ارائه یک چارچوب نرم‌افزاری برای اجرای کارای مدل‌های پژوهش و پیش‌بینی هواشناسی

ﻣﺪل ﭘﮋوﻫﺶ و ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﻮاﺷﻨﺎﺳﯽ (wrf) ﺑﻪ ﺷﺪت واﺑﺴﺘﻪ ﺑﻪ ﻗﺪرت راﯾﺎﻧﺸﯽ، ورودی-ﺧﺮوﺟﯽ (i/o) و ارﺗﺒﺎﻃﺎت اﺳﺖ. اﺟﺮای اﯾﻦ ﻣﺪل در ﺳﺮﯾﻊ ﺗﺮﯾﻦ راﯾﺎﻧﻪ ﻫﺎ ﻧﯿﺰ ﺑﺎ ﭼﺎﻟﺶﻫﺎی ﺑﺰرﮔﯽ ﻫﻤﺮاه اﺳﺖ. اﺟﺮای ﮐﺎرآﻣﺪ و در ﻣﻬﻠﺖ زﻣﺎﻧﯽ ﻣﻘﺮر، ﻣﻮرد ﻧﻈﺮ ﺑﺴﯿﺎری از ﺳﺎزﻣﺎن ﻫﺎی ﻫﻮاﺷﻨﺎﺳﯽ و ﻣﺮاﮐﺰ ﭘﮋوﻫﺸﯽ اﺳﺖ. اﻣﺮوزه اﺟﺮای ﻧﺮم اﻓﺰارﻫﺎﯾﯽ ﮐﻪ ﻧﯿﺎزﻣﻨﺪ ﻗﺪرت راﯾﺎﻧﺸﯽ ﺑﺎﻻ ﻫﺴﺘﻨﺪ اﻏﻠﺐ ﺑﺮ روی زﯾﺮﺳﺎﺧﺖ ﻫﺎی راﯾﺎﻧﺶ ﺧﻮﺷﻪ ای و اﺑﺮی اﻧﺠﺎم ﻣﯽﺷﻮد. در اﯾﻦ زﯾﺮﺳﺎﺧﺖ ﻫﺎ ﻣﻌﻤﻮﻻً از ﻣﺠﺎزی ﺳﺎزی ﺑﺮای ﻣﺪﯾﺮﯾﺖ دﺳﺘﺮﺳﯽ ﺑﻪ ﻣﻨﺎﺑﻊ راﺑﺎﻧﺸﯽ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد. ﻫﺪف اﯾﻦ ﻣﻘﺎﻟﻪ ﻧﺸﺎن دادن ﻧﺤﻮه ﺑﻬﺮهﺑﺮداری از ﻓﻨﺎوری ﺣﺎﻣﻞ ﻫﺎ ﺑﻪ ﻋﻨﻮان ﯾﮏ روﯾﮑﺮد ﻣﺠﺎزی ﺳﺎزی ﺳﺒﮏ وزن ﺑﺮای اﺟﺮای ﻣﺪل wrf اﺳﺖ، ﺑﻪ ﻧﺤﻮی ﮐﻪ ﺳﺮﺑﺎر ﮐﻤﯽ را ﺑﻪ ﻣﻨﺎﺑﻊ راﯾﺎﻧﺸﯽ در زﯾﺮﺳﺎﺧﺖ ﻫﺎی اﺑﺮی ﺗﺤﻤﯿﻞ ﻧﻤﺎﯾﺪ. اﺳﺘﻔﺎده از زﻣﺎن ﺑﻨﺪی اﺟﺮای ﻣﺪل، ﺳﺎزﻣﺎن ﻫﺎ را ﻗﺎدر ﻣﯽ ﺳﺎزد ﮐﻪ ﻣﺪل ﭘﯿﺶ ﺑﯿﻨﯽ را ﺑﻪ ﺻﻮرت دوره ای و ﮔﺎﻫﯽ اوﻗﺎت ﭼﻨﺪ ﺑﺎر در روز اﺟﺮا ﻧﻤﻮده و اﻋﻀﺎی ﻣﺪل را اﻓﺰاﯾﺶ دﻫﻨﺪ ﺗﺎ ﺧﺮوﺟﯽ دﻗﯿﻖﺗﺮی ﺑﻪ دﺳﺖ آورﻧﺪ. ﺑﻨﺎﺑﺮاﯾﻦ، ﺑﺮای ﻣﺤﺎﺳﺒﻪ زﻣﺎن اﺟﺮای ﻣﺪل در ﻣﻘﯿ ﺎس ﻫﺎ ی ﻣﺨﺘﻠﻒ ﺟﻐﺮاﻓﯿﺎﯾﯽ ﺑﺮ روی ﯾﮏ ﺳﮑﻮی ﻧﺮم اﻓﺰاری و ﺳﺨﺖ اﻓﺰاری ﯾﮏ راﺑﻄﻪ رﯾﺎﺿﯽ ﭘﯿﺸﻨﻬﺎد ﺷﺪه اﺳﺖ. راﺑﻄﻪ ﻓﻮق ﺑﺮ اﺳﺎس ﺗﻌﺪاد ﻧﻘﺎط ﺷﺒﮑﻪ، ﻓﺎﺻﻠﻪ ﺷﺒﮑﻪ ای، زﻣﺎن ﺷﺒﯿﻪ ﺳﺎزی ﻣﺪل و ﺗﻌﺪاد ﭘﺮدازﻧﺪه ﻫﺎی ﻣﻮرد اﺳﺘﻔﺎده در ﺳﺨﺖ اﻓﺰار، زﻣﺎن اﺟﺮای ﻣﺪل را ﺑﺮﺣﺴﺐ دﻗﯿﻘﻪ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﻧﻤﺎﯾﺪ.

A Software Framework for Efficient Execution of Weather Research and Forcasting Models

The WRF model is simulation system and heavily dependent on computing, I/O, and network and running it on the fastest computers is a major challenge. Optimal and timely implementation is the goal of many meteorological organizations. The management and implementation of highperformance computing applications is mainly based on cluster and cloud computing infrastructures due to the highly coordinated, consistent, and parallel processing of large data in them. These infrastructures typically use virtualization to manage access to resources. The purpose of this research is to use Containers as a lightweight virtualization to implement the WRF model, which provides a very small overhead for resources in the cloud infrastructure. Model implementation scheduling enables organizations to perform forecasts periodically, sometimes several times a day, and increase model members to obtain better output. To calculate the runtime of the model at different geographic scales on a software and hardware platform a mathematical formula is proposed.