Методы и технологии распределенного вычислительного эксперимента для обеспечения защиты Санкт-Петербурга от наводнений тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Косухин, Сергей Сергеевич

• Косухин, Сергей Сергеевич
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Косухин, Сергей Сергеевич

Содержание

Введение

Глава 1 Аналитический обзор и обоснование постановки задачи по разработке РвЕ ВЭ

1.1 Принципы создания и эксплуатации критических систем математического моделирования

1.2 Технологии создания проблемно-ориентированных сред вычислительного эксперимента

1.3 Наводнения в Санкт-Петербурге

1.4 Выводы по главе 1

Глава 2 Архитектура и состав проблемно-ориентированной среды вычислительного эксперимента

2.1 Общая программная архитектура РБЕ ВЭ

2.2 Вычислительные модели и прикладные пакеты

2.3 Источники данных, средства их обработки и усвоения в моделях

2.4 Выводы по главе 2

Глава 3 Сценарии вычислительных экспериментов и композитные приложения

3.1 Ансамблевый прогноз наводнений в Санкт-Петербурге на основе конкурирующих моделей

3.2 Анализ неопределенности и чувствительности прогнозов уровня воды и планов маневрирования затворами КЗС

3.3 Выработка коллаборативных планов маневрирования затворами КЗС

3.4 Моделирование затопления городских территорий

3.5 Использование технологии виртуальных моделирующих объектов для построения вычислительных сценариев в РБЕ ЭВ

3.6 Выводы по главе 3

Глава 4 Прикладные задачи поддержки функционирования системы предотвращения наводнений в Санкт-Петербурге

4.1 Статистический контроль и заполнение пропусков в данных гидрометеорологических наблюдений

4.2 Ассимиляция данных в параметры прогностической модели с использованием технологии ОрепОА

4.3 Анализ эффективности работы PSE ЭВ

4.4 Выводы по главе 4

Заключение

Список использованных источников

Введение диссертации (часть автореферата) на тему «Методы и технологии распределенного вычислительного эксперимента для обеспечения защиты Санкт-Петербурга от наводнений»

Введение

Актуальность темы обусловлена необходимостью развития критических систем предсказательного моделирования чрезвычайных ситуаций, в частности - нагонных наводнений и их последствий. Нагонные наводнения возникают вследствие перемещения водных масс под воздействием барических образований и характеризуются отсутствием периодичности, а также значительным подъемом уровня воды. География нагонных наводнений очень обширна, от них страдают Европа, побережье Бенгальского залива, Центральная Америка, восточное побережье США. На территории России наиболее часто сильные штормовые нагоны возникают в Санкт-Петербурге (восточная часть Финского залива). С целью защиты Санкт-Петербурга от нагонных наводнений построен комплекс защитных сооружений (КЗС). Для решения задачи информационной поддержки процессов управления КЗС в условиях наводненческой ситуации используется система предотвращения угрозы наводнений (СПУН), прогнозирующая изменчивость уровня и течений в Финском заливе и при возникновении такой ситуации - вырабатывающая план маневрирования затворами КЗС.

Процессы сопровождения и развития комплекса моделей СПУН требуют выполнения ресурсоемких вычислительных экспериментов (ВЭ) при использовании композиции программных пакетов с различными интерфейсами и требованиями к вычислительным ресурсам, с организацией доступа к удаленным источникам данных1 и средствам визуализации результатов расчетов. Для автоматизации постановки и выполнения ВЭ используется традиционный инструментарий eScience - проблемно-ориентированные оболочки (Problem Solving Environment, PSE). PSE обеспечивают весь цикл работ по формированию сценариев моделирования, подготовке данных, проведению вычислений и интерпретации их результатов для исследователя-предметника средствами распределенных вычислений. В России исследования, связанные с созданием и применением PSE, отражены в работах научных школ А.П. Афанасьева, Ю.Я. Болдырева, В.А. Ильина, Б.Н. Четверушкина, М.В. Якобовского и др. Однако адаптация опыта создания и использования PSE применительно к специфике предметной области и особенностям функционирования моделируемого объекта (КЗС) требует проведения отдельных исследований, что и определяет актуальность работы.

Предметом исследования являются технологии распределенных вычислений для организации PSE ВЭ в части анализа и прогноза наводнений и их последствий.

1 \УеЬ-серверы метеорологических прогнозов, системы обмена данными (BOOS), измерительные устройства.

Целью работы является разработка методов и технологий организации распределенного вычислительного эксперимента в части моделирования нагонных наводнений в Санкт-Петербурге применительно к задачам повышения эффективности функционирования СПУН КЗС.

Задачи исследования:

- анализ сценариев моделирования наводненческих ситуаций и их последствий в целях обоснования требований к средствам организации ВЭ;

- обоснование принципов сопряжения вычислительных моделей, источников данных и средств интерпретации данных при организации ВЭ в области предсказательного моделирования нагонных наводнений;

- разработка архитектуры проблемно-ориентированной среды ВЭ на основе облачных технологий второго поколения;

- разработка алгоритмов и программная реализация композитных приложений (КП) предсказательного моделирования сценариев наводненческих ситуаций в рамках облачной модели AaaS (Application as a Service);

- экспериментальные исследования характеристик проблемно-ориентированной среды ВЭ и функциональных характеристик КП;

- применение разработанных методов и технологий для настройки и оптимизации функционирования СПУН КЗС.

