@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 (INPE)",
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/ibi/8JMKD3MGP7W/389UKPS",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}