Hispanopedia Wiki
Articulo de referencia

asimilación de datos

La asimilación de datos se refiere a un amplio grupo de métodos que actualizan la información de modelos numéricos computacionales con información proveniente de observaciones. ...

Hispanopedia WikiContenido en espanolLectura gratuita

La asimilación de datos se refiere a un amplio grupo de métodos que actualizan la información de modelos numéricos computacionales con información proveniente de observaciones. Se utiliza para actualizar los estados del modelo, sus trayectorias a lo largo del tiempo, sus parámetros y combinaciones de estos. Lo que distingue a la asimilación de datos de otros métodos de estimación es que el modelo computacional es dinámico, es decir, describe cómo cambian las variables del modelo con el tiempo, y se fundamenta en la inferencia bayesiana. Por lo tanto, generaliza los métodos inversos y guarda estrecha relación con el aprendizaje automático.

La asimilación de datos se desarrolló inicialmente en el campo de la predicción numérica del tiempo . Los modelos de predicción numérica del tiempo son ecuaciones que describen la evolución de la atmósfera, generalmente codificadas en un programa informático. Cuando estos modelos se utilizan para pronosticar, su resultado se desvía rápidamente de la atmósfera real. Por lo tanto, utilizamos observaciones atmosféricas para mantener el modelo en sintonía con la realidad. La asimilación de datos proporciona una gran cantidad de métodos prácticos para incorporar estas observaciones a los modelos.

La simple inserción de mediciones puntuales en los modelos numéricos no proporcionó una solución satisfactoria. Las mediciones del mundo real contienen errores debido tanto a la calidad del instrumento como a la precisión con la que se conoce la posición de la medición. Estos errores pueden causar inestabilidades en los modelos que anulan cualquier grado de precisión en la predicción. Por lo tanto, se requerían métodos más sofisticados para inicializar un modelo utilizando todos los datos disponibles, asegurando al mismo tiempo la estabilidad del modelo numérico. Dichos datos suelen incluir las mediciones, así como una predicción previa válida en el momento en que se realizan las mediciones. Si se aplica de forma iterativa, este proceso comienza a acumular información de observaciones pasadas en todas las predicciones posteriores.

Debido a que la asimilación de datos se desarrolló a partir del campo de la predicción numérica del tiempo, inicialmente ganó popularidad entre las geociencias. De hecho, una de las publicaciones más citadas en todas las geociencias es una aplicación de la asimilación de datos para reconstruir la historia observada de la atmósfera. [ 1 ]

Detalles del proceso de asimilación de datos

Tradicionalmente, la asimilación de datos se ha aplicado a sistemas dinámicos caóticos que resultan demasiado difíciles de predecir mediante métodos de extrapolación sencillos. Esta dificultad radica en que pequeños cambios en las condiciones iniciales pueden provocar grandes variaciones en la precisión de la predicción. Esto se conoce a veces como el efecto mariposa : la dependencia sensible de las condiciones iniciales , en la que un pequeño cambio en un estado de un sistema no lineal determinista puede generar grandes diferencias en un estado posterior.

En cada actualización, la asimilación de datos suele tomar una previsión (también conocida como estimación inicial o información de base) y le aplica una corrección basada en un conjunto de datos observados y errores estimados presentes tanto en las observaciones como en la propia previsión. La diferencia entre la previsión y las observaciones en ese momento se denomina desviación o innovación (ya que aporta nueva información al proceso de asimilación de datos). Se aplica un factor de ponderación a la innovación para determinar la magnitud de la corrección que debe aplicarse a la previsión en función de la nueva información obtenida de las observaciones. La mejor estimación del estado del sistema, basada en la corrección a la previsión determinada por el factor de ponderación multiplicado por la innovación, se denomina análisis. En una dimensión, calcular el análisis puede ser tan sencillo como formar un promedio ponderado de un valor previsto y uno observado. En múltiples dimensiones, el problema se vuelve más complejo. Gran parte del trabajo en asimilación de datos se centra en estimar adecuadamente el factor de ponderación apropiado basándose en un conocimiento detallado de los errores del sistema.