Методы исследования включают в себя методы теории систем и системного анализа, численные методы математической физики, теории вероятностей и математической статистики, методы инженерии программного обеспечения и научной визуализации.

Научная новизна обусловлена построением проблемно-ориентированной среды ВЭ на основе концепции iPSE (Intelligent Problem Solving Environment) с использованием технологий облачных вычислений второго поколения, что обеспечивает эффективное решение новых классов задач предсказательного моделирования, связанных с оценкой неопределенности и рисков возникновения наводненческих ситуаций в Санкт-Петербурге.

Практическую значимость работы определяют:

- проблемно-ориентированная среда для выполнения вычислительных экспериментов в области прогноза и предотвращения нагонных наводнений на основе концепции и технологии iPSE;

- результаты численных экспериментов для интерпретации результатов работы СПУН КЗС в 2011-2013 гг. с целью ее валидации, настройки и модернизации".

2 Материалы являются собственностью ФКП «Дирекция комплекса защитных сооружений» Министерства регионального развития Российской Федерации.

На защиту выносятся:

- архитектура проблемно-ориентированной среды ВЭ в области предсказательного моделирования нагонных наводнений, обеспечивающая создание и эффективное исполнение КП сценариев моделирования в облачной среде второго поколения на основе модели АааБ;

- алгоритмы построения вычислительных сценариев и КП в части ансамблевого прогнозирования нагонных наводнений, оценки неопределенности прогнозов и планов предотвращения наводнений, моделирования затопления городских территорий в ходе остаточных наводнений, а также коллаборативной оценки планов маневрирования затворами КЗС.

Структура диссертационной работы:

Диссертация состоит из четырех глав. В первой главе приводятся материалы аналитического обзора в области распределенных сред ВЭ в целях поддержки функционирования критических систем компьютерного моделирования (таких как СПУН КЗС). Рассматриваются аспекты применения данных технологий к задачам прогноза и предотвращения нагонных наводнений на примере Санкт-Петербурга, и делается вывод о целесообразности использования облачных технологий второго поколения на основе платформы СЬАУШЕ.

Во второй главе представлена архитектура проблемно-ориентированной среды ВЭ в области предсказательного моделирования нагонных наводнений. Рассматриваются ее основные элементы, детально обсуждается предметно-ориентированное наполнение (вычислительные модели и источники данных).

Третья глава посвящена описанию алгоритмов и КП предсказательного моделирования сценариев наводненческих ситуаций в рамках облачной модели Ааа8, реализуемых в Р8Е ВЭ. Рассматриваются задачи ансамблевого прогноза на основе конкурирующих моделей, исследования неопределенности прогнозов, моделирования затопления суши, а также динамики плавучих объектов, связанных с КЗС. Обсуждается реализация КП на основе технологий виртуальных моделирующих объектов (УБО).

В четвертой главе рассмотрены прикладные задачи, связанные с использованием Р8Е ВЭ. Рассматриваются вопросы сбора данных измерений уровня и скорости ветра, необходимых для работы вычислительных моделей, обнаружения засорений и восстановления пропусков. Приведен пример использования РБЕ ВЭ для модернизации СПУН КЗС в части введения новой процедуры ассимиляции данных на основе технологии ОрегЮА. Рассматриваются характеристики вычислительной эффективности РБЕ ВЭ.

Личный вклад и использование материалов. Личный вклад автора в работах, выполненных в соавторстве, заключается в проведении аналитического обзора в проблемной области диссертационной работы; обосновании требований к РБЕ и разработке ее архитектуры, разработке алгоритмов и самих КП, проведении экспериментальных исследований и интерпретации их результатов. Из работ, выполненных в соавторстве, в диссертацию включены результаты, которые соответствуют личному участию автора.

В работе использованы материалы, созданные с прямым участием автора, из отчетов о НИР и технической документации ОКР, в которых он принимал непосредственное участие в 2010-2013 гг., в том числе:

- «Интеллектуальные технологии поддержки процессов исследовательского проектирования судов и технических средств освоения океана» (ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009-2013 гг.);

- «Высокопроизводительный программный комплекс моделирования динамики корабля в экстремальных условиях эксплуатации» (ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009-2013 гг.);

- «Инструментальная технологическая среда для создания распределенных интеллектуальных систем управления сложными динамическими объектами» (ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009-2013 гг.);

- «Виртуальный полигон для исследования динамики морских объектов и сооружений в экстремальных условиях эксплуатации» (ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009-2013 гг.);

- «Ситуационный центр нового поколения для предупреждения и ликвидации угрозы наводнений» (ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009-2013 гг.);

- «Создание высокотехнологичного производства комплексных решений в области предметно-ориентированных облачных вычислений для нужд науки, промышленности, бизнеса и социальной сферы» в рамках реализации постановления Правительства РФ №218

- «Распределенные экстренные вычисления для поддержки принятия решений в критических ситуациях» в рамках реализации постановления Правительства РФ №220.

