Close
Metadata

Reference TypeThesis
Identifier8JMKD3MGP7W/389UKPS
Repositorysid.inpe.br/mtc-m19/2010/09.20.14.46   (restricted access)
Metadatasid.inpe.br/mtc-m19/2010/09.20.14.46.51
Sitemtc-m16d.sid.inpe.br
Secondary KeyINPE-16785-TDI/1704
Holder Codeisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Citation KeyCintra:2010:AsDaRe
AuthorCintra, Rosângela Saher Corrêa
GroupCAP-SPG-INPE-MCT-BR
TitleAssimilação de dados com redes neurais artificiais em modelo de circulação geral da atmosfera
Year2010
CommitteeMacau, Elbert Einstein Nehrer (presidente)
Velho, Haroldo Fraga de Campos (orientador)
Silva, José Demisio Simões da
Aravéquia, José Antônio
Dias, Pedro Leite da Silva
Araujo, Aluizio Fausto Ribeiro
Date2010-09-27
Alternate TitleData assimilation with artificial neural networks in atmospheric general circulation model
UniversityInstituto Nacional de Pesquisas Espaciais (INPE)
CitySão José dos Campos
Keywordsassimilação de dados, redes neurais artificiais, previsão numérica de tempo, perceptron de multiplas camadas, modelo de circulação geral, data assimilation, numerical weather predicition, artificialneural networks, multilayer perceptron, general circulation model.
AbstractSistemas de previsão de tempo requerem um modelo para sua evolução temporal e uma estimativa do estado atual do sistema. A previsão numérica de tempo (PNT) integra as equações da dinâmica da atmosfera com os processos físicos e pode prever o estado futuro da atmosfera. Assimilação de dados provê a estimativa inicial da atmosfera onde combina informações de observações e de uma previsão anterior de curto prazo, produzindo uma estimativa de estado atual. Neste trabalho investigou-se a técnica de assimilação de dados com Redes Neurais Artificiais (RNA). As previsões de curto prazo são de um modelo global de equações primitivas. O modelo SPEEDY ( extit{Simplified Parameterizations, primitivE-Equation DYnamics}) é um modelo de circulação geral da atmosfera com grade em coordenadas tridimensionais. Molteni (2003) mostrou que o modelo SPEEDY tem características semelhantes aos modelos atmosféricos do estado-da-arte. Para o esquema de assimilação de dados aplicou-se uma RNA supervisionada (Perceptron de Múltiplas Camadas) para emular os resultados da técnica de Filtro de Kalman por Conjunto Transformado e Localizado ( extit{Local Transform Ensemble Kalman Filter} - LETKF). O esquena LETKF é uma aproximação do Filtro de Kalman onde um conjunto tipo Monte-Carlo de previsões de curto prazo são usadas para estimar as covariâncias do erro do modelo de previsão. O método com RNA neste trabalho pode ser descrito como um processo de assimilação, onde a rede neural após treinada obtém os resultados em função do modelo de estado SPEEDY e de observações sintéticas. A estratégia do treinamento supervisionado da RNA, a implementação das redes, do modelo e das observações são apresentadas. A ênfase principal nesta técnica é a velocidade computacional na obtenção da condição inicial do modelo de estado que acelera todo o processo de previsão numérica do tempo. Os resultados numéricos demonstrem a eficiência da técnica de assimilação de dados atmosféricos utilizando RNA, pois estes apresentam-se muito próximos aos resultados da assimilação de dados realizada com o método LETKF. As simulações 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 extit{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 extit{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.
Number of Pages200
Languagept
Thesis TypeTese (Doutorado em Computação Aplicada)
Secondary TypeTDI
DisseminationNTRSNASA; BNDEPOSITOLEGAL.
AreaCOMP
CourseCAP-SPG-INPE-MCT-BR
Size4102 KiB
Number of Files1
Target Filepublicacao.pdf
Last Update2011:01.31.13.03.20 sid.inpe.br/mtc-m19@80/2009/08.21.17.02 sergio
Metadata Last Update2019:11.18.12.19.52 sid.inpe.br/mtc-m19@80/2009/08.21.17.02 sergio {D 2010}
Document Stagecompleted
Is the master or a copy?is the master
Mirrorsid.inpe.br/mtc-m19@80/2009/08.21.17.02.53
e-Mail Addressrosangela.cintra@lac.inpe.br
e-Mail (login)sergio
User Groupadministrator ricardo rosangela.cintra@lac.inpe.br supervisor viveca@sid.inpe.br yolanda.souza@mcti.gov.br
Reader Groupadministrator sergio
Copy HolderSID/SCD
Visibilityshown
Transferable1
Host Collectionsid.inpe.br/mtc-m19@80/2009/08.21.17.02
Document Stagenot transferred
Rightsholderoriginalauthor yes locatedauthor no
Read Permissiondeny from all
Next Higher Units8JMKD3MGPCW/3F2PHGS
source Directory Content
Originais/@4primeirasPaginas-10.pdf 27/01/2011 11:50 154.3 KiB
Originais/Autorização.pdf 28/01/2011 10:36 13.2 KiB
Originais/Folha de Aprovação.pdf 28/01/2011 10:35 15.4 KiB
Originais/publicação_DA_RNA_speedy.pdf 15/12/2010 16:44 3.9 MiB
publicacao.pdf 28/01/2011 11:21 4.0 MiB
agreement Directory Content
.htaccess 15/06/2011 19:55 27 B     
.htaccess2 15/06/2011 19:55 27 B     
Autorização.pdf 31/01/2011 11:02 13.2 KiB
History2010-09-20 14:46:51 :: rosangela.cintra@lac.inpe.br -> supervisor ::
2010-09-21 19:07:22 :: supervisor -> yolanda ::
2010-09-21 19:08:06 :: yolanda -> rosangela.cintra@lac.inpe.br ::
2010-11-29 17:14:32 :: rosangela.cintra@lac.inpe.br -> yolanda ::
2010-11-30 11:44:18 :: yolanda -> supervisor ::
2010-12-01 13:36:19 :: supervisor -> yolanda ::
2010-12-14 10:54:26 :: yolanda -> rosangela.cintra@lac.inpe.br ::
2010-12-15 17:08:44 :: rosangela.cintra@lac.inpe.br -> yolanda ::
2011-01-24 16:44:37 :: yolanda -> ricardo ::
2011-01-31 13:03:20 :: ricardo -> viveca@sid.inpe.br ::
2011-01-31 14:25:17 :: viveca@sid.inpe.br :: -> 2010
2011-01-31 15:32:44 :: viveca@sid.inpe.br -> administrator :: 2010
2019-11-08 17:03:35 :: administrator -> sergio :: 2010
Empty Fieldsacademicdepartment affiliation archivingpolicy archivist callnumber contenttype copyright creatorhistory descriptionlevel doi electronicmailaddress format isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress resumeid secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype
Access Date2019, Nov. 19
update 

Close