流域 親潮の貫入 ヤマセは混合域の影響を強く受ける現象 ヤマセの気温や鉛直構造に沿岸の海面水温 (SST) や親潮フロントの影響

背景 ヤマセと海洋の関係 図 1: 親潮の流れ ( 気象庁 HP より ) 図 2:02 年 7 月上旬の深さ 100m の水温図 ( )( 気象庁 HP より ) 黒潮続流域 親潮の貫入 ヤマセは混合域の影響を強く受ける現象 ヤマセの気温や鉛直構造に沿岸の海面水温 (SST) や親潮フロントの影響 大気再解析データで表現されるヤマセ - モデルによる SST の違いと解析された気温への影響 - 弘前大学大学院理工学専攻佐々木実紀 背景 ヤマセと海洋の関係 図 1: 親潮の流れ ( 気象庁 HP より ) 図 2:02 年 7 月上旬の深さ 100m の水温図 ( )( 気象庁 HP より ) 黒潮続流域 親潮の貫入 ヤマセは混合域の影響を強く受ける現象 ヤマセの気温や鉛直構造に沿岸の海面水温

More information

WHITE PAPER RNN

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...

More information

スーパーコンピュータ「京」を用いた防災・減災研究

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,

More information

Microsoft Word - Quadro Mシリーズ_テクニカルガイド_R1-2.doc

Microsoft Word - Quadro Mシリーズ_テクニカルガイド_R1-2.doc (2016/01/28) グラフィックス アクセラレータ Quadro M シリーズ - 1 - 1. 機能仕様 Quadro M5000/M4000 型名 N8005-FS61/122 N8005- FS60/121 製品名 Quadro M5000 Quadro M4000 GPU NVIDIA Quadro M5000 NVIDIA Quadro M4000 メモリ 8GB 256bit GDDR5

More information

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 < 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

More information

Taro-40-11[15号p86-84]気候変動

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

More information

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 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

More information

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 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

More information

スライド 1

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

More information

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

More information

FINAL PROGRAM 25th Annual Workshop SWoPP / / 2012 Tottori Summer United Workshops on Parallel, Distributed, and Cooperative Processing 2012

FINAL PROGRAM 25th Annual Workshop SWoPP / / 2012 Tottori Summer United Workshops on Parallel, Distributed, and Cooperative Processing 2012 FINAL PROGRAM 25th Annual Workshop SWoPP 2012 2012 / / 2012 Tottori Summer United Workshops on Parallel, Distributed, and Cooperative Processing 2012 8 1 ( ) 8 3 ( ) 680-0017 101-5 http://www.torikenmin.jp/kenbun/

More information

4

4 第 4 章トピックス 4.1 Metop-A 衛星搭載のサウンダ利用 1 4.1.1 Metop-A について Metop-A は欧州初の現業極軌道気象衛星である 欧州気象衛星開発機構 (EUMETSAT) によって 2006 年 10 月 19 日に打ち上げられ 2007 年 5 月 15 日に正式運用が開始された Metop-A には 従来数値予報に貢献してきた極軌道衛星 NOAA と同様に ATOVS

More information

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

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]

More information

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

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

More information

< F836F A815B934B8D87955C E706466>

< F836F A815B934B8D87955C E706466> 92897 92893 10,000 92894 10,600 92895 11,300 92896 11,900 92897 11,900 92898 15,200 2 92888 92873 4,200 92874 4,200 92875 7,000 92876 7,000 92877 7,000 92878 8,800 92879 8,800 92880 13,300 92881 8,800

More information

GPU Computing on Business

GPU Computing on Business GPU Computing on Business 2010 Numerical Technologies Incorporated http://www.numtech.com/ 1 2 3 4 5 6 7 8 9 GPU Computing $$$ Revenue Total Cost low BEP Quantity 10 11 12 13 14 15 GPU Computing $$$ Revenue

More information

( CUDA CUDA CUDA CUDA ( NVIDIA CUDA I

(    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

More information

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

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

More information

IPSJ SIG Technical Report Vol.2012-ARC-202 No.13 Vol.2012-HPC-137 No /12/13 Tightly Coupled Accelerators 1,a) 1,b) 1,c) 1,d) GPU HA-PACS

IPSJ SIG Technical Report Vol.2012-ARC-202 No.13 Vol.2012-HPC-137 No /12/13 Tightly Coupled Accelerators 1,a) 1,b) 1,c) 1,d) GPU HA-PACS Tightly Coupled Accelerators 1,a) 1,b) 1,c) 1,d) HA-PACS 2012 2 HA-PACS TCA (Tightly Coupled Accelerators) TCA PEACH2 1. (Graphics Processing Unit) HPC GP(General Purpose ) TOP500 [1] CPU PCI Express (PCIe)

