%0 Book Section
%@nexthigherunit 8JMKD3MGPCW/46KUES5
%3 cintra_assimilacao.pdf
%4 sid.inpe.br/plutao/2021/12.09.15.59
%A Cintra, Rosangela Saher Corrêa,
%A Campos Velho, Haroldo Fraga de,
%@secondarytype PRE LN
%B Engenharias elétrica e de computação: O terceiro pilar
%C Ponta Grossa (Paraná?Brasil)
%D 2021
%E Freitas, L. C.,
%F lattes: 5142426481528206 2 CintraCamp:2021:AsDaRe
%I Atena
%K Assimilação de dados, Modelo atmosférico, Rede neural artificial, filtro de Kalman por conjunto.
%P 15-29
%T Assimilação de Dados Redes Neurais em Ausência Parcila de Observações
%U https://www.atenaeditora.com.br/post-ebook/4464
%V 1
%X Previsão numérica do tempo (PNT) usa modelos atmosféricos de circulação geral (MACG) para prever condições futuras da atmosfera. O processo de PNT é realizado inserindo dados de observação ao modelo computacional para calcular as condições iniciais - também chamado de análise. Tal procedimento é chamado de assimilação de dados (AD). Várias técnicas tem sido desenvolvidas para AD. Filtro de AD usadas em centros operacionais de Kalman por conjunto (ensemble), métodos PNT. Entretanto, tais metodologias requerem redes neurais artificiais (RNA) - perceptron multicamadas com aprendizado por retropropagação - é configurado para emular o variacionais e filtro de partículas são exemplos de grande esforço computacional. Aqui, um conjunto Local Ensemble Transform Kalman Filter (LETKF) aplicado ao modelo global 3D SPEEDY (Simplified Parameterizations PrimitivE-Equation DYnamics). A novidade é calcular a análise por RNA quando algumas observações não estão disponíveis em algum ciclo de AD ou em vários ciclos. Uma comparação entre as análises produzidas por LETKF e RNA é realizada. ABSTRACT: Numerical weather prediction (NWP) uses atmospheric general circulation models (AGCMs) to predict the weather future conditions. The process is done inserting observation data novelty is to perform the analysis by ANN into computer model to compute initial conditions data assimilation (DA). Several techniques have been developed for DA. Ensemble Kalman filter, particle filter, variational scheme, are examples of DA methods used in the operational NWP centers. However, such methodologies require a high computational effort. Here, a set of artificial neural networks (ANNs) - multi-layer perceptron with back propagation learning { is configured to emulate the Local Ensemble Transform Kalman Filter (LETKF) applied to the SPEEDY model. when some observations are missing in a DA cycle, or several cycles. A comparison between analysis produced by the LETKF and ANN is carried out. The numerical experiment was done at January 1985.
%@area COMP
%@electronicmailaddress
%@electronicmailaddress haroldo.camposvelho@inpe.br
%@group
%@group COPDT-CGIP-INPE-MCTI-GOV-BR
%@isbn 9786559835430
%@usergroup lattes
%@resumeid 8JMKD3MGP5W/3C9JJ75
%@resumeid 8JMKD3MGP5W/3C9JHC3
%@affiliation
%@affiliation Instituto Nacional de Pesquisas Espaciais (INPE)
%@versiontype publisher
%@holdercode {isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}
%2 sid.inpe.br/plutao/2021/12.09.15.59.47