Mjukvarumetoder för meteorologiska applikationer

Forskningsområdet fokuserar på anpassning av befintliga och utveckling av nya mjukvarumetoder som möjliggör effektiv hantering av den ökande mängden data i meteorologiska applikationer.

Mängden data och datorkod som används i meteorologiska applikationer växer mycket snabbt, både på grund av tekniska framsteg som ger nya instrument som kan mäta meteorologiska kvantiteter med större precision, spridning av sensorer inom industrin och bland medborgare, och på grund av fokus på modellering och observationer övergår till processer på kortare skalor.

Detta kräver anpassning av befintliga, och utveckling av nya, mjukvarumetoder som möjliggör effektiv hantering av den ökande mängden data, för att bearbeta dem, utforska dem, visualisera dem och införa dem i befintliga och nya meteorologiska applikationer, inklusive jordobservation, NWP, omanalys och nowcasting-metoder.

Forskningsområdet fokuserar på:

  • Hållbar, underhållbar, flexibel mjukvara. Detta kan uppnås genom främjande av höga kodningsstandarder och användning av systematisk testning på flera nivåer, standardisering, interoperabilitet, övervakning och kvalitetskontroll för ny och befintlig kod. Det säkerställer högsta möjliga kvalitet på data som produceras både för internt bruk och för externa kunder, och garanterar reproducerbarhet av forskning.
  • Optimering av datahantering för stora datamängder. Många aspekter ingår här, bland annat datalagring, datautforskning, databehandling, dataöverföring och datakvalitet. Lösningar kan hittas till exempel genom icke-relationella databaser, distribuerad datoranvändning, design av mjukvaruarkitektur baserad på GPU eller parallellisering, out-of-memory beräkningar och så vidare.
  • Vidareutveckling av befintliga och nya metoder inom meteorologiska applikationer med strikta tidsbegränsningar, till exempel dataassimilering för NWP, AI och machine learning för databearbetning och övervakning.
  • Samordning av forskning om visualiseringsmetoder för meteorologiska kvantiteter lämpliga för pre-exaskala datavolymer.