@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/ibi/8JMKD3MGP7W/3D3J5QS",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}