基于MPI的LAGFD-WAM海浪数值模式并行算法研究

在LAGFD-WAM海浪串行数值模式基础上,利用MPI信息传递机制实现其并行化。通过对模拟区域合理划分,对数据采取分块加载,实现了各个节点的负载平衡;通过对算法的改进实现了粗粒度计算,大幅度减少了通信量,从而提高了程序的执行效率。对串行计算和并行计算的效率比较表明,本文建立的方法能够得到较高的加速比。对全球海浪模式,加速比和CPU数目大致呈线性关系。对高分辨率的区域海浪模式,在128 CPU条件下加速比可以达到91.9。     

超级计算机上矩阵乘的并行计算与实现

数值预报系统中经常要用到矩阵乘运算。在分布式超级计算机 (如IBM-SP) 上, 矩阵乘的并行计算需要较多的数据移动, 有效的数据传输对矩阵乘的实现至关重要。该文讨论了两种矩阵乘的并行算法, 一种是基于矩阵的列-行划分方式, 一种是基于矩阵的网格划分方式。在IBM-SP计算机上的实验结果表明, 网格划分的矩阵乘并行算法通讯开销更小, 并行效率更高, 其并行加速比较列-行并行算法改善约10 %。     

一种在异构系统中实现负载平衡的方法

提出了在异构系统实现负载平衡的区域分解算法和实现负载平衡的计算方法，利用它的负反馈性质解决了异构系统处理机计算速度测量误差造成的负载测量不准问题，并对处理机速度变化，速度测量误差、处理机数量、网格点计算量的分布等因素的影响进行了计算，结果表明本方法具有很强的平衡负载能力和较强的适应性；根据计算结果提出了解决模式网格点计算量不易测量问题的解决方案，并用扩散方程和模拟物理过程进行试验，试验表明这种方法是可行的，平衡负载的效果十分显著。     

基于GPU的GeoEye-1影像正射纠正

在介绍和分析GPU并行编程方法的基础上,给出了在GPU上进行Geo Eye-1影像正射纠正的算法过程。利用NVIDIA Quadro 600显卡对31 985像素×15 251像素的3波段Geo Eye-1影像进行正射纠正,其总体速度比没有加速的算法提升40%以上。试验结果表明,采用GPU并行处理技术可以提升遥感影像处理效率。     

OpenMP并行计算在全球电离层反演中的应用

对全球电离层反演数据处理中的计算密集型任务进行分析,针对数据预处理、组建法方程矩阵、参数预消除和法方程矩阵求逆等主要模块设计了基于OpenMP（Open Multi-Processing）的并行计算方案。该实验方案在单台服务器下实施,通过算例验证了本文并行计算方案的有效性和可靠性。实验结果表明:采用并行计算后,全球电离层快速解执行时间只需要10~13 min,计算速度加快了约6倍;最终解执行时间只需要39~47 min,计算速度加快了约5倍。本文全球电离层模型精度约为2.8~3.8 TECU,最终解模型精度相比快速解精度提高了约0.2 TECU,与IGS各个分析中心电离层产品精度基本相当。     

共享内存环境下的分块最小不连续相位解缠算法

提出了一种共享内存环境下的分块最小不连续相位解缠方法。首先,利用多核协同计算整块相位质量图;然后,将干涉图和相位质量图分割为规则小块,采用质量引导与最小不连续相合成的方法同时对子块干涉图进行相位解缠;最后,主线程在不同解缠相位块以及位于边界的低质量区域上再次进行最小不连续优化,获取最终合并后的解缠结果。仿真和真实干涉相位图的分块解缠实验结果表明,所提算法在保持解缠精度的同时,加速比分别达到3.98和2.26。     

基于R树的分布式并行空间索引机制研究

为提高分布式并行计算环境下海量空间数据管理与并行化处理的效率,基于并行空间索引机制的研究,设计一种多层并行R树空间索引结构。该索引结构以高效率的并行空间数据划分策略为基础,以经典的并行计算方法论为依据,使其结构设计在保证能够获得较好的负载平衡性能的前提下,更适合于海量空间数据的并行化处理。以空间范围查询并行处理的系统响应时间为性能评估指标,通过实验证明并行空间索引结构具有设计合理、性能高效的特点。     

叠前正演模拟与偏移的网络并行计算

在叠前深度偏移和非零炮检距声波方程正演计算过程中包含了大量的可并行计算的成分。作者在本文中提出叠前正演模拟与偏移的网络并行计算算法，并基于TCP／IP协议，将该算法设计成网络并行处理程序，极大地提高了计算效率。实际运算结果证明，本文提出的并行算法和技术路线是切实可行的。     

区域暴雨增强数值预报业务系统及其预报效果分析

该文介绍了区域暴雨增强数值预业务系统的设计思想，主体结构及主要的关键技术，并总结了该系统业务试验的情况和效果。该系统以ＹＨ模式为基础，对其从坐标系、水平和垂直分辨率及物理过程等方面进行了改进，并结合实时资料处理系统，图形处理等形成了一个比较完整的数值预报业务体系。     

Python在短临气象预报检验中的应用

基于机器学习方法的短临多气象要素预报系统(Weather Elements Nowcasting based on machine learning,简称WEN)具有高发布频次、高时间分辨率、基于候和时辰的复杂预报模型等特点。应用多维标签数组、机器学习工具、并行计算框架等Python库,以快速计算为目标,建立以预报模型覆盖时间范围为统计检验时间边界的检验子系统,客观给出预报性能,为模型调优效果评估、产品业务化运行提供依据。