Las mediciones suelen realizarse sobre un sistema del mundo real, en lugar de sobre la representación incompleta que el modelo hace de ese sistema, por lo que se necesita una función especial llamada operador de observación (generalmente representada por h() para un operador no lineal o "H" para su linealización) para mapear la variable modelada a una forma que pueda compararse directamente con la observación.

Asimilación de datos como estimación estadística

Una de las perspectivas filosóficas matemáticas más comunes es considerar la asimilación de datos como un problema de estimación bayesiana. Desde esta perspectiva, el paso de análisis es una aplicación del teorema de Bayes y el procedimiento general de asimilación es un ejemplo de estimación bayesiana recursiva . Sin embargo, el análisis probabilístico suele simplificarse a una forma computacionalmente factible. El avance de la distribución de probabilidad en el tiempo se realizaría exactamente en el caso general mediante la ecuación de Fokker-Planck , pero esto no es factible para sistemas de alta dimensión; por lo tanto, se utilizan diversas aproximaciones que operan sobre representaciones simplificadas de las distribuciones de probabilidad. A menudo, se asume que las distribuciones de probabilidad son gaussianas para que puedan representarse mediante su media y covarianza, lo que da lugar al filtro de Kalman .

Muchos métodos representan las distribuciones de probabilidad solo por la media y la entrada de alguna covarianza precalculada. Un ejemplo de un método directo (o secuencial) para calcular esto es llamado interpolación estadística óptima, o simplemente interpolación óptima (OI). Un enfoque alternativo es resolver iterativamente una función de costo que resuelve un problema idéntico. Estos son llamados "métodos variacionales", como 3D-Var y 4D-Var. Los algoritmos de minimización típicos son el método del gradiente conjugado o el método generalizado de residuos mínimos . El filtro de Kalman de conjunto es un método secuencial que utiliza un enfoque de Monte Carlo para estimar tanto la media como la covarianza de una distribución de probabilidad gaussiana por un conjunto de simulaciones. Más recientemente, las combinaciones híbridas de enfoques de conjunto y métodos variacionales se han vuelto más populares (por ejemplo, se utilizan para pronósticos operativos tanto en el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF) como en los Centros Nacionales de Predicción Ambiental (NCEP) de la NOAA ).

Asimilación de datos como actualización de modelos

La asimilación de datos también puede lograrse mediante un bucle de actualización del modelo, donde se itera un modelo inicial (o una estimación inicial) en un bucle de optimización para ajustarlo a los datos observados. Existen numerosos métodos de optimización, y todos ellos pueden configurarse para actualizar el modelo. Por ejemplo, los algoritmos evolutivos han demostrado ser eficientes al no requerir hipótesis previas, aunque resultan computacionalmente costosos.

Aplicaciones de pronóstico del tiempo

En las aplicaciones de predicción numérica del tiempo, la asimilación de datos es el método más conocido para combinar observaciones de variables meteorológicas, como la temperatura y la presión atmosférica, con pronósticos previos, con el fin de inicializar modelos de pronóstico numérico.

Necesidad

La atmósfera es un fluido . La idea de la predicción numérica del tiempo es muestrear el estado del fluido en un momento dado y usar las ecuaciones de la dinámica de fluidos y la termodinámica para estimar el estado del fluido en algún momento futuro. El proceso de ingresar datos de observación en el modelo para generar condiciones iniciales se llama inicialización . En tierra, los mapas de terreno disponibles con resoluciones de hasta 1 kilómetro (0,6 millas) a nivel mundial se utilizan para ayudar a modelar las circulaciones atmosféricas dentro de regiones de topografía accidentada, con el fin de representar mejor características como vientos descendentes, ondas orográficas y la nubosidad relacionada que afecta la radiación solar incidente. [ 2 ] Las principales entradas de los servicios meteorológicos nacionales son observaciones de dispositivos (llamados radiosondas ) en globos meteorológicos que miden varios parámetros atmosféricos y los transmiten a un receptor fijo, así como de satélites meteorológicos . La Organización Meteorológica Mundial actúa para estandarizar la instrumentación, las prácticas de observación y la sincronización de estas observaciones en todo el mundo. Las estaciones informan cada hora en informes METAR , [ 3 ] o cada seis horas en informes SYNOP . [ 4 ] Estas observaciones están espaciadas irregularmente, por lo que se procesan mediante métodos de asimilación de datos y análisis objetivo, que realizan control de calidad y obtienen valores en ubicaciones utilizables por los algoritmos matemáticos del modelo. [ 5 ] Algunos modelos globales utilizan diferencias finitas , en las que el mundo se representa como puntos discretos en una cuadrícula espaciada regularmente de latitud y longitud; [ 6 ] otros modelos utilizan métodos espectrales que resuelven para un rango de longitudes de onda. Los datos se utilizan luego en el modelo como punto de partida para un pronóstico. [ 7 ] 