Глава 1 Аналитический обзор и обоснование постановки задачи по разработке PSE ВЭ

Прогноз и предотвращение наводнений как отдельного класса экстремальных явлений требует использования современного математического и программного обеспечения -систем раннего предупреждения (Early Warning Systems, EWS) [1]. Задачами EWS в общем случае являются:

1) заблаговременное выявление возможности наступления критической ситуации;

2) определение сценариев развития критической ситуации с оценкой соответствующих рисков;

3) определение мер противодействия критической ситуации с оценкой степени снижения соответствующих рисков;

4) обоснование выбора оптимальной стратегии поведения лиц, принимающих решения (ЛПР).

Результатом работы EWS является набор рекомендаций, обеспечивающих субоптимальное снижение рисков наступления критической ситуации и (или) ее последствий. Специфика функционирования EWS связана с изменчивостью внешних условий, что сводит задачу обоснования выбора оптимальной стратегии к классу слабоструктурированных, многокритериальных. Поэтому для ее решения EWS часто рассматривается как интеллектуальная система поддержки принятия решений, которая основана на интеллектуальном анализе данных и результатов моделирования, интерпретируемых посредством исходных знаний предметной области (например, экспертных) [2].

Современные EWS являются сложными программно-аппаратными комплексами, функционирующими в режиме 24x7 и относящимися к так называемым критическим системам4 [3]. Потому актуальной является задача разработки технологий, обеспечивающих весь жизненный цикл такого рода систем - от прототипирования до эксплуатации и модернизации. В данной главе анализируется специфика создания такого инструментария для EWS предотвращения нагонных наводнений на примере Санкт-Петербурга.

3 Понятие субоптимальности связано с тем, что действия EWS в ряде случаев основываются на полуэвристических алгоритмах в условиях неопределенности, потому о классическом решении задачи оптимизации в данном случае говорить не приходится.

4 Под критическими принято понимать системы, отказы которых могут создавать угрозу человеческой жизни, приводить к значительным экономическим потерям, а также существенному урону окружающей среде.

1.1 Принципы создания и эксплуатации критических систем математического моделирования

Различные EWS, в том числе система предотвращения угрозы наводнений, являются очевидными примерами критических систем. В связи с этим при проектировании, разработке и внедрении таких систем уделяется повышенное внимание всем составляющим их функциональной надежности: работоспособности, безотказности, безопасности и защищенности. Одним из основных способов повышения надежности системы является многократное тестирование с целью исключения возможных ошибок, на этап отладки может уходить до половины всех ресурсов, затрачиваемых на разработку. Другим важнейшим этапом жизненного цикла критической системы является эксплуатационное сопровождение, также направленное на выявление и оперативное устранение ошибок.

Спецификой создания и эксплуатации EWS по сравнению с критическими системами общего вида является то, что их работа основывается на сложных комплексах математических моделей и источников данных, обеспечивающих прогнозирование и расчет возможных последствий, что оказывает существенное влияние на специфику этапов их жизненного цикла. Во-первых, невозможность подготовки даже относительно полного набора тестов значительно затрудняет этап отладки. Проверку работоспособности системы можно осуществлять только на основе реальных исторических данных. Во-вторых, математическая модель сложного природного явления всегда работает в рамках определенных допущений и условиях неопределенности входных данных. Оценка ее точности носит интервальный характер. В связи с этим, сопровождение системы требует постоянного предметно-ориентированного контроля состояния всего комплекса математических моделей и источников данных, а также регулярного пересчета степени доверия отдельным его элементам.

Можно выделить следующие особенности разработки и эксплуатационного сопровождения критических систем математического моделирования (следуя, например, [4, 5]).

1. Требовательность к ресурсам. Математические модели, как правило, предъявляют высокие требования к вычислительным ресурсам, на которых они запускаются. Более того, оперативное функционирование конкретной модели само по себе может потребовать построения сложной распределенной инфраструктуры. Насущной также является проблема долговременного хранения большого объема входных и выходных данных с целью их последующего анализа.

2. Необходимость выполнения большого объема вычислений. Методы оценки качества математических моделей подразумевают проведение большого объема вычислений,

который значительно превышает объем расчетов, осуществляемых в ходе штатной работы системы. Это объясняется не только необходимостью осуществления многократных запусков самих моделей на различных входных данных, но и ресурсоемкостыо вспомогательных расчетов, необходимых для анализа работоспособности критической системы.

3. Мпогокомпопентностъ модели. Моделирование сложного процесса может потребовать совместной работы сразу нескольких различных программ, осуществляющих математическое моделирование его отдельных составных частей. Часто эти программы разрабатываются сторонними группами ученых и разработчиков, что приводит к несогласованности системных требований различных элементов комплекса моделей. Во-первых, это может привести к большим временным затратам на частое перестроение гетерогенной вычислительной среды на этапе выбора подходящей реализации тех или иных компонентов. Во-вторых, возникает необходимость в выработке методики передачи экспертных знаний от поставщиков моделей разработчикам системы.

