Fechar
Metadados

@PhDThesis{Azevedo:2018:AjDiAn,
               author = "Azevedo, Helena Barbieri de",
                title = "Ajuste din{\^a}mico para an{\'a}lise hibrida entre um sistema 
                         variacional e o filtro de Kalman por conjunto",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2018",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2018-10-22",
             keywords = "assimila{\c{c}}{\~a}o de dados, sistemas h{\'{\i}}bridos, 
                         filtro de Kalman por conjunto, sistema variacional, previs{\~a}o 
                         num{\'e}rica do tempo, data assimilation system, hybrid system, 
                         ensemble Kalman filter, variational system, numerical weather 
                         prediction.",
             abstract = "Ao longo dos {\'u}ltimos anos, os sistemas de 
                         assimila{\c{c}}{\~a}o de dados H{\'{\i}}bridos t{\^e}m sido 
                         alvo de v{\'a}rios estudos. Esses sistemas consistem em combinar 
                         dois outros sistemas de assimila{\c{c}}{\~a}o de dados, sendo 
                         usualmente um variacional e outro baseado em conjunto. Os sistemas 
                         H{\'{\i}}bridos tradicionais visam beneficiar um sistema 
                         variacional atrav{\'e}s do uso da covari{\^a}ncia do erro do 
                         background de um sistema por conjunto. Uma abordagem mais recente 
                         visa melhorar um sistema por conjunto atrav{\'e}s da estabilidade 
                         vinda do sistema variacional, pela combina{\c{c}}{\~a}o linear 
                         entre suas an{\'a}lises, ponderadas por um peso est{\'a}tico 
                         arbitr{\'a}rio. Considerando que os sistemas de 
                         assimila{\c{c}}{\~a}o de dados variacionais e os sistemas por 
                         conjunto apresentam erros diferentes e que uma forma de 
                         quantificar a incerteza do sistema por conjunto {\'e} 
                         atrav{\'e}s do seu espalhamento, esta tese de doutorado 
                         prop{\~o}e avaliar o ganho ao incluir em um sistema de 
                         assimila{\c{c}}{\~a}o de dados H{\'{\i}}brido M{\'e}dio um 
                         coeficiente de ajuste din{\^a}mico, o qual utiliza essas 
                         informa{\c{c}}{\~o}es de incerteza do sistema por conjunto na 
                         configura{\c{c}}{\~a}o desse coeficiente. A metodologia 
                         empregada, utiliza como modelo um MCGA simplificado (SPEEDY), como 
                         sistema por conjunto o LETKF, e como sistema variacional o 3DVar 
                         para comporem o sistema H{\'{\i}}brido M{\'e}dio. O coeficiente 
                         de ajuste din{\^a}mico {\'e} calculado com base nos valores 
                         normalizados do espalhamento do conjunto. Foram realizados ao todo 
                         oito experimentos, sendo dois deles com o LETKF e com o 3DVar 
                         separadamente, cinco deles variando os valores de alfa fixo ( = 0, 
                         1, = 0, 3, = 0, 5, = 0, 7 e = 0, 9), e por {\'u}ltimo, um 
                         experimento utilizando o coeficiente de ajuste din{\^a}mico. 
