Novas abordagens em assililação de dados meteorológicos / New approaches to meteorologic data assimilation

AUTOR(ES)
DATA DE PUBLICAÇÃO

2001

RESUMO

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.

ASSUNTO(S)

processamento de dados meteorologia redes neurais filtros de kalman sistemas não lineares meteorology neural networks kalman filter nonlinear systems

ACESSO AO ARTIGO

Documentos Relacionados