Fechar
Metadados

Tipo da ReferênciaThesis
Identificador8JMKD3MGP7W/3D3J5QS
Repositóriosid.inpe.br/mtc-m19/2012/11.19.16.34
Metadadossid.inpe.br/mtc-m19/2012/11.19.16.34.39
Sitemtc-m16d.sid.inpe.br
Chave SecundáriaINPE-17129-TDI/1984
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Chave de CitaçãoFurtado:2012:ReNeAs
AutorFurtado, Helaine Cristina Morais
GrupoCAP-COMP-SPG-INPE-MCTI-GOV-BR
TítuloRedes neurais para assimilação de dados em um modelo de circulação oceânica
Ano2012
BancaChalhoub, Ezzat Selim (presidente)
Velho, Haroldo Fraga de Campos (orientador)
Macau, Elbert Einstein Nehre (orientador)
Cintra, Rosângela Saher Corrêa (orientadora)
Castro, Joaquim José Barroso de
Tanajura, Clemente Augusto Souza
Reiser, Renata Hax Sander
Data2012-12-07
Título AlternativoArtificial neural networking to data assimilation at ocean circulation model
UniversidadeInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Palavras-ChaveAssimilação de dados, Redes Neurais Artificiais, água rasa 2D, Método Representante, Filtro de Kalman, data assimilation, artificial neural network, 2D shallow water, represent method, Kalman filter.
ResumoA descrição da maioria dos fenômenos físicos por meio de equações diferenciais envolve erros, uma vez que um modelo físico-matemático é sempre uma aproximação da realidade. Para sistemas operacionais de previsão, uma estratégia para lidar com incertezas do erro de modelagem e das observações é adicionar alguma informação real do sistema físico ao modelo matemático. Esta informação adicional consiste de observações (valores medidos) sobre o fenômeno que se deseja modelar. No entanto, os dados observados devem ser inseridos com cuidado para evitar uma degradação no desempenho da previsão. Técnicas de assimilação de dados são ferramentas que combinam de modo eficaz observações com dados de modelos físico-matemáticos para a determinação do dado de análise (condição inicial), que é usado para executar o modelo de previsão. Esse processo é fundamental na prática operacional da previsão numérica do tempo e em circulação oceânica. Com o desenvolvimento do sistema de observação e a evolução dos modelos numéricos, a ordem de dados observados disponíveis para serem assimilados é de 10$^{5}$ a 10$^{7}$, enquanto o número de pontos de grade do modelo é da ordem de 10$^{6}$ a 10$^{8}$, isso representa um grande desafio no processo de assimilação de dados, isto é, extit{o estudo de técnicas que utilizam todos os dados disponíveis produzindo uma análise dentro do período disponível da prática operacional.} Deste modo, este trabalho apresenta uma técnica de assimilação de dados que utiliza redes neurais artificiais aplicada ao modelo de água rasa em duas dimensões e na equação da onda em uma dimensão. As observações utilizadas foram sintéticas. As rede neurais aplicadas foram a Perceptron de Múltiplas Camadas, utilizada para emular as técnicas de Filtro de Kalman (FK) e o método extit{Representante}. O método empregado apresentou grande eficiência computacional com a mesma qualidade das análises obtidas por meio do FK e o método extit{Representante}. No cenário atual de dados de observação em crescente expansão, bem como o aumento da resolução dos modelos de circulação atmosférica e oceânica, esta técnica pode ser uma alternativa viável para o problema de assimilação de dados. ABSTRACT: The description of physical phenomena through differential equations carries errors, since the mathematical model is always an approximation of reality. For an operational prediction system, one strategy to deal with uncertainties from the modeling and observation errors is to add some information from the real dynamics into the mathematical model. This aditional information consists of observations on the phe-nomenon. However, the observational data insertion should be done carefully, in order to avoid loss of performance of the prediction. Technical data assimilation are tools to combine data from physical-mathematics model with observational data to obtain a better forecast. This process is fundamental to the practice of operational numerical weather prediction and ocean circulation. With the development of the observing system and the development of numerical models, the order of observed data available to be assimilated is 10$^{5}$ to 10$^{7}$, while the number of grid points of the model is around 10$^{6}$ to 10$^{8}$, this represents a hard challenge in the process of data assimilation, that is, extit{the development of techniques that uses all available data to produce an analysis within the available period of operational practice}. Thus, this work presents a data assimilation technique that uses artificial neural network models applied in shallow water in two dimensions and the wave equation in one dimensiono Synthetic Observations were used. The neural network was applied to Multi-Layer Perceptron, which is used to emulate the techniques of Kalman Filter (KF) and representer method. The method showed high computational efficiency with the same quality of the analyzes obtained by the FK and representer method. In the current scenario observation data are becoming increasingly widespread, requiring higher resolution models of atmospheric and oceanic circulation, this technique may be a viable alternative to the problem of data assimilation.
