摘要：介绍新一代中尺度预报模式(WRF)的基本概况以及编译运行WRF时需要重点关注的几个问题;描述配置WRF性能测试的数值实验的方法,通过这组数值实验,借助Intel VTune以及PAPI性能测试工具,重点研究如何在高性能计算机上对WRF进行合理的处理器划分配置以及OpenMP线程配置,比较不同配置的并行效率,得到最优的配置方案;测试WRF的强扩展性、弱扩展性以及浮点计算效率。基于以上工作,对WRF在集群系统上的高效使用予以总结与建议。

摘要：CAS-ESM是中国科学院大气物理所开发的地球系统模式,是全球气候变化研究的重要工具,也是高性能计算在地球系统科学领域的重要应用。为了方便其他用户在"元"超级计算机上开展更高效的模拟实验,探究CAS-ESM在类似于"元"的体系结构计算机上的应用前景,分别设计并进行了大气分量模式AGCM和海洋分量模式LICOM分量模式最优处理器划分实验,保证耦合实验结果准确可靠。结果显示,AGCM在"元"上使用4*4、8*4、16*4、16*8、32*8、32*16的处理器划分能得到最佳的计算效率,LICOM在"元"上使用3*5、3*10、5*12、12*10、20*12、60*8的处理器划分,能在"元"上得到最佳的计算效率。最后设计并进行了耦合模拟实验,分析了CAS-ESM耦合模式的并行效率和浮点性能。

摘要：El Nino-Southern Oscillation(ENSO)作为全球年际尺度气候中最强的现象,对人们的生产生活造成了重大的影响,每年相关领域的研究人员都会对来年的ENSO作出预报。本文提出基于深度学习的ENSO预报方法,通过预测区域海平面温度(SST)来反映ENSO现象。本文分别对特征工程与模型设计两个方面进行了研究,最终确定了基于相关性的特征选择方法、利用Prophet构建特征以及基于Attention机制的Sequence to Sequence预报模型。最后,本文以NCEP数据集的Nino3.4区域数据为例,分别使用本文提出的模型与集合预报、数值预报的中间耦合模型(ICM)、Sequence to Sequence模型和长短时记忆(LSTM)网络进行对比,结果表明,本文提出的基于Attention机制的Sequenceto Sequence预报模型在长期预测中的均方根误差(RMSE)比其他方法下降了0.3到0.4,短期预测与其他方法相当,并且区域的RMSE分布稳定。

摘要：本文通过实验,从设计的四种深度学习网络模型中挑选出一种可以用来预测区域海平面温度异常(SSTA)的模型——序列到序列(Seq2Seq)模型,并确定了适合于此模型的一组最优的超参数(编码器使用正序输入、不使用L2正则化和使用Adam优化器)和输入变量个数。与传统的动力学ENSO预报模型相比,该模型在中长期(提前7个月以上)预测上的均方根误差(RMSE)表现要更好。在实际的SSTA(Ni?o3.4指数)预测实验中,该模型可以较好地预测出SSTA变化趋势,但在峰值处表现较差。与其他动力学和统计模型相比,该模型有较好的预测结果。因此,考虑其在中长期优于动力学模型的表现以及整体较好的预测结果,该模型可以作为一种ENSO预报以及区域SSTA预测的深度学习模型。