Fechar
Metadados

@PhDThesis{Cintra:2010:AsDaRe,
               author = "Cintra, Ros{\^a}ngela Saher Corr{\^e}a",
                title = "Assimila{\c{c}}{\~a}o de dados com redes neurais artificiais em 
                         modelo de circula{\c{c}}{\~a}o geral da atmosfera",
               school = "Instituto Nacional de Pesquisas Espaciais",
                 year = "2010",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2010-09-27",
             keywords = "assimila{\c{c}}{\~a}o de dados, redes neurais artificiais, 
                         previs{\~a}o num{\'e}rica de tempo, perceptron de multiplas 
                         camadas, modelo de circula{\c{c}}{\~a}o geral, data 
                         assimilation, numerical weather predicition, artificialneural 
                         networks, multilayer perceptron, general circulation model.",
             abstract = "Sistemas de previs{\~a}o de tempo requerem um modelo para sua 
                         evolu{\c{c}}{\~a}o temporal e uma estimativa do estado atual do 
                         sistema. A previs{\~a}o num{\'e}rica de tempo (PNT) integra as 
                         equa{\c{c}}{\~o}es da din{\^a}mica da atmosfera com os 
                         processos f{\'{\i}}sicos e pode prever o estado futuro da 
                         atmosfera. Assimila{\c{c}}{\~a}o de dados prov{\^e} a 
                         estimativa inicial da atmosfera onde combina 
                         informa{\c{c}}{\~o}es de observa{\c{c}}{\~o}es e de uma 
                         previs{\~a}o anterior de curto prazo, produzindo uma estimativa 
                         de estado atual. Neste trabalho investigou-se a t{\'e}cnica de 
                         assimila{\c{c}}{\~a}o de dados com Redes Neurais Artificiais 
                         (RNA). As previs{\~o}es de curto prazo s{\~a}o de um modelo 
                         global de equa{\c{c}}{\~o}es primitivas. O modelo SPEEDY 
                         (\textit{Simplified Parameterizations, primitivE-Equation 
                         DYnamics}) {\'e} um modelo de circula{\c{c}}{\~a}o geral da 
                         atmosfera com grade em coordenadas tridimensionais. Molteni (2003) 
                         mostrou que o modelo SPEEDY tem caracter{\'{\i}}sticas 
                         semelhantes aos modelos atmosf{\'e}ricos do estado-da-arte. Para 
                         o esquema de assimila{\c{c}}{\~a}o de dados aplicou-se uma RNA 
                         supervisionada (Perceptron de M{\'u}ltiplas Camadas) para emular 
                         os resultados da t{\'e}cnica de Filtro de Kalman por Conjunto 
                         Transformado e Localizado (\textit{Local Transform Ensemble 
                         Kalman Filter} - LETKF). O esquena LETKF {\'e} uma 
                         aproxima{\c{c}}{\~a}o do Filtro de Kalman onde um conjunto tipo 
                         Monte-Carlo de previs{\~o}es de curto prazo s{\~a}o usadas para 
                         estimar as covari{\^a}ncias do erro do modelo de previs{\~a}o. O 
                         m{\'e}todo com RNA neste trabalho pode ser descrito como um 
                         processo de assimila{\c{c}}{\~a}o, onde a rede neural ap{\'o}s 
                         treinada obt{\'e}m os resultados em fun{\c{c}}{\~a}o do modelo 
                         de estado SPEEDY e de observa{\c{c}}{\~o}es sint{\'e}ticas. A 
                         estrat{\'e}gia do treinamento supervisionado da RNA, a 
                         implementa{\c{c}}{\~a}o das redes, do modelo e das 
                         observa{\c{c}}{\~o}es s{\~a}o apresentadas. A {\^e}nfase 
                         principal nesta t{\'e}cnica {\'e} a velocidade computacional na 
                         obten{\c{c}}{\~a}o da condi{\c{c}}{\~a}o inicial do modelo de 
                         estado que acelera todo o processo de previs{\~a}o num{\'e}rica 
                         do tempo. Os resultados num{\'e}ricos demonstrem a 
                         efici{\^e}ncia da t{\'e}cnica de assimila{\c{c}}{\~a}o de 
                         dados atmosf{\'e}ricos utilizando RNA, pois estes apresentam-se 
                         muito pr{\'o}ximos aos resultados da assimila{\c{c}}{\~a}o de 
                         dados realizada com o m{\'e}todo LETKF. As simula{\c{c}}{\~o}es 
                         demonstram a grande vantagem no uso de redes neurais: o melhor 
                         desempenho computacional. ABSTRACT: Weather forecasting systems 
                         require a model for the time evolution and an estimate of the 
                         current state of the system. The numerical weather prediction 
                         (NWP) incorporates the equations of atmospheric dynamics with 
                         physical process and it can predict the future state of the 
                         atmosphere. Data assimilation provides such an initial estimate of 
                         the atmosphere where it combines information from observations and 
                         from a prior short-term forecast producing an current state 
                         estimate. This work investigated the approach of data assimilation 
                         with Artificial Neural Networks (ANN). The short-term predictions 
                         are from a global primitive equation model, the SPEEDY model 
                         \textit{Simplified parameterizations, primitive-Equation 
                         Dynamics}, simplified physical processes of an atmospheric general 
                         circulation with resolution in tridimensional coordinates. Molteni 
                         (2003) showed that the SPEEDY model has similar characteristics to 
                         the state-of-art atmospheric models. For the data assimilation 
                         scheme, it applied a supervised ANN Multilayer Perceptron to 
                         emulate the analysis results for \textit{Local Ensemble Transform 
                         Kalman Filter} (LETKF). LETKF is an approximation of Kalman 
                         filter, with Monte-Carlo ensemble of short-term forecasts to 
                         estimate the forecast model error covariances. The method using 
                         RNA in this work can be described as a process of data 
                         assimilation, where the ANN trained after obtaining the results, 
                         like a function of the state model SPEEDY and its synthetic 
                         observations. The strategy of ANN supervised training, the 
                         implementations of networks and the model and the observations are 
                         presented. The main emphasis of this technique is the 
                         computational speed in obtaining the initial condition for state 
                         model that accelerates the whole process of numerical weather 
                         prediction. The numerical results demonstrate the effectiveness of 
                         this ANN technique in atmospheric data assimilation because these 
                         have been very close to the results compared with LETKF data 
                         assimilation results. The simulations demonstrate the great 
                         advantage in using neural networks: the best computational 
                         performance.",
            committee = "Macau, Elbert Einstein Nehrer (presidente) and Velho, Haroldo 
                         Fraga de Campos (orientador) and Silva, Jos{\'e} Demisio 
                         Sim{\~o}es da and Arav{\'e}quia, Jos{\'e} Ant{\^o}nio and 
                         Dias, Pedro Leite da Silva and Araujo, Aluizio Fausto Ribeiro",
           copyholder = "SID/SCD",
         englishtitle = "Data assimilation with artificial neural networks in atmospheric 
                         general circulation model",
             language = "pt",
                pages = "200",
                  ibi = "8JMKD3MGP7W/389UKPS",
                  url = "http://urlib.net/rep/8JMKD3MGP7W/389UKPS",
           targetfile = "publicacao.pdf",
        urlaccessdate = "14 nov. 2019"
}


Fechar