4. Необходимость наглядной демонстрации результатов и процесса их получения. Интерпретация и анализ результатов работы сложных математических моделей невозможны без привлечения средств научной визуализации, в том числе дополнительных, не входящих в состав самой системы. Кроме того, обоснование работоспособности комплекса моделей требует наглядной демонстрации применяемых методов оценки их качества. В связи с этим важно давать четкое и прозрачное описание структуры численных экспериментов с предоставлением результатов всех промежуточных расчетов.

5. Апериодический жизненный цикл. Переменная интенсивность работ по разработке и сопровождению критической системы математического моделирования обусловливается рядом факторов. Во-первых, проводить очередной этап доработки и настройки математической модели часто имеет смысл только по факту накопления очередного объема данных. При этом не всегда можно заранее сказать, будут ли эти данные содержать предпосылки для модификации. Во-вторых, разработка математических моделей является сложным наукоемким процессом, результативность которого может быть связана как с объективными (финансирование), так и субъективными (появление ценных идей) факторами. В-третьих, постоянная направленность на повышение работоспособности критической системы подразумевает необходимость отслеживания развития альтернативных разработок в

области моделирования требуемых процессов и проведения работ по их анализу и сравнению с существующим решением

6. Необходимость организации инфраструктуры для анализа возможных сбоев. Возникающие нештатные ситуации или сбои системы в ходе ее эксплуатации могут потребовать организации инфраструктуры, позволяющей в предельно сжатые сроки осуществить необходимые расчеты и анализ их результатов, в том числе с возможностью привлечения экспертов.

7. Работа с реальными данными большого объема. Настройка и отладка математических моделей могут потребовать большого объема разного рода данных, получаемых из различных источников с использованием различных интерфейсов и протоколов. Извлечение и хранение этих данных требует привлечения соответствующих инструментов. Кроме того, получаемые данные часто содержат ошибки и пропуски, с которыми модель не всегда может самостоятельно адекватно справиться, в связи с чем возникает вопрос о необходимости осуществления предварительной обработки входных данных.

Из перечисленных особенностей видно, что наличие в составе критической системы комплекса математических моделей существенно сказывается на структуре ее жизненного цикла. Объем вычислений, осуществляемых в ходе разработки и сопровождения системы, значительно превосходит объем, необходимый в ходе ее эксплуатации, и требует организации более сложной и мощной вычислительной инфраструктуры. При этом требуемая инфраструктура должна быть заведомо неоднородной и гибкой, а также должна обеспечивать работу с большим объемом данных. В то же время она должна позволять как оперативное привлечение дополнительных ресурсов, так и высвобождение задействованных, поскольку не всегда можно заранее спланировать интенсивность их использования.

Как следствие, сопровождение таких систем на всех этапах их жизненного цикла требует специализированных технологий и программного инструментария, который бы обеспечивал проведение ВЭ для исследования поведения системы в различных ситуациях. При этом с точки зрения EWS такое исследование неотделимо от анализа самой модели возникновения, развития и предотвращения экстремальных ситуаций. Рассмотрим направления анализа.

1. Структурный анализ, ориентированный на выявление неизвестных характеристик объекта в заданный момент времени с учетом известных характеристик. К данной категории могут быть отнесены задачи, направленные на (а) структурное расширение модели и (б) выявление неизвестных характеристик объекта по заданной структуре модели. Задачи категории (а) связаны с построением моделей и традиционно

решаются с привлечением экспертных знаний, которые могут использоваться как в процессе непосредственного взаимодействия с экспертом, так и при помощи автоматизированных систем, основанных на знаниях. Задачи категории (б) обычно связаны с применением готовых моделей и могут решаться как в ручном (по запросу пользователя), так и в автоматическом режиме.

2. Исследование эволюции системы - прогноз состояния системы в течение заданного промежутка времени при определенных условиях среды на этом промежутке, а также установленных характеристиках системы и сценарии ее поведения. В данном случае сценарий поведения системы определяет недетерминированные в рамках модели изменения в состоянии системы. Причинами таких изменений могут служить предполагаемые факторы, качественно влияющие на состояние моделируемой системы и соответственно модели, ее описывающей. Кроме того, важным является определение прогнозируемых характеристик среды, в которой существует система. Внешний характер среды определяется границей модели, используемой для описания системы.

