Nome da Atividade
ASSIMILAÇÃO DE DADOS
CÓDIGO
11100203
Carga Horária
60 horas
Tipo de Atividade
DISCIPLINA
Periodicidade
Semestral
Modalidade
PRESENCIAL
Unidade responsável
CARGA HORÁRIA TEÓRICA
4
CARGA HORÁRIA OBRIGATÓRIA
4
CRÉDITOS
4
FREQUÊNCIA APROVAÇÃO
75%
Ementa
Introdução, Cobertura de Dados, Abordagem Sequencial e Variacional, Mínimos Quadrados, Inicialização, Filtros de Kalman, Métodos Variacionais, Introdução às Redes Neurais Artificiais.
Objetivos
Objetivo Geral:
Conteúdo Programático
I. Introdução
1.1 Problema de valor inicial
1.2 Definições
II. Cobertura de dados
2.1 A rede mundial de observação de dados Meteorológicos
2.2 A evolução da qualidade da previsão numérica do tempo
III. Abordagem sequencial e varacional
3.1 Equação de inovação
3.2 Equação de correção
3.3 Equação de análise
IV. Mínimos quadrados
4.1 Mínimos quadrados para o caso escalar
4.2 Interpolação ótima
4.3 Extrapolação dos mínimos quadrados para aplicações de grande dimensão
V. Filtros de Kalman
5.1 Operador de observações
5.2 Matriz de covariância
5.3 Ganho de Kalman
VI. Métodos variacionais
6.1 Função custo
6.2 Minimização da função custo
6.3 Modelo adjunto
6.4 Modelo tangente linear
VII. Introdução às redes neurais artificiais (RNA)
7.1 Aplicações de RNA
7.2 Neurônio biológico e neurônio artificial
7.3 Arquitetura das redes neurais
7.4 Funcionamento das redes neurais
7.5 Função de ativação
7.6 Paradigmas e algoritmos de aprendizagem
7.7 Exemplos e limitações de RNA
1.1 Problema de valor inicial
1.2 Definições
II. Cobertura de dados
2.1 A rede mundial de observação de dados Meteorológicos
2.2 A evolução da qualidade da previsão numérica do tempo
III. Abordagem sequencial e varacional
3.1 Equação de inovação
3.2 Equação de correção
3.3 Equação de análise
IV. Mínimos quadrados
4.1 Mínimos quadrados para o caso escalar
4.2 Interpolação ótima
4.3 Extrapolação dos mínimos quadrados para aplicações de grande dimensão
V. Filtros de Kalman
5.1 Operador de observações
5.2 Matriz de covariância
5.3 Ganho de Kalman
VI. Métodos variacionais
6.1 Função custo
6.2 Minimização da função custo
6.3 Modelo adjunto
6.4 Modelo tangente linear
VII. Introdução às redes neurais artificiais (RNA)
7.1 Aplicações de RNA
7.2 Neurônio biológico e neurônio artificial
7.3 Arquitetura das redes neurais
7.4 Funcionamento das redes neurais
7.5 Função de ativação
7.6 Paradigmas e algoritmos de aprendizagem
7.7 Exemplos e limitações de RNA
Bibliografia
Bibliografia Básica:
- 1. Evensen, G. Data Assimilation, The Ensemble Kalman Filter, 2.ed. Norway: Springer. 2009. 330p. ISBN 3642037100.
- 2. Härter, F. P. Redes Neurais Recorrentes Aplicadas à Assimilação de Dados em Dinâmica Não-Linear. 2004. 138f. Tese (Doutorado em Computação Aplicada) - Instituto Nacional de Pesquisas Espaciais, São José dos Campos.
- 3. Härter, F. P.. Uso de Filtro Digital para Iniciar um Modelo de Área Limitada. São José dos Campos: Biblioteca do INPE - Instituto Nacional de Pesquisas Espaciais, 1999 (Dissertação (INPE-7251-TDI/695)).
- 4. Hoffman, J.D. Numerical Methods for Engineers and Scientists. 2.ed. New York: CRC Press. 2001. 840p. ISBN 0824704436.
- 5. Holton, J. R. An Introduction to Dynamic Meteorology. 4.ed. New York: Academic Press. 2004. 535p. ISBN 0123540151.
- 6. Kalnay, E. Atmospheric Modeling, Data Assimilation and Predictability, 1.ed. Cambridge: Cambridge University Press. 2003. 341p. ISBN 0521796296.
- 7. Artigos científicos de revistas nacionais e internacionais relacionados com a disciplina e atuais.