More information

気象庁 札幌管区気象台 資料 -6 Sapporo Regional Headquarters Japan Meteorological Agency 平成 29 年度防災気象情報の改善 5 日先までの 警報級の可能性 について 危険度を色分けした時系列で分かりやすく提供 大雨警報 ( 浸水害 )

気象庁 札幌管区気象台 資料 -6 Sapporo Regional Headquarters Japan Meteorological Agency 平成 29 年度防災気象情報の改善 5 日先までの 警報級の可能性 について 危険度を色分けした時系列で分かりやすく提供 大雨警報 ( 浸水害 ) 気象庁 札幌管区気象台 資料 -6 平成 29 年度防災気象情報の改善 5 日先までの 警報級の可能性 について 危険度を色分けした時系列で分かりやすく提供 大雨警報 ( 浸水害 ) を改善するための表面雨量指数の導入及び大雨警報 ( 浸水害 ) の危険度分布の提供 洪水警報を改善するための流域雨量指数の精緻化及び洪水警報の危険度分布の提供 メッシュ情報 ( 危険度分布 ) の技術を活用した大雨特別警報の発表対象区域の改善

More information

卒業論文

卒業論文 PC OpenMP SCore PC OpenMP PC PC PC Myrinet PC PC 1 OpenMP 2 1 3 3 PC 8 OpenMP 11 15 15 16 16 18 19 19 19 20 20 21 21 23 26 29 30 31 32 33 4 5 6 7 SCore 9 PC 10 OpenMP 14 16 17 10 17 11 19 12 19 13 20 1421

More information

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

More information

untitled

untitled AMD HPC GP-GPU Opteron HPC 2 1 AMD Opteron 85 FLOPS 10,480 TOP500 16 T2K 95 FLOPS 10,800 140 FLOPS 15,200 61 FLOPS 7,200 3 Barcelona 4 2 AMD Opteron CPU!! ( ) L1 5 2003 2004 2005 2006 2007 2008 2009 2010

More information

平成14年度数値予報研修テキスト

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

More information

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 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,

More information

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

More information

AMD/ATI Radeon HD 5870 GPU DEGIMA LINPACK HD 5870 GPU DEGIMA LINPACK GFlops/Watt GFlops/Watt Abstract GPU Computing has lately attracted

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

More information

IEEE HDD RAID MPI MPU/CPU GPGPU GPU cm I m cm /g I I n/ cm 2 s X n/ cm s cm g/cm

IEEE HDD RAID MPI MPU/CPU GPGPU GPU cm I m cm /g I I n/ cm 2 s X n/ cm s cm g/cm Neutron Visual Sensing Techniques Making Good Use of Computer Science J-PARC CT CT-PET TB IEEE HDD RAID MPI MPU/CPU GPGPU GPU cm I m cm /g I I n/ cm 2 s X n/ cm s cm g/cm cm cm barn cm thn/ cm s n/ cm

More information

付録B 統計的検証で利用される代表的な指標

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

More information

EGunGPU

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,

More information

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

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

More information

研究報告用MS-Wordテンプレートファイル

研究報告用MS-Wordテンプレートファイル マルチコアおよび GPGPU 環境における画像処理最適化 矢野勝久 高山征大 境隆二出宮健彦 スケーラを題材として, マルチコアおよび GPGPU 各々の HW 特性に適した画像処理の最適化を図る. マルチコア環境では, 数値演算処理の削減,SIMD 化など直列性能の最適化を行った後,OpenMP を利用して並列化を図る.GPGPU(CUDA) では, スレッド並列を優先して並列処理の設計を行いブロックサイズを決める.

More information

スライド 1

スライド 1 気象庁全球モデルの開発と 評価検証の取り組み 金浜貴史 気象庁予報部数値予報課 tkanehama@met.kishou.go.jp 2012.12.12 地球流体データ解析 数値計算ワークショップ @ 名古屋大学 1 はじめに 気象庁における全球モデル 全球モデルの開発 開発環境 直近の技術的課題 評価 検証の取り組み まとめ 2 はじめに 3 気象庁全球モデルの特徴 現業数値予報モデル 基盤モデルの一つ

More information

WTENK1-3_62242.pdf

WTENK1-3_62242.pdf 6 青森県津軽平野で行われた冬季季節風とヤマセの高層気象観測 および気象庁非静力学モデルを用いたダウンスケール再現実験 の通り道となっている 二部 1989 陸奥湾周辺で 図 我々が高層観測を行った地点 藤崎 弘前大学藤 は 年間を通して風が強いことを利用した風力発電が 崎農場 金木 弘前大学金木農場 および参照とし 盛んであり 青森県内の 風力発電量は北海道と全国 て用いた高層観測点 三沢 の位置も示されている

More information