                         Nesses experimentos foram avaliadas as an{\'a}lises e 
                         previs{\~o}es de at{\'e} 120 horas para os per{\'{\i}}odos de 
                         ver{\~a}o e inverno. Os resultados mostraram que o LETKF 
                         apresenta erros menores que o 3DVar tanto em suas an{\'a}lises 
                         quanto nos primeiros hor{\'a}rios de previs{\~a}o, por{\'e}m 
                         esse padr{\~a}o se inverte a partir de aproximadamente 48 horas 
                         de previs{\~a}o. Atrav{\'e}s da avalia{\c{c}}{\~a}o feita com 
                         as an{\'a}lises geradas pelos diversos valores de alfa, foi 
                         encontrado um valor {\'o}timo de = 0, 1, e quando este resultado 
                         foi comparado contra o experimento com o coeficiente de ajuste 
                         din{\^a}mico, tamb{\'e}m obteve, na maioria dos casos, menores 
                         erros nas an{\'a}lises. No entanto, para o per{\'{\i}}odo de 
                         ver{\~a}o, o coeficiente de ajuste din{\^a}mico apresentou 
                         an{\'a}lises mais balanceadas, enquanto as an{\'a}lises geradas 
                         pelo = 0, 3, para o per{\'{\i}}odo de inverno, foram melhor 
                         balanceadas. Ao serem comparadas as previs{\~o}es geradas a 
                         partir das an{\'a}lises dos experimentos com = 0, 1 e com o 
                         coeficiente de ajuste din{\^a}mico, observou-se o seguinte 
                         padr{\~a}o de comportamento: existe uma tend{\^e}ncia no aumento 
                         do ganho do experimento com o coeficiente de ajuste din{\^a}mico 
                         em rela{\c{c}}{\~a}o ao experimento com = 0, 1. Por fim, 
                         experimentos adicionais foram realizados a fim de avaliar o 
                         comportamento do sistema H{\'{\i}}brido M{\'e}dio em 
                         rela{\c{c}}{\~a}o ao aumento no n{\'u}mero de membros e em 
                         rela{\c{c}}{\~a}o a otimiza{\c{c}}{\~a}o do intervalo do 
                         coeficiente de ajuste din{\^a}mico. ABSTRACT: Over the past few 
                         years, Hybrid data assimilation systems have been the subject of 
                         several studies. These systems consist of combining two other data 
                         assimilation systems, usually one variational and one ensemble 
                         based. Traditional Hybrid systems aim to benefit a variational 
                         system by using the background error covariance of the ensemble 
                         based system. The most recent approach is to improve the ensemble 
                         based system, through the stability of the variational system, by 
                         the linear combination between both analyses, weighted by an 
                         arbitrary static weight. Considering that variational data 
                         assimilation systems and ensemble based systems have different 
                         errors, one way of quantifying the uncertainty of the system is 
                         through the ensemble spread. This PhD thesis proposed to evaluate 
                         a Hybrid Gain data assimilation system by including a dynamic fit 
                         coefficient, which considers the uncertainty information from the 
                         ensemble system. The methodology uses a simplified AGCM (SPEEDY) 
                         model, an ensemble based system (LETKF) and a variational system 
                         (3DVar) to build up the Hybrid Gain system. The dynamic fit 
                         coefficient is calculated based on the normalized values of the 
                         ensemble spread. A total of eight experiments were performed, two 
                         of them using LETKF and 3DVar separately, five of them varying the 
                         fixed alpha values ( = 0.1, = 0.3, = 0.5, = 0.7 and = 0.9), and 
                         finally, an experiment using the dynamic fit coefficient. In these 
                         experiments, the analyses and forecasts of up to 120 hours for the 
                         summer and winter were analyzed. The results showed that LETKF 
                         presented smaller errors when compared to the 3DVar in both 
                         analyzes and the first forecasting hours, but this pattern 
                         reverses starting on approximately 48 hours. By evaluating the 
                         various alpha values, an optimal value of = 0.1 was found, and 
                         when this result was compared against the experiment with the 
                         dynamic fit coefficient, it also obtained, in most cases, smaller 
                         errors in the analyzes. Furthermore, during the summer, the 
                         dynamic fit coefficient presented more balanced analyzes, whereas 
                         the analyzes generated by the = 0.3, for the winter period, were 
                         better balanced. When the forecasts generated from the analyzes of 
                         the experiments with = 0.1 and the dynamic fit coefficient were 
                         compared, the following was noticed: there is a tendency in the 
                         gain of the experiment with the dynamic fit coefficient with 
                         respect to the experiment with = 0.1. Finally, additional 
                         experiments were carried out in order to evaluate the behavior of 
                         the Hybrid Gain system with respect to the increase in the number 
                         of members and i to the optimization of the range of the dynamic 
                         adjustment coefficient.",
            committee = "Arav{\'e}quia, Jos{\'e} Ant{\^o}nio (presidente) and 
                         Gon{\c{c}}alves, Luis Gustavo Gon{\c{c}}alves de (orientador) 
                         and Bastarz, Carlos Frederico and Kalnay, Eug{\^e}nia and Harter, 
                         Fabr{\'{\i}}cio Pereira",
         englishtitle = "Dynamic fit for hybrid analysis between a variational system and 
                         ensemble Kalman filter",
             language = "pt",
                pages = "152",
                  ibi = "8JMKD3MGP3W34R/3S5CNC2",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34R/3S5CNC2",
           targetfile = "publicacao.pdf",
        urlaccessdate = "04 dez. 2020"
}


Fechar