To predict the effect of the oceans

To predict the effect of the oceans on land climate, Earth Scientists have
developed ocean climate indices (OCIs), which are time series that summarize
the behavior of selected areas of the Earth’s oceans. For example, the Southern
Oscillation Index (SOI) is an OCI that is associated with El Nino. In the past,
Earth scientists have used observation and, more recently, eigenvalue analysis
techniques, such as principal components analysis (PCA) and singular value de-
composition (SVD), to discover ocean climate indices. However, these techniques
are only useful for finding a few of the strongest signals and, furthermore, im-
pose a condition that all discovered signals must be orthogonal to each other.
We have developed an alternative methodology for the discovery of OCIs that
overcomes these limitations and is based on clusters that represent ocean regions
with relatively homogeneous behavior [STK+01]. The centroids of these clusters
are time series that summarize the behavior of these ocean areas. We divide the
cluster centroids into several categories: those that correspond to known OCIs,
those that are variants of known OCIs, and those that represent potentially new
OCIs. The centroids that correspond to known OCIs provide a validation of our
methodology, while some variants of known OCIs may provide better predictive
power for some land areas. Also, we have shown that, in some sense, our cur-
rent cluster centroids are relatively complete, i.e., capture most of the possible
candidate OCIs. For further details, the reader is referred to [STK+01].
A number of aspects of Earth Science data and the previously described
analyses require the use of high-performance computing. First, satellites are pro-
viding measurements of finer granularity. For instance, a 1
◦ by 1
◦ grid produces
64,800 data points, while a 0.1◦ by 0.1◦ grid produces 6,480,000 data points. Sec-
ond, more frequent measurements, e.g., daily measurements, multiply monthly
data by a factor of 30. Also, looking at weather instead of climate requires finer
resolution to enable the detection of fast changing patterns, e.g., the movement
of fronts
Our current clustering analysis, while effective, requires O(n
2
) comparisons
since it needs to evaluate the correlation of every ocean point with every land
point. Furthermore, association rule algorithms can also be very compute inten-
sive. Indeed, the computational complexity of these algorithms is potentially very
much greater than O(n
2
). Finally, the amount of memory required for cluster-

Kết quả (Việt) 2:

Để dự báo tác động của các đại dương trên khí hậu đất đai, nhà khoa học trái đất đã
phát triển chỉ số khí hậu đại dương (OCIs), đó là chuỗi thời gian đó tóm tắt
các hành vi của các khu vực được lựa chọn của các đại dương của Trái Đất. Ví dụ, các Southern
Oscillation Index (SOI) là một OCI đó là liên kết với El Nino. Trong quá khứ,
các nhà khoa học trái đất đã sử dụng quan sát và gần đây hơn, phân tích eigenvalue
kỹ thuật, chẳng hạn như phân tích thành phần chính (PCA) và giá trị ít triển
thành phần (SVD), để khám phá các chỉ số khí hậu đại dương. Tuy nhiên, những kỹ thuật này
chỉ hữu dụng cho việc tìm kiếm một vài trong số các tín hiệu mạnh và, hơn nữa, trọng
đặt ra một điều kiện là tất cả các tín hiệu phát hiện phải trực giao với nhau.
Chúng tôi đã phát triển một phương pháp thay thế cho việc phát hiện ra OCIs đó
khắc phục những hạn chế và dựa trên các cụm đại diện cho các vùng biển
với hành vi tương đối đồng nhất [STK + 01]. Các trọng tâm của các cụm
là chuỗi thời gian đó tóm tắt các hành vi của các vùng biển. Chúng tôi chia
centroids cụm thành nhiều loại: những người tương ứng với OCIs biết,
những người là biến thể của biết OCIs, và những người đại diện cho tiềm năng mới
OCIs. Các trọng tâm tương ứng với OCIs biết đến cung cấp một xác nhận của chúng tôi
phương pháp, trong khi một số biến thể của OCIs biết có thể cung cấp các dự báo tốt hơn
quyền lực cho một số lĩnh vực đất đai. Ngoài ra, chúng tôi đã chỉ ra rằng, trong một ý nghĩa nào, hiện thời chúng tôi
thuê centroids cụm là tương đối đầy đủ, tức là, nắm bắt hầu hết các thể
ứng cử viên OCIs. Để biết thêm chi tiết, người đọc được gọi [STK + 01].
Một số khía cạnh của khoa học trái đất và các dữ liệu mô tả trước đây
phân tích yêu cầu sử dụng máy tính hiệu suất cao. Đầu tiên, các vệ tinh có trình
đo viding của granularity mịn. Ví dụ, một 1
◦ 1
◦ lưới sản xuất
64.800 điểm dữ liệu, trong khi một 0.1◦ bởi 0.1◦ lưới sản xuất 6.480.000 điểm dữ liệu. Giây-
ond, đo thường xuyên hơn, ví dụ, các phép đo hàng ngày, hàng tháng nhân
dữ liệu theo hệ số 30. Ngoài ra, nhìn vào thời tiết thay vì khí hậu đòi hỏi tốt hơn
độ phân giải để cho phép phát hiện các thay đổi nhanh chóng các mô hình, ví dụ như, sự chuyển động
của mặt trận
hiện tại của chúng tôi phân tích phân nhóm, trong khi hiệu quả, đòi hỏi O (n
2) so sánh vì nó cần để đánh giá mối tương quan của tất cả các điểm đại dương với mỗi đất điểm. Hơn nữa, các thuật toán luật kết hợp cũng có thể được tính toán rất chủ ý sive. Thật vậy, các tính toán phức tạp của các thuật toán là có tiềm năng rất lớn hơn nhiều so với O (n 2). Cuối cùng, số lượng bộ nhớ cần thiết cho cụm-