1. Previsão Numérica de Tempo, Verificação, Assimilação de Dados e Inteligência Artificial Meteorologia Atuante Pelotas – RS 14 Outubro de 2011
2. Sumário Sistema Previsor de Tempo (CPPMet/UFPel): Modelo WRF – pré-processamento, core, pós-processamento Qualidade da Previsão: Verificação Importância da Condição Inicial– Linha de pesquisa: Assimilação de Dados Meteorológicos Inteligência Artificial - Redes Neurais Artificiais
3. Modelo WRF O WRF é um modelo de equaçõesprimitivasdesenvolvidopeloNCAR emcolaboração com o NCEP/NOOA e o FSL O sistema de previsãoformadopelomodelo, pelométodo de assimilação e demaisutilitáruiosresultam num sistema de previsãonumérica de tempo de últimageração, podendo ser implementadoemváriasarquiteturas de computadores e suportandodiferentesdiretivas de paralelismo.
4. Modelo WRF -Configuração No CPPMet, o WRF estainicialmenteinstaladonumamáquinaSUN, sob sistemaoperacionalLinux e compilado com diretivasOpen MP e MPI. O domínoescolhidopara testes compreeendebasicamente a regiãosul do Brasil, sendo de 220 S a 360S e de 420W a 630W. O modelo é integrado com 28 níveisverticais com coordenada eta e projeçãoMercator.
5. Modelo WRF - Inicialização O modelo é integradodiariamenteàs 00 UTC com dados no formato grib2 do Global Forecast System (GFS), modelo global do NCEP O GFS tem resolução horizontal de 1 grau com 26 níveis de pressãosemcontar com a superfície. Inclui-se a temperaturadasuperfície do mar do dia anterior a rodada e dados terrestres com 30 segundos de resolução Filtro Digital: remove ondas de gravidade de alta frequência
6. Modelo WRF - Atrativos Possuiropçõesparaintegração no modohidrostático e não-hidrostático com grades aninhadas. O uso do código é livre utilizadoporamplacomunidadenacional e internacional excelentedocumentação e “mail list” O WRF possuiopção de “re-start”, podeser inicializado com dados de diferentesfontes podeser acoplado a modelos de química, agitaçãomaritma
9. VERIFICAÇÃO Erros: imperfeição do método numérico que aproxima as equações diferenciais por equações de diferenças finitas, resolução da grade, dificuldade em representar os termos não-lineares e erros nos dados observados ,o erro de truncamento em modelos espectrais Murphy (1993): a previsão pode ser avaliada segundo três características: (1) consistência: significa avaliar o quanto a previsão objetiva (fornecida pelo modelo determinístico ou estocástico) corresponde a previsão subjetiva (elaborada com base na interpretação do previsor); (2) qualidade: avalia-se em que grau a previsão corresponde ao que “realmente” ocorreu na natureza (EHRENDORFER; MURPHY, 1992; KRZYSZTOFOWICZ; LONG, 1991) (3) valor: avalia o benefício de ordem econômica e humano obtido em decorrência da previsão.
11. Assimilação de Dados - Discussão Inicial Objetivo: melhorar a previsão Definição: Assimilação de Dados é o procedimento que usa dados observacionais ruidosos para melhorar a previsão feita por modelos matemáticos imprecisos Problema: instabilidade e dimensão
12.
13.
14. O texto destacado acima é uma segunda definição para Assimilação de Dados
15. Deduz-se que AD não se aplica apenas a meteorologia (oceanografia, clima espacial, ...)Desde 1920 háumatrocainternacional de dados, atravésdaWorld Weather Watch (WWW) - um sistemada WMO (umaAgência das UN)
17. Data coverage: SYNOP, SHIP, METAR Data assimilation and the use of satellite data – the global observing system – Peter Bauer
18. Data coverage: BUOY Data assimilation and the use of satellite data – the global observing system – Peter Bauer
19. Data coverage: Radiosondes at 00UTC Data assimilation and the use of satellite data – the global observing system – Peter Bauer
20. Data coverage: Aircrafts at 00 UTC Data assimilation and the use of satellite data – the global observing system – Peter Bauer
21. Data coverage: Geostationary imagery data at 00 UTC Data assimilation and the use of satellite data – the global observing system – Peter Bauer
22. Data coverage: Advanced infrared sounders at 00 UTC AIRS IASI Data assimilation and the use of satellite data – the global observing system – Peter Bauer
26. EstaçõesMeteorológicas 2005 2006 2007 2010 convencional310 370 370 100 automática80 250 450 500 MAWS 301 VAISALA Source: José Mauro, personal communication
27.
28. Em uma janela de assimilação de 3horas, tem-se de 10 a 100 mil observações, duas ordens de magnitude menor do que o número de graus de liberdade do modelo
29.
30. Uma integração curta é utilizada como first-guess (climatologia é uma opção menos precisa)
31.
32. Caso a quantidade observada não seja a mesma variável do modelo, a variável do modelo é convertida para variável observada y0
35. Retornando a Abordagem Variacional e MQ No caso escalar é relativamente simples mostrar a equivalência entre os MQ e a abordagem variacional. Esta equivalência , para o caso em 3D é demonstrado em Kalnay (2004). Lorenc (1986) mostrou que um campo de análise ótima xa, pode ser obtido pela minimização de uma função custo. A função custo é definida como o produto da distância ponderada entre x e o campo de background xb e a distância ponderada entre as observações e x.
36. Source: Bouttier, First LNCC Meeting on Computational Modeling, August 2004 .
37. O Algoritmo diz que: Queremos uma “nova CI” para o modelo direto (WRF, por exemplo). Esta nova CI é dada pela minimização da função custo. A teoria do método variacional diz que a função custo é obtida pelo modelo adjunto integrado na ordem reversa somado ao incremento (dk = wfk– wfo). O modelo adjunto é o transposto do modelo tangente linear. O modelo tangente linear é dado pela linearização do modelo direto.
38. 4D-Var No método 4D-Var a minimização é feita numa “janela de assimilação”. Esta diferença não é trivial!!! A função custo é definida na seguinte equação:
39. REDES NEURAIS Neurônio Biológico O estímulo nervoso que chega a sinapse é transferido para a membrana dentrital através de neurotransmissores. O resultado desta transferência é uma alteração no potendial elétrico da membrana pós-sináptica, que pode ser excitatória (pulso) ou enibitória (não pulso) Neurônio Artificial McCulloch e Pitts (1943) Calcula-se uma soma ponderada, sendo os pesos os fatores de ponderação, positivos nos casos excitatórios e negativos nos casos inibitórios, para resultados maior do que um limiar a saída é pulso, caso contrário é não pulso
40.
41. Um somador para os sinais de entrada, ponderadas pelas respectivas sinapses do neurônio
42.
43. Quando finalizar o treinamento de um RN ? Erro de treinamento menor não implica em melhor generalização Algumas vezes, durante o treinamento, o erro pode estar diminuindo pelo fato da rede estar se especializando no conjunto de treinamento Mínimo local da superfície de erros - Taxas de aprendizagem e momento adequados podem evitar os mínimos locais Validação cruzada é uma alternativa para se saber qual melhor conjunto de pesos implica em melhor generalização
44.
45.
46. Aprendizado Supervisionado – Regra Delta para neurônio j da camada de saída L para neurônio j da camada de oculta l
47. Redes “feedforward” (alimentação para frente) Redes em que as entradas projetam-se diretamente sobre a camada de saída FBR – distância euclidiana PMC – produto interno
48. Redes Recorrentes – RN em que há realimentação entre as camadas Rede de Elman Rede de Jordan