3. Оптимизация управляющего воздействия - комплекс процедур, направленных на выработку набора рекомендаций (для текущего и последующих моментов времени) с целью достижения и сохранения состояния системы, считающегося наилучшим. Оптимизация воздействия основывается на анализе различных сценариев поведения системы. Анализ и оптимизация управляющих воздействий могут проводиться как в ручном, так и в автоматическом режиме. В первом случае пользователь после детального анализа состояния системы принимает решение об оптимальности допустимых управляющих воздействий. Во втором - пользователю предлагаются рекомендации по воздействиям на систему, приводящим ее к требуемому состоянию. Рассмотренные направления в рамках задачи анализа EWS взаимосвязаны и, несмотря

на то, что наиболее значимо последнее (как непосредственно определяющее процедуру поддержки принятия решений), первые два обеспечивают необходимое обоснование управляющего воздействия. При этом видно, что в рамках направлений (1-3) ВЭ не может быть выполнен с использованием только ограниченного набора вычислительных моделей и источников данных. По сути, набор моделей является открытым; возможны отказ от каких-либо моделей вследствие их морального устаревания (или устаревания соответствующей информационной технологии), введение новых моделей, модернизация и версионность. Таким образом, для решения задачи сопровождения EWS на всех этапах жизненного цикла требуется специальный класс инструментального программного обеспечения — проблемно-ориентированные среды вычислительного эксперимента (PSE ВЭ).

1.2 Технологии создания проблемно-ориентированных сред вычислительного эксперимента

Современные научные исследования часто требуют проведения большого объема вычислений, связанных с обработкой больших объемов данных, получаемых в ходе наблюдений и экспериментов. Ориентированность на данные и необходимость в объединении разнородных программных и аппаратных ресурсов привели к появлению соответствующих инструментов - PSE ВЭ. Они обеспечивают возможности встраивания и использования различных вычислительных моделей, в том числе совместно - в форме композитных приложений (КП). Наиболее распространенным подходом к формализации КП является его представление в виде потока работ (workflow, WF) - направленного графа, вершины которого обозначают отдельные операции в распределенной среде, а ребра -потоки данных между ними. Формирование, планирование, запуск и контроль исполнения КП, сформированного таким образом, осуществляются с помощью специальных систем управления WF (WMS).

На сегодняшний день существует множество разнообразных систем управления WF. Они отличаются друг от друга своей архитектурой, заложенными в них способами взаимодействия с вычислительными и информационными ресурсами, средствами построения, планирования и управления КП, принципами передачи и хранения данных и т.д. Таким образом, для проведения сравнительного анализа, необходимого для выбора WMS, максимально подходящей для решаемого класса задач, требуется предварительно выделить и рассмотреть их ключевые особенности.

Идеология WMS, в первую очередь, определяется заложенными в нее моделью, структурой и способами построения WF. Можно выделить две основные модели, по которым осуществляется выбор ресурсов, используемых для исполнения отдельных задач КП: конкретизируемая модель и абстрактная модель. Согласно первой, пользователь системы самостоятельно осуществляет привязку задач к вычислительным ресурсам еще на этапе построения WF. В противоположность этому абстрактная модель подразумевает динамическое выделение необходимых ресурсов уже на этапе исполнения КП. При таком подходе пользователь может ничего не знать о доступных ему ресурсах и строить свое приложение на более высоком уровне абстракции. Очевидно, что абстрактная модель обеспечивает большую гибкость, облегчает работу пользователя и позволяет осуществить автоматическую балансировку нагрузки на ресурсы распределенной среды.

В большинстве систем исполнения структура WF представляет собой ациклический граф (DAG), позволяющий задать КП как в виде простой последовательности, в которой

очередная задача получает на вход результат работы предыдущей, так и в формате, допускающем параллельное исполнение элементов, варьирование параметров (sweep), а также условные ветвления. При таком подходе значительно облегчается контроль исполнения WF, поскольку всегда можно четко выделить главное условие запуска конкретной задачи - готовность всех необходимых для нее входных данных. Поэтому в системах, допускающих произвольные циклы в структуре WF (non-DAG), необходимы дополнительные инструменты, позволяющие пользователю задавать принципы, по которым будет определяться последовательность исполнения элементов КП. При этом ациклическая структура в общем случае не ограничивает в возможности осуществлять итерации отдельных элементов WF, которые, в свою очередь, также могут представлять собой самостоятельные WF.

Список литературы диссертационного исследования кандидат наук Косухин, Сергей Сергеевич, 2013 год

Список использованных источников

1. Alfieri L., Salamon P., Pappenberger F., Wetterhall F., Thielen J. Operational early warning systems for water-related hazards in Europe // Environmental Science & Policy, Vol. 21, August 2012, P. 35-49.

2. Ivanov S.V., Kovalchuk S.V., Boukhanovsky A.V. Workflow-Based Collaborative Decision Support for Flood Management Systems / ICCS-2013 // Procedía Computer Science, Vol. 18, 2013, P.2213-2222.

3. Соммервилл И. Инженерия программного обеспечения, 6-е издание.: Пер. с англ. - М.: Издательский дом «Вильяме», 2002. - 624 с.

4. Бухановский А.В., Васильев В.Н. Современные программные комплексы компьютерного моделирования e-Science // Известия высших учебных заведений. Приборостроение. - 2010. - №3(53). - С. 60-64

5. Ivanov S.V., Kosukhin S.S., Kaluzhnaya A.V., Boukhanovsky A.V. Simulation-based collaborative decision support for surge floods prevention in St. Petersburg // Journal of Computational Science, Vol. 3(6). November 2012, P. 450-455.

6. Taverna - open source and domain independent Workflow Management System [Электронный ресурс]. - Режим доступа: http://wwvv.taverna.org.uk/.