Se utilizan diversos métodos para recopilar datos de observación para su uso en modelos numéricos. Los sitios lanzan radiosondas en globos meteorológicos que ascienden a través de la troposfera y hasta la estratosfera . [ 8 ] La información de los satélites meteorológicos se utiliza cuando no se dispone de fuentes de datos tradicionales. El comercio proporciona informes de pilotos a lo largo de las rutas aéreas [ 9 ] e informes de barcos a lo largo de las rutas marítimas. [ 10 ] Los proyectos de investigación utilizan aeronaves de reconocimiento para volar dentro y alrededor de sistemas meteorológicos de interés, como ciclones tropicales . [ 11 ] [ 12 ] Las aeronaves de reconocimiento también vuelan sobre los océanos abiertos durante la estación fría hacia sistemas que causan una incertidumbre significativa en la guía de pronóstico, o que se espera que tengan un alto impacto de tres a siete días en el futuro sobre el continente aguas abajo. [ 13 ] El hielo marino comenzó a inicializarse en los modelos de pronóstico en 1971. [ 14 ] Los esfuerzos para incluir la temperatura de la superficie del mar en la inicialización del modelo comenzaron en 1972 debido a su papel en la modulación del clima en latitudes más altas del Pacífico. [ 15 ]

Historia

Lewis Fry Richardson

En 1922, Lewis Fry Richardson publicó el primer intento de pronosticar el tiempo numéricamente. Utilizando una variación hidrostática de las ecuaciones primitivas de Bjerknes , [ 16 ] Richardson produjo manualmente un pronóstico de 6 horas para el estado de la atmósfera sobre dos puntos en Europa central, tardando al menos seis semanas en hacerlo. [ 17 ] Su pronóstico calculó que el cambio en la presión superficial sería de 145 milibares (4,3 inHg ) , un valor irreal con un error de dos órdenes de magnitud. El gran error fue causado por un desequilibrio en los campos de presión y velocidad del viento utilizados como condiciones iniciales en su análisis, [ 16 ] lo que indicaba la necesidad de un esquema de asimilación de datos. 

Originalmente se utilizaba el "análisis subjetivo", en el que los meteorólogos ajustaban las predicciones numéricas del tiempo (PNT) basándose en su experiencia práctica. Posteriormente, se introdujo el "análisis objetivo" (por ejemplo, el algoritmo de Cressman) para la asimilación automatizada de datos. Estos métodos objetivos empleaban técnicas de interpolación sencillas y, por lo tanto, se denominaban métodos 3DDA (asimilación de datos tridimensional).

Posteriormente, se desarrollaron métodos de asimilación de datos 4DDA (cuatridimensionales), denominados "nudging", como en el modelo MM5 . Estos métodos se basan en la sencilla idea de la relajación newtoniana (el segundo axioma de Newton). Introducen en la parte derecha de las ecuaciones dinámicas del modelo un término proporcional a la diferencia entre la variable meteorológica calculada y el valor observado. Este término, de signo negativo, mantiene el vector de estado calculado más cerca de las observaciones. El nudging puede interpretarse como una variante del filtro de Kalman-Bucy (una versión en tiempo continuo del filtro de Kalman ) con la matriz de ganancia predefinida en lugar de obtenida a partir de covarianzas.

