Russian version
Login:
Password:
Decision Support Systems. Theory and Practice (DSS 2009)

All 6 messages.
Participator
of the conference:
Гузий Александр Михайлович, e-mail:guziy.sasha[at]gmail.com
Authors: О.М. Гузій, І.В. Ковалець, А.А. Кущан, М.Й. Железняк
Title of
report:
ВИКОРИСТАННЯ ЗАСОБІВ ПАРАЛЕЛЬНИХ ОБЧИСЛЕНЬ ДЛЯ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ СИСТЕМ ПРОГНОЗУВАННЯ ПОГОДИ ММ5- ТА ВРФ-УКРАЇНА

Ян Крохін, КПІ-53640
  Олександр Михайлович!
  Для підвищення ефективності систем прогнозування погоди проводиться робота з
  розпаралелювання оперативних систем. Хіба не простіше – на основі системи «око – мозок» (обговорення доповіді В.Г.Калмикова) з використанням нового вимірювання – вимірювання стану? Ще нікому не поталанило отримати точний прогноз на основі сукупності параметрів. Як уявляється, задача вирішується динамічною (зокрема – прогнозуючою) системою «око – мозок» з прогнозом по стану. Стан – ДОБУТОК значень параметрів з можливістю відновлення кожного співмножника. Інерційність динаміки стану об’єкту спрощує параметричний прогноз і мабуть не потребує розпаралелювання оперативних систем. Хіба що комусь потрібно це «хоч гірше, аби інше». А погода потрібна всім.
   З повагою, Крохін
  
Гузий Александр, ИПММС, Киев, Украина641
  Уважаемый Ян Александрович, как соавтор доклада отвечу Вам: "не простіше". Различные технологии распознования образов давно используются в метеорологическом прогнозировании, см. в т.ч. и нашу работу в журнале Мат. Машин и Систем No 4, 2008 г. Но, как показывает обширная практика прогнозирования, они совершенно не в состоянии заменить гидродинамические модели в краткосрочных (1-7 суток) и среднесрочных (7-15 суток) прогнозах погоды, а могут использоваться только как надстройки к гидродинамическим моделям, например, для уточнения прогноза в какой-либо точке (см., например, обсуждение в книге Stensrud, Cambridge University Press, 2007). Наша модель прогнозирует не только погоду, как средние значения метоэлемента по некой обширной территории, а распределенные в пространстве и времени поля метеорологических элементов. При этом размер вектора состояния модели имеет порядок 10**6-10**7, порядок пространственного шага модели от ~10 до ~1 км.
  Это (именно детализация прогноза) имеет большое практическое значение при прогнозировании таких явлений, как атмосферный перенос загрязнений (см. мою статью на этом же сайте), прогнозирование паводков, прогнозы для авиации. Даже в прогнозах для рядового потребителя (на веб сайте МЕТЕОПРОГ) преимущества детализации прогноза проявляются в том, что мы даем осадки 4 раза в сутки, в отличие от, например, Гидрометцентра, дающего осадки только средние за сутки осадки. Добиться подобной детализации прогнозов с помощью только технологий распознавания образов кроме других причин, невозможно еще и потому, что нигде в мире нет сети измерений, адекватной нашей детализации. Гидродинамические модели проверяются и калибруются на ограниченных наборах экспериментальных данных, и затем успехом применяются в ситуациях, порой очень отличных от тех, на которых калибровались.
  В противоположность краткосрочным и среднесрочным прогнозам, в долгосрочных прогнозах погоды (например, на 3 месяца), в которых детализация гораздо более грубая (прогнозируются по большим территориям (~10**6 км**2) и большим временным интервалам ~неделя), технологии распознования образов более- менее успешно используются даже без привлечения гидродинамических моделей.
  