7. Hull D., Wolstencrofit К., Stevens R., Goble С., Pocock M., Li P., Oinn T. Taverna: a tool for building and running workflows of services // Nucleic Acids Research, Vol. 34(2), Web Server issue, 2006, P. 729-732.

8. The Kepler Project - Kepler [Электронный ресурс]. - Режим доступа: https://kepler-project.org/.

9. Ludascher В., Altintas I., Berkley C., Higgins D., Jaeger E., Jones M., Lee E.A., Tao J., Zhao Y. Scientific workflow management and the kepler system // Concurr. Comput.: Pract. Exper, Vol. 18, 2005.

10. The R Project for Statistical Computing [Электронный ресурс]. - Режим доступа: http://www.r-project.org/.

11. Matlab - The Language of Technical Computing [Электронный ресурс]. - Режим доступа: http://wwvv.mathworks.com/products/matlab/.

12. Pegasus - Workflow Management System [Электронный ресурс]. - Режим доступа: http://pegasus.isi.edu/.

13. Deelman Е., Singh G., SuM.-H., BlytheJ., Gil Y., KesselmanC., MehtaG., VahiK., Berriman G.B., Good J., Laity A., Jacob J.C., Katz D. S. Pegasus: a Framework for Mapping Complex Scientific Workflows onto Distributed Systems // Scientific Programming Journal, Vol 13(3), 2005, P. 219-237.

14. HTCondor Project Homepage [Электронный ресурс]. - Режим доступа: http://research.cs.wisc.edu/htcondor/.

15. MandalN., DeelmanE., MehtaG., SuM.-H., Vahi K. Integrating Existing Scientific Workflow Systems: The Kepler/Pegasus Example / WORKS '07 // Proceedings of the 2nd workshop on Workflows in support of large-scale science, 2007, P. 21 - 28.

16. LONI Pipeline [Электронный ресурс]. - Режим доступа: http://pipeline.loni.ucla.edu/.

17. Dinov I.D., TorriF., Macciardi F., PetrosyanP., LiuZ., ZamanyanA., EggertP., Pierce J., Genco A., Knowles J.A., Clark A.P., Van Horn J.D., Ames J., Kesselman C., Toga A.W. Applications of the Pipeline Environment for Visual Informatics and Genomics Computations, BMC Bioinformatics, 12:304, 2011.

18. WS-VLAM Home Page [Электронный ресурс]. - Режим доступа: http://staif.science.uva.nl/~gvlam/wsvlam/.

19. Wibisono A., VasyuninD., KorkhovV., ZhaoZ., BelloumA., LaatC., Adriaans P., Hertzberger B. WS-VLAM: A GT4 Based Workflow Management System // Lecture Notes in Computer Science, Vol. 4489,2007, P. 191-198.

20. Васильев B.H., Князьков K.B., Чуров Т.Н., Насонов Д.А., Марьин С.В., Ковальчук С.В., Бухановский А.В. CLAVIRE: облачная платформа для обработки данных больших объемов // Информационно-измерительные и управляющие системы. - 2012. - №11. -С. 7-16.

21. Knyazkov K.V., Kovalchuk S.V., TchurovT.N., Maryin S.V., Boukhanovsky A.V. CLAVIRE: e-Science Infrastructure for Data-driven Computing // Journal of Computational Science, Vol. 3(6), November 2012, P. 504-510.

22. Иванов C.B., Бухановский A.B., Болгова E.B., Каширин В.В., Якушев А.В., Чугунов А.В. Web-ориентированный производственно-исследовательский центр «Социодинамика» // Известия высших учебных заведений. Приборостроение. — 2011. — № 10.-С. 65-71.

23. Маслов В.Г., Бухановский А.В., Спельников Д.М., Гуськов А.А. Учебно-научный комплекс «Компьютерное моделирование в нанотехнологиях» на основе Грид-среды // Известия высших учебных заведений. Приборостроение. - 2011. - № 10. -С. 44-50.

24. Материалы конференции Urgent Computing Workshop 2007, Argonne National Lab, University of Chicago, April 25-26, 2007 [http://spruce.teragrid.org/workshop/urgent07.php].

25. Вельский Н.И. Синоптические условия Ленинградских наводнений. - «Тр. ГОИН», 1954. Вып. 27(39) С. 43-80.

26. Померанец К.С. Наводнения в Петербурге 1703-1997. - Санкт-Петербург: «Компания Балтрус», 1998. - 167с.

27. Померанец К.С. Три века Петербургских наводнений. - Санкт-Петербург: «Искусство-СПБ», 2005.-212с.

28. Померанец К.С. Несчастья невских берегов. Из истории петербургских наводнений. Москва-Санкт-Петербург: «Центрполиграф», 2009. - 430с.

29. HIRLAM - High Resolution Limited Area Model [Электронный ресурс]. - Режим доступа: http://www.hirlam.org.

30. Клеванный К.А. Смирнова Е.В. Использование программного комплекса CARDINAL // Журнал Университета водных коммуникаций. - 2009. - №1. - С. 153-162.

