On Producing Reliable and Affordable Numerical Weather Forecasts on Public Cloud-Computing Infrastructure
Notice bibliographique
Résumé
Abstract Cloud-computing resources are increasingly used in atmospheric research and real-time weather forecasting. The aim of this study is to explore new ways to reduce cloud-computing costs for real-time numerical weather prediction (NWP). One way is to compress output files to reduce data egress costs. File compression techniques can reduce data egress costs by over 50%. Data egress costs can be further minimized by postprocessing in the cloud and then exporting the smaller resulting files while discarding the bulk of the raw NWP output. Another way to reduce costs is to use preemptible resources, which are virtual machines (VMs) on the Google Cloud Platform (GCP) that clients can use at an 80% discount (compared to nonpreemptible VMs), but which can be turned off by the GCP without warning. By leveraging the restart functionality in the Weather Research and Forecasting (WRF) Model, preemptible resources can be used to save 60%–70% in weather simulation costs without compromising output reliability. The potential cost savings are demonstrated in forecasts over the Canadian Arctic and in a case study of NWP runs for the West African monsoon (WAM) of 2017. The choice in model physics, VM specification, and use of the aforementioned cost-saving measures enable simulation costs to be low enough such that the cloud can be a viable platform for running short-range ensemble forecasts when compared to the cost of purchasing new computer hardware.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».