Ян Крохин, КПИ-53686
  Александр Михайлович!
  Предпоследний доклад называется «Кибердатика, диагностика и размер бедствия – метрология». Бедствие – не гипербола. Его может оценить каждый.
  Вероятно, Вы приняли кибердатику за кибернетику. Вторая описывает многочисленные системы типа (например) «глаз - растущие пирамидальные сети», полностью метрологические, как и Ваша. Первая – «глаз – мозг» - пока единственный инструмент исследования многомерности.
  Система «глаз – мозг» преобразует множество исходных одномерных параметров (от трех до миллионов или более – скольких угодно) в один – многомерное состояние. В нем сохраняются свойства каждого параметра. Т.е. состояние – ПРОИЗВЕДЕНИЕ значений параметров с возможностью восстановления каждого сомножителя. Динамическая (прогнозирующая) система получается из статической системы экстраполяцией значения состояния. Экстраполяция – нахождение значения отсчета по m предыдущим.
  Т.о. прогноз поведения сверхсложного объекта – это простая экстраполяция значения его состояния. Не нужно безнадежно продираться через метрологическое проклятие размерности: вся измерительная информация почему-то (?) содержится в параметрах многомерности. Например, прогноз нескольких параметров из множества параметров будет ТОЧНЫМ прогнозом погоды, при любой взаимозависимости между ними. Конечно, «точным» – если не пытаться прогнозировать осадки Нью-Йорка по метеоданным Токио.
  По сути, этот вопрос – приглашение к исследованию многомерного пространства. Благодаря псевдоодномерности распределения состояния многомерность можно «попробовать на зуб».
  То «Хіба не простіше»? Неужели проще распараллеливание на 8 процессоров, из которых УСЬОГО СІМ З ГАКОМ ЗАЙВІ?
  С уважением, Крохин
  
Гузий Александр, ИПММС, Киев, Украина687
  Т. е. Вы предлагаете прогнозировать эволюцию состояния, а потом каким-то образом из него извлекать распределения?
  В принципе если это реализуемо то ок. Но зачем же Вам тогда нужны метеоданные Нью йорка, для прогноза метеоданных в Нью Йорке, в качестве начальных условий? Системам про которые я писал не нужны метеоданные именно в нью йорке, нужны просто начальные данные и граничные, которые не обязаны попадать в Нью Йорк.
  Это интересный вопрос, а с каких предположений Вы хотите получить эволюцию состояния? Все-таки потом с состояния надо получить то что нужно людям, как Вы это предлагаете делать?
  
  
Иван Ковалец, ИПММС706
  Уважаемый Ян Крохин, данные измерений достать сегодня не проблема. Хотите создать альтернативный метод прогноза? Пожалуйста, создайте и тогда посоревнуемся.
  Могу лишь повторить первое сообщение - методы распознавания образов в метеорологии применялись еще до начала 20-го века, когда науки кибернетики не было. Был такой, метод аналогий, прогнозисты смотрели прошлые карты погоды и находили наиболее соответствующие текущей. Затем по аналогии строили прогноз. Затем в метеорологии применялся весь спектр существующих методов распознавания, экстраполяции и тд. Никому еще заменить краткосрочный прогноз с помощью таких методов не удалось, удавалось лишь улучшить. Твердо уверен в том, что и не удастся.
  Кроме того, в науке действует принцип презумпции виновности. Вы предлагаете что-то новое? Очень хорошо, Ваша правота априори берется под сомнение, и Вы должны доказать, Вашу правоту фактами, а не мы должны доказывать, что наша проверенная технология лучше Вашей непроверенной идеи. Вы утверждаете, что тот же уровень оправдываемости (в смыфсле ошибок прогноза) можно достичь без использования гидродинамических моделей? Это новое утверждение, никто в мире этого еще не показал. Большое спасибо за заданный вопрос, и в рамках разумного обсуждения мы ответили на него исчерпывающе. Если хотите доказывать дальше, будьте добры, посчитайте и покажите, что Ваш прогноз без гидродинамической модели не хуже нашего. Иначе дальнейшее обсуждение смысла не имеет.
Ян Крохин , КПИ-53784
  Александр Михайлович!
  Ответ – на сайте krokhin.in.ua
  С уважением, Крохин
  
© ATS Ukraine 2005