31. SWAN. User manual. Delft University of Technology. 2004 [Электронный ресурс]. -Режим доступа: http://swanmodel.sourceforge.net.

32. Крачтен Ф., Оббинк X., Стаффорд Д. Ретроспектива программных архитектур // Открытые системы. - 2006. - №3. - С.20-26.

33. Wyser К., Rontu L., Savijarvi Н. Introducing the effective radius into a fast radiation scheme of a mesoscale models // Contr. Atm. Phys. Vol. 72, 1999, P. 205-218.

34. Аверкиев A.C., Клеванный К.А. Расчет экстремальных уровней воды в восточной части Финского залива // Метеорология и гидрология. - 2009. - № 11. - С. 59-68.

35. Попов С.К., Лобов A.JL, ЕлисовВ.В., БатовВ.И. Прилив в оперативной модели краткосрочного прогноза уровня моря и скорости течений в Баренцевом и Белом морях // Метеорология и гидрология. - 2013. - №6. - С. 68-82.

36. Mesinger F., Arakawa A. Numerical methods used in atmospheric models // GAPR. WMO-ICSU. Vol. 1,N 17, 1976, P. 65.

37. Самарский А.А. Теория разностных схем. M.: Наука, 1989. - 616 с.

38. Flather R.A., Heaps N.S. Tidal computation for Morecambe Bay // Geophys. J. Roy. Astr. Soc. N 42, 1975, P. 489-517.

39. WRF - The weather research and forecasting model [Электронный ресурс]. - Режим доступа: http://www.wrf-model.org.

40. Advanced Research WRF (ARW) [Электронный ресурс]. - Режим доступа: http://www.mmm.ucar.edu/wrf/users/.

41. Nonhydrostatic Mesoscale Model (NMM) core of the Weather Research and Forecasting (WRF) [Электронный ресурс]. - Режим доступа: http://www.dtcenter.org/wrf-nmm/users/.

42. Вельтищев Н.Ф., Жупанов В.Д.. Численные прогнозы погоды по негидростатическим моделям общего пользования WRF-ARW и WRF-NMM // 80 лет Гидрометцентру России. Сборник статей, 2010 - С. 94-135.

43. Klemp J.B., Skamarock W.C., Dudhia J. Conservative split-explicit time integration methods for the compressible nonhydrostatic equations. Draftmanuscript. WRF Eulerian prototype model equations height and mass vertical coordinates // NCAR, Boulder, Colorado, 24 October 2000,14 p.

44. Skamarock W.C., Klemp J.B., Dudhia J., Gill D.O., Barker D.M., Duda M.G., Huang X.-Y., Wang W., Powers J.G.. A description of the Advanced Research WRF: Version 3. // NCAR Techn. Note -475 + STR, June 2008,125 p.

45. Wicker L.J. Skamarock W.C. Time splitting methods for elastic models using forward time schemes // Mon. Wea. Rev., 2002, Vol. 130, No. 8. P. 2088-2097.

46. SWAN - Simulationg waves nearshore [Электронный ресурс]. - Режим доступа: http://swanmodel.sourceforge.net.

47. Komen G. J., Cavaleri L., Donelan M., Hasselmann K., Hasselmann S., Janssen P.A.E.M. Dynamic and modelling of ocean waves. - Cambridge university press, 1994. - 556 p.

48. Gouldby В., Sayers P., Panzeri M., Lanyon J. Development and application of efficient methods for the forward propagation of epistemic uncertainty and sensitivity analysis within complex broad-scale flood risk system models // Can. J. Civ. Eng. NRC Research Press, Vol. 37, N7,2010, P. 955-967.

49. LhommeJ., Sayers P., Gouldby В., Samuels P., Wills M., Mulet-Marti J.R. Recent development and application of a rapid flood spreading method // Proc. of the FloodRisk Conf. London: Oxford, Taylor and Francis Group, 2008.

50. Bates P.D., De Roo A.J.P. A simple raster-based model for flood inundation simulation // J. Hydrol, Vol. 236, 2010, P. 54-77.

51. COMSOL [Электронные ресурс] . - Режим доступа: http://www.comsol.com/.

52. Bear J. Hydraulics of Groundwater. - Dover Publications, 2007. - 592p.

53. Savijarvi H., Arola A., Raisanen P. Shortwave optical properties of precipitating waterclouds // Quart. J. Roy. Met. Soc., Vol. 123, 1997, P. 883-899.

54. Hu Y.-X., Stamnes K. An accurate parameterization of the radiative properties of water clouds suitable for use in climate models // J. Climatol., N 6,1993, P. 728-742.

55. Global forecast system [Электронные ресурс]. - Режим доступа: http://www.emc.ncep.noaa.gov/index.php?branch=GFS.

56. The NOAA National Operational Model Archive and Distribution System [Электронные ресурс]. - Режим доступа: http://nomads.ncdc.noaa.gov.

57. NCEP WMO GRIB2 Documentation [Электронные ресурс]. - Режим доступа: http://www.nco.ncep.noaa.gov/pmb/docs/grib2/grib2_doc.shtml.

