Professor: Haroldo de Campos Velho (INPE), Helaine Furtado (UFOPA), Juliana Anochi (INPE) e Roberto Souto (LNCC)
Horarios: De Segunda (05/02) a Sexta (09/02) de 15:00h às 16:30h
Objetivo: Introdução aos métodos de assimilação de dados, onde várias metodologias são descritas. Breve descrição de redes neurais, sendo mostradas 3 tipos: multilayer perceptron (MLP), radial base function (RBF), deep learning (DL). Com base no conteúdo apresentado, várias aplicações serão descritas na fase final do mini-curso. O objetivo é introduzir o participante na descrição e aplicação de técnicas de redes neurais em assimilação de dados.
Ementa:
- Introdução a assimilação de dados (D1): Necessidade da assimilação de dados, breve histórico da assimilação de dados
- Métodos 'clássicos' em assimilação de dados (D2): Nudging, Métodos variacionais (3D/4D), Filtro de Kalman e filtro de Kalman por conjunto
- Redes neurais artificiais (RNA): breve descrição (D3). Redes neurais: MLP RBF, Deep Learning. Redes neurais artificiais para assimilação de dados. Análise de complexidade: FK, 3D-Var/4D-Var, RNA.
- Aplicações (D4). Modelos de baixa ordem: Lorenz-63, shallow water 1D. Circulação oceânica (shallow water 2D). Processamento paralelo para RNA em assimilação de dados. Modelo regional de dinâmica da atmosfera: WRF. Modelo global de dinâmica da atmosfera: SPEED, COAPS-FSU
Bibliografia:
- V. A. Almeida, G. B. França, H. F. Campos Velho, N. F. Ebercken (2020): Artificial neural network for data assimilation by WRF model in Rio de Janeiro, Brazil. Revista Brasileira de Geofísica (impresso), 38, pp. 1-18.
- J. A. Anochi, H. F. Campos Velho, R. Hernandez Torres (2019): Two geoscience applications by optimal neural network Architecture. Pure and Applied Geophysics, 1776, pp. 1.
- M. Asch, M. Bocquet, M. Nodet (2016): Data Assimilation: Methods, Algorithms, and Applications. SIAM.
- H. F. Campos Velho, H. C. M. Furtado, S. B. M. Sambatti, C. O. F. Barros, M. E. S. Welter, R. P. Souto, D. Carvalho, D. O. Cardoso (2022): Data assimilation by neural network for ocean circulation: Parallel
implementation. Supercomputing Frontiers and Innovations, 9, pp. 74-86.
- R. S. C. Cintra, H. F. Campos Velho (2018): Data assimilation by artificial neural networks for an atmospheric general circulation model. In: Adel El-Shahat. (Org.). Advanced Applications for Artificial Neural Networks. Intech, pp. 265-285.
- R. Daley (1991): Atmospheric Data Analysis. Cambridge University Press.
- G. Evensen, F. C. Vossepoel, P. J. van Leeuwen (2022): Data Assimilation Fundamentals: A Unified Formulation of the State and Parameter Estimation Problem. Springer.
- E. Kalnay (2002): Atmospheric Modeling, Data Assimilation and Predictability. Cambridge University Press.