Novas abordagens em assililação de dados meteorológicos

• Ano de defesa: 2001
• Autor(a) principal: Alexandre Guirland Nowosad
• Orientador(a): Haroldo Fraga de Campos Velho, Atair Rios Neto
• Banca de defesa: Pedro Leite da Silva Dias, André Ponce de Leon F. de Carvalho, Ricardo Todling
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Meteorologia
• País: BR
• Resumo em Inglês: This thesis examines two new approaches to the problem of atmospheric data assimilation, the use of an Adaptive Extended Kalman Filter and Multilayer Perceptron Neural Networks. Firstly, the Adaptive Extended Kalman Filter is used for data assimilation in three nonlinear dynamical systems: 1-16non discrete-time chaotic dynamic system,Lorenz chaotic differential equation and computational model DYNAMO for the atmosphere. This approach does not require the modelling error to be stationary and-uses a linear Kalman filter to estimate this error. For the last two systems this method has been compared to the methods using Laplace Transform, Linear and Extended Kalman Filter. The conclusion has been that only the Adaptive Extended Kalman Filter could be used reliably in all systems. Secondly, Multilayer Perceptron Neural Networks have been used for data assimilation in the same dynamic systems. In this approach the network is trained to "emulate" Kalman Filter data assimilation method with the objective of avoiding recalculation of the gain matrix at each instant of assimilation. A new prodedure for training the networks has also been proposed, based on a modification in the backpropagation algorithm. Encouraging test results are shown. It has also been shown that for high-dimensional systems the trained networks can be computationally faster than the Kalman filters.
• Link de acesso: http://urlib.net/sid.inpe.br/jeferson/2004/03.11.13.50

Esta tese examina duas novas abordagens para o problema de assimilação de dados atmosféricos, o uso de um Filtro de Kalman Estendido Adaptativo e Redes Neurais de Perceptrons Multicamadas. Primeiro, o Filtro de Kalman Estendido Adaptativo é usado para assimilação de dados em três sistemas dinâmicos não-lineares: sistema de tempo discreto caótico de Hérion, equação diferencial caótica de Lorenz e modelo computacional DYNAMO para a atmosfera. Esta abordagem não requereu que o erro de modelagem fosse estacionário e usa um filtro de Kalman linear para estimar este erro. Este método foi comparado aos métodos usando transformada de Laplace, Filtro de Kalman Estendido e Linear. A conclusão foi que somente o Filtro de Kalman Estendido Adaptativo pôde ser usado com confiabilidade em todos os sistemas. Segundo, Redes Neurais de Perceptrons Multicamadas foram usadas para assimilação de dados nos mesmos sistemas dinâmicos. Nesta abordagem a rede é treinada para "emular" assimilação de dados Filtro de Kalman, com o objetivo de evitar recálculo da matriz de ganho a cada instante de assimilação. Um novo procedimento para treinar as redes também foi proposto, baseado numa modificação do algoritmo de retropropagação. Resultados de testes encorajadores são mostrados. Mostrou-se também que para sistemas de alta dimensão as redes treinadas podem ser computacionalmente mais rápidas que os filtros de Kalman.