Fechar
Metadados

@PhDThesis{Furtado:2012:ReNeAs,
               author = "Furtado, Helaine Cristina Morais",
                title = "Redes neurais para assimila{\c{c}}{\~a}o de dados em um modelo 
                         de circula{\c{c}}{\~a}o oce{\^a}nica",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2012",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2012-12-07",
             keywords = "Assimila{\c{c}}{\~a}o de dados, Redes Neurais Artificiais, 
                         {\'a}gua rasa 2D, M{\'e}todo Representante, Filtro de Kalman, 
                         data assimilation, artificial neural network, 2D shallow water, 
                         represent method, Kalman filter.",
             abstract = "A descri{\c{c}}{\~a}o da maioria dos fen{\^o}menos 
                         f{\'{\i}}sicos por meio de equa{\c{c}}{\~o}es diferenciais 
                         envolve erros, uma vez que um modelo 
                         f{\'{\i}}sico-matem{\'a}tico {\'e} sempre uma 
                         aproxima{\c{c}}{\~a}o da realidade. Para sistemas operacionais 
                         de previs{\~a}o, uma estrat{\'e}gia para lidar com incertezas do 
                         erro de modelagem e das observa{\c{c}}{\~o}es {\'e} adicionar 
                         alguma informa{\c{c}}{\~a}o real do sistema f{\'{\i}}sico ao 
                         modelo matem{\'a}tico. Esta informa{\c{c}}{\~a}o adicional 
                         consiste de observa{\c{c}}{\~o}es (valores medidos) sobre o 
                         fen{\^o}meno que se deseja modelar. No entanto, os dados 
                         observados devem ser inseridos com cuidado para evitar uma 
                         degrada{\c{c}}{\~a}o no desempenho da previs{\~a}o. 
                         T{\'e}cnicas de assimila{\c{c}}{\~a}o de dados s{\~a}o 
                         ferramentas que combinam de modo eficaz observa{\c{c}}{\~o}es 
                         com dados de modelos f{\'{\i}}sico-matem{\'a}ticos para a 
                         determina{\c{c}}{\~a}o do dado de an{\'a}lise 
                         (condi{\c{c}}{\~a}o inicial), que {\'e} usado para executar o 
                         modelo de previs{\~a}o. Esse processo {\'e} fundamental na 
                         pr{\'a}tica operacional da previs{\~a}o num{\'e}rica do tempo e 
                         em circula{\c{c}}{\~a}o oce{\^a}nica. Com o desenvolvimento do 
                         sistema de observa{\c{c}}{\~a}o e a evolu{\c{c}}{\~a}o dos 
                         modelos num{\'e}ricos, a ordem de dados observados 
                         dispon{\'{\i}}veis para serem assimilados {\'e} de 10\$^{5}\$ 
                         a 10\$^{7}\$, enquanto o n{\'u}mero de pontos de grade do 
                         modelo {\'e} da ordem de 10\$^{6}\$ a 10\$^{8}\$, isso 
                         representa um grande desafio no processo de 
                         assimila{\c{c}}{\~a}o de dados, isto {\'e}, \textit{o estudo 
                         de t{\'e}cnicas que utilizam todos os dados dispon{\'{\i}}veis 
                         produzindo uma an{\'a}lise dentro do per{\'{\i}}odo 
                         dispon{\'{\i}}vel da pr{\'a}tica operacional.} Deste modo, este 
                         trabalho apresenta uma t{\'e}cnica de assimila{\c{c}}{\~a}o de 
                         dados que utiliza redes neurais artificiais aplicada ao modelo de 
                         {\'a}gua rasa em duas dimens{\~o}es e na equa{\c{c}}{\~a}o da 
                         onda em uma dimens{\~a}o. As observa{\c{c}}{\~o}es utilizadas 
                         foram sint{\'e}ticas. As rede neurais aplicadas foram a 
                         Perceptron de M{\'u}ltiplas Camadas, utilizada para emular as 
                         t{\'e}cnicas de Filtro de Kalman (FK) e o m{\'e}todo 
                         \textit{Representante}. O m{\'e}todo empregado apresentou grande 
                         efici{\^e}ncia computacional com a mesma qualidade das 
                         an{\'a}lises obtidas por meio do FK e o m{\'e}todo 
                         \textit{Representante}. No cen{\'a}rio atual de dados de 
                         observa{\c{c}}{\~a}o em crescente expans{\~a}o, bem como o 
                         aumento da resolu{\c{c}}{\~a}o dos modelos de 
                         circula{\c{c}}{\~a}o atmosf{\'e}rica e oce{\^a}nica, esta 
                         t{\'e}cnica pode ser uma alternativa vi{\'a}vel para o problema 
                         de assimila{\c{c}}{\~a}o 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, 
                         \textit{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.",
            committee = "Chalhoub, Ezzat Selim (presidente) and Velho, Haroldo Fraga de 
                         Campos (orientador) and Macau, Elbert Einstein Nehre (orientador) 
                         and Cintra, Ros{\^a}ngela Saher Corr{\^e}a (orientadora) and 
                         Castro, Joaquim Jos{\'e} Barroso de and Tanajura, Clemente 
                         Augusto Souza and Reiser, Renata Hax Sander",
           copyholder = "SID/SCD",
         englishtitle = "Artificial neural networking to data assimilation at ocean 
                         circulation model",
             language = "pt",
                pages = "173",
                  ibi = "8JMKD3MGP7W/3D3J5QS",
                  url = "http://urlib.net/rep/8JMKD3MGP7W/3D3J5QS",
           targetfile = "publicacao.pdf",
        urlaccessdate = "14 dez. 2019"
}


Fechar