58. BOOS Baltic Operational Oceanographic System [Электронные ресурс]. - Режим доступа: http://www.boos.org.

59. Lionello Р, Sanna A., Elvini Е., Mufato R. A data assimilation procedure for operational prediction of storm surge in the northern Adriatic Sea // Continental Shelf Research, Vol. 26(4), 2006, P. 539-553.

60. Иванов C.B., Калюжная A.B., Косухин C.C. Особенности работы с данными в системах поддержки принятия решений на основе облачной архитектуры// Информационно-измерительные и управляющие системы. - 2012. - №11.- С. 63-70.

61.Ковальчук C.B., Князьков К.В., Чуров Т.Н., Смирнов П.А., Бухановский А.В. Организация человеко-компьютерного взаимодействия в средах компьютерного моделирования на базе облачной инфраструктуры // Прикладная информатика. - 2012. -№5(41).-С. 89-102.

62. Sobol I.M. Sensitivity Estimates for Nonlinear Mathematical Models. Mathematical Modelling and Computational Experiments, Volume 1(4), 1990, P. 407-414.

63. Boukhanovsky A.V., Ivanov S.V. Stochastic simulation of inhomogeneous metocean fields. Part I: Annual variability // Lecture Notes in Computer Science, Vol. 2658, 2003, P. 213— 222.

64. Saltelli A., Tarantola S., Chan K. A quantitive model-independent method for global sensitivity analysis of model output // Technometrics, Vol. 41, No. 1, 1999. P. 39-56.

65. Бухановский A.B., Рожков B.A. Невские наводнения редкой повторяемости // Изв. РГО, т. 131, вып. 3 - 1999, С. 42-48.

66. Wang L., Cheng Q. Web-based Collaborative Decision Support Services: Concept, Challenges and Application // International Archives of Photogrammetry, Remote Sensing, and Spatial Information Sciences (ISPRS) Technical Commission II Symposium, Vienna, 12-14 July 2006. Available from: http://www.isprs.org/commission2/proceedings06/pdf/wang.pdf.

67. Александров Д.В., Гусев M.A. Алгоритм информационной поддержки принятия решений диспетчером газотранспортной системы во внештатных ситуациях // Информационно-измерительные и управляющие системы. - 2008. — Т. 6. № 5. - С. 6675.

68. Zha F.X., Sriram R.D., Fernandez M.G, Mistree F. Knowledge-intensive collaborative decision support for design processes: A hybrid decision support model and agent. // Comput. Ind. 59, 9 (December 2008), P. 905-922.

Q^-p

69. Pohl J.G. Collaborative decision-support and the: human^machine relationship // In Proceedings of the 1999 ONR Decision-Support Workshop Series: A Decision-Making Tools Workshop, 1999, P. 21-46.

70. Giarratano J.C., Riley G.D. Expert systems - principles and programming: 4 edition. -Course Technology, 2004. - 288 pp.

71. Kovalchuk S.V., SmirnovP.A., Kosukhin S.S., Boukhanovsky A.V. Virtual Simulation Objects concept as a framework for system-level simulation // Proceedings of the 8th IEEE International Conference on eScience (eScience 2012). 2012. P. 1-8.

72. Смирнов П.А., Ковальчук С.В., Бухановский А.В. Системологический подход к проектированию и разработке предметно-ориентированных информационно-управляющих систем // Информационно-измерительные и управляющие системы. -2012.-№11.-С. 17-24.

73. Бухановский А.В., Ковальчук С.В., Марьин С.В. Интеллектуальные высокопроизводительные программные комплексы моделирования сложных систем: концепция, архитектура и примеры реализации // Известия высших учебных заведений. Приборостроение. - 2009. -№ 10. - С. 5-24.

74. Smith S.D., Banke E.G., Variation of the sea surface drag coefficient with wind speed, Quart. J. R. Met. SOC., 1975,101, P. 665-673.

75. Klevanny K., A flood forecasting system for Saint-Petersburg, ACTIF International Conference on Innovation Advances and Implementation of Flood Forecasting Technology, 17-19 October 2005, Troms0, Norway.

76. Рожков B.A., Трапезников Ю.А. Вероятностные модели океанологических процессов. - JL: Гидрометеоиздат, 1990 - 260с.

77. Румянцев В.А., Трапезников Ю.А., Григорьев А.С. Стохастические модели влияния климата на гидрологию озерю - Санкт-Петербург: НИИ Химии СПбГУ, 2001. - 156с.

78. Безгодов А.А., Иванов С.В., Бухановский А.В., Косухин С.С. Виртуальный полигон для исследовательского проектирования морских объектов и сооружений // Известия высших учебных заведений. Приборостроение. - 2011. -№ 10. - С. 58-64.

79. The OpenDA data-assimilation toolbox [Электронный ресурс]. - Режим доступа: http://www.openda.org.

80. Насонов Д.А., Штейнберг Б.Я., Бухановсюш А.В. Особенности вероятностного анализа производительности и надежности проблемно-ориентированных сред облачных вычислений // Известия высших учебных заведений. Приборостроение. - 2011. - № 10. -С. 51-58.