分布式水文模型的GPU并行化及快速模拟技术

分布式水文模型对流域水文过程的应用深度及广度不断加深,常与数值天气及气候预报相结合,面临巨大的计算量。近年来GPU技术的进步使普通电脑能够实现高效而又廉价的并行计算。提出了资料插值、单元产流以及单元汇流采用GPU并行计算,马斯京根法河道汇流采用一种非并行的递归方法。基于笔记本电脑和NVIDIA GPU/CUDA结合C#语言,由分布式新安江模型在沂河流域的模拟应用表明,降水量空间插值及新安江产流的并行执行效率为普通CPU上C#的8～9倍。使用直接递归法实现马斯京根汇流演算比以往采用汇流次序表的执行效率提升0.5～0.9倍。

基于广义线性模型和NCEP资料的降水随机发生器

天气发生器可以用来插补历史缺测气象数据或生成未来天气情境,近年来被普遍应用于对气象变量的降尺度研究,为陆面的水文、生态模拟提供外强迫输入。广义线性模型(GLM)是近年来用于建立大尺度气象变量与地面气象因子之间的一种有效方法,基于GLM的天气发生器具有一定的应用前景。本文以NCEP再分析资料中的单格点气温、500hPa位势高度、位温、相对湿度、海平面气压等5个变量作为影响降水变化的大尺度因子建立模拟逐日降水量的广义线性模型。模型中对降水概率的描述采用Logistic模型模拟,而对降水量则分别试用Gamma分布、指数分布、正态分布和对数正态分布来模拟,试图比较和揭示这些基于不同理论分布的模型的能力。模型中待定参数的估计及对研究区逐日降水量的模拟采用了完全相同的实测逐日降水数据和同期NCEP再分析资料。参数的最大似然估计用遗传算法来实现,对山东省临沂地区10个主要气象观测站降水资料的研究表明,Gamma分布模型的拟合效果最好,对数正态分布次之,指数分布再次,正态分布最差;参数估计分月获取的拟合效果略好于不分月的。模型逐日降水模拟表明,对降水发生概率的模拟会低估各月的多年平均值,基于指数分布的GLM会低估各月总降水量期望(为月内每日降水量期望之和)的多年平均值,而基于对数正态分布的GLM则会在降水量较大时产生高估现象。由对应的天气发生器模型生成的随机模拟降水序列表明,基于对数正态分布的模型会高估月降水量较大时的多年平均,而基于指数分布及Gamma分布的模型则模拟效果较好。总体上看,这种基于NCEP再分析资料和GLM的天气发生器对降水变率具有很强的解释和模拟能力。

气象资料的统计降尺度方法综述

统计降尺度是解决由气象模式输出的低分辨率资料到流域尺度资料转换的手段之一,已成为一个重要的研究领域。统计降尺度方法十分丰富,分为传递函数法、天气形势法和天气发生器3类,3类之间并无严格的界限。统计降尺度涉及到时间与空间降尺度、随机型与确定型降尺度、时间自相关与空间相关性以及面向格点与面向站点的降尺度这4个方面的属性与分类问题,各种具体方法在这些方面的表现有所不同。近年来,相似法、隐马尓可夫模型、广义线性模型、Poisson点过程以及乘性瀑布过程获得了较大的发展和应用,并诞生了各种非线性模型以及物理—统计模型等新方法,已有一些影响较大的统计降尺度模型软件。新的方法在不断涌现,其中非线性模型、气候情境随机模拟技术、短期预报资料降尺度技术以及结合物理机理的统计降尺度方法是未来的主要发展趋势。

Delaunay三角网通用合并算子及分治算法的简化

Delaunay三角网在未来地学数值模拟中将发挥重要作用。分治算法是一种著名的经典构网算法,但其子网合并过程十分复杂,限制了其应用。提出使用通用算子的概念,并用从以往算法中独立出来的算子和3个新算子来简化分治算法的子网合并。扩展三角形算子用于构造每个新三角形并维护三角网的拓扑关系和边界链表。凹边界填充算子对边界链表用递归来自动完成凹边界的智能三角形填充。子网合并算子先用一个新三角形连接两个子三角网,再合并边界链表,调用凹边界填充算子填充子网间的缝隙区域。所有算子都基于有向边的数据结构和用链表管理的三角网外边界,借助链表操作,使算法的构建简洁而又高效。除分治法外,这些算子还被成功用于构建其他算法。由随机点集以及LiDAR点云的测试表明,所有算法的构网均准确无误且分治算法的执行效率较高。

一种基于横向或纵向扫描线处理的填洼算法

针对传统Planchou&Darbous算法采用递归执行方式导致处理效率低下等问题,该文提出了一种适合基于CUDA的GPU并行执行的DEM洼地填充算法。此算法采用淹没-排水思路,多次推进式扫描完成排水;在串行执行和并行执行两种方式下,算法处理有所差异,其中串行算法代码更短;串行算法的时间复杂度为O(n),测试结果表明串行执行时快于Planchon&Darboux算法,且在CUDA环境下的并行执行用时不到串行执行用时的一半。算法思路简单,易于编程实现。