Número de Páginas173
Idiomapt
Tipo da TeseTese (Doutorado em Computação Aplicada)
Tipo SecundárioTDI
AreaCOMP
CursoCAP-COMP-SPG-INPE-MCTI-GOV-BR
Tamanho7161 KiB
Número de Arquivos1
Arquivo Alvopublicacao.pdf
Última Atualização2013:03.01.12.58.40 sid.inpe.br/mtc-m19@80/2009/08.21.17.02 administrator
Última Atualização dos Metadados2018:06.05.04.13.14 sid.inpe.br/mtc-m19@80/2009/08.21.17.02 administrator {D 2012}
Estágio do Documentoconcluido
É a matriz ou uma cópia?é a matriz
Espelhosid.inpe.br/mtc-m19@80/2009/08.21.17.02.53
Endereço de e-Mailhelaine.furtado@gmail.com
Grupo de Usuáriosadministrator helaine.furtado@gmail.com lmanacero@yahoo.com tereza@sid.inpe.br yolanda.souza@mcti.gov.br
Grupo de Leitoresadministrator helaine.furtado@gmail.com lmanacero@yahoo.com tereza@sid.inpe.br yolanda.souza@mcti.gov.br
Detentor da CópiaSID/SCD
Visibilidadeshown
Transferível1
Acervo Hospedeirosid.inpe.br/mtc-m19@80/2009/08.21.17.02
Estágio do Documentonot transferred
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2PHGS
Conteúdo da Pasta source
Originais/@4primeirasPaginas.pdf 01/03/2013 09:16 777.9 KiB
Originais/folha de aprovacao.pdf 19/02/2013 10:20 5.7 MiB
Originais/publicacao.pdf 18/02/2013 14:31 12.0 MiB
publicacao.pdf 01/03/2013 09:30 7.0 MiB
Conteúdo da Pasta agreement
.htaccess 19/11/2012 14:34 27 B     
.htaccess2 19/11/2012 14:34 27 B     
agreement.html 19/11/2012 14:34 1.7 KiB
autorizacao.pdf 01/03/2013 09:58 5.4 MiB
Histórico2012-11-19 16:35:56 :: helaine.furtado@gmail.com -> yolanda ::
2012-11-27 11:24:28 :: yolanda -> helaine.furtado@gmail.com ::
2013-02-18 13:47:02 :: helaine.furtado@gmail.com -> yolanda ::
2013-02-28 14:43:19 :: yolanda -> lmanacero@yahoo.com ::
2013-03-01 12:59:49 :: lmanacero@yahoo.com -> tereza@sid.inpe.br ::
2013-03-07 17:32:32 :: tereza@sid.inpe.br :: -> 2012
2013-03-07 17:59:39 :: tereza@sid.inpe.br -> administrator :: 2012
2018-06-05 04:13:14 :: administrator -> :: 2012
Campos Vaziosacademicdepartment affiliation archivingpolicy archivist callnumber contenttype copyright creatorhistory descriptionlevel dissemination doi electronicmailaddress format isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readpermission resumeid rightsholder secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype
Data de Acesso14 dez. 2019

Fechar