面向科学数据集的特征保持时空自适应压缩——以极端气候事件分析模拟数据为例

科学发现日益受到有限存储空间和 I/O 能力的制约。对于时间序列模拟和实验，其数据通常需要在时间步长上进行抽取，以适应存储和 I/O 限制。在本文中，我们提出了一种技术，通过时空自适应、误差控制的有损压缩来解决存储成本问题，同时提高后分析精度。我们研究了数据精度与时间输出率之间的权衡，发现降低数据精度并增加时间步长频率可带来更准确的分析结果。此外，我们将时空特征检测与数据压缩相结合，并证明在高维空间中执行自适应误差有界压缩能够实现更高的压缩比，这利用了基于变换的压缩器的误差传播理论。为了评估我们的方法，我们使用著名的 E3SM 气候模拟代码进行实验，并将我们的方法应用于压缩用于气旋追踪的变量。结果表明，与普遍采用的时间步长抽取方法相比，我们的方法显著减少了存储大小，同时在定量和定性上提高了气旋追踪分析的质量。与三种缺乏特征保持能力的最先进有损压缩器相比，我们的自适应压缩框架在中等压缩比下将气旋（TC）追踪中的完全匹配案例提高了 26.4-51.3%，在大压缩比下提高了 77.3-571.1%，而计算开销仅为 5-11%。