L. Gandin (1963) realizó un avance significativo al introducir el método de "interpolación estadística" (o "interpolación óptima"), que desarrollaba ideas previas de Kolmogorov. Este método, denominado 3DDA, es un tipo de análisis de regresión que utiliza información sobre las distribuciones espaciales de las funciones de covarianza de los errores del campo de "primera estimación" (pronóstico previo) y del campo "verdadero". Estas funciones nunca se conocen con exactitud. Sin embargo, se asumieron diferentes aproximaciones.

El algoritmo de interpolación óptimo es la versión reducida del algoritmo de filtrado de Kalman (KF), en la que las matrices de covarianza no se calculan a partir de las ecuaciones dinámicas, sino que se predeterminan de antemano.

Posteriormente se intentó introducir los algoritmos KF como una herramienta 4DDA para modelos NWP. Sin embargo, esta fue (y sigue siendo) una tarea difícil porque la versión completa requiere la solución de una enorme cantidad de ecuaciones adicionales (~N*N~10**12, donde N=Nx*Ny*Nz es el tamaño del vector de estado, Nx~100, Ny~100, Nz~100 – las dimensiones de la malla computacional). Para superar esta dificultad, se desarrollaron filtros de Kalman aproximados o subóptimos. Estos incluyen el filtro de Kalman de conjunto y los filtros de Kalman de rango reducido (RRSQRT). [ 18 ]

Otro avance significativo en el desarrollo de los métodos 4DDA fue la utilización de la teoría de control óptimo (enfoque variacional) en los trabajos de Le Dimet y Talagrand (1986), basados ​​en los trabajos previos de J.-L. Lions y G. Marchuk, siendo este último el primero en aplicar dicha teoría en el modelado ambiental. La ventaja significativa de los enfoques variacionales radica en que los campos meteorológicos satisfacen las ecuaciones dinámicas del modelo NWP y, al mismo tiempo, minimizan el funcional que caracteriza su diferencia con respecto a las observaciones. De esta manera, se resuelve el problema de la minimización restringida. Los métodos variacionales 3DDA fueron desarrollados por primera vez por Sasaki (1958).

Como demostró Lorenc (1986), todos los métodos 4DDA mencionados anteriormente son, en cierto límite, equivalentes; es decir, bajo ciertas suposiciones, minimizan la misma función de coste . Sin embargo, en aplicaciones prácticas, estas suposiciones nunca se cumplen, los diferentes métodos se comportan de manera distinta y, en general, no está claro qué enfoque (filtrado de Kalman o variacional) es mejor. También surgen cuestiones fundamentales en la aplicación de las técnicas DA avanzadas, como la convergencia del método computacional al mínimo global del funcional que se pretende minimizar. Por ejemplo, la función de coste o el conjunto en el que se busca la solución pueden no ser convexos. El método 4DDA que actualmente tiene más éxito [ 19 ] [ 20 ] es el híbrido incremental 4D-Var, donde se utiliza un conjunto para aumentar las covarianzas del error de fondo climatológico al inicio de la ventana de tiempo de asimilación de datos, pero las covarianzas del error de fondo evolucionan durante la ventana de tiempo mediante una versión simplificada del modelo de pronóstico NWP. Este método de asimilación de datos se utiliza operativamente en centros de pronóstico como el Met Office . [ 21 ] [ 22 ]

Función de costo

El proceso de creación del análisis en la asimilación de datos suele implicar la minimización de una función de coste . Una función de coste típica sería la suma de las desviaciones cuadráticas de los valores del análisis con respecto a las observaciones, ponderadas por la precisión de estas últimas, más la suma de las desviaciones cuadráticas de los campos de pronóstico y los campos analizados, ponderadas por la precisión del pronóstico. Esto garantiza que el análisis no se aleje demasiado de las observaciones y los pronósticos, que suelen ser fiables.

3D-Var

J(incógnita)=(incógnita−incógnitab)TB−1(incógnita−incógnitab)+(y−H[incógnita])TR−1(y−H[incógnita]),{\displaystyle J(\mathbf {x} )=(\mathbf {x} -\mathbf {x} _{b})^{\mathrm {T} }\mathbf {B} ^{-1}(\mathbf {x} -\mathbf {x} _{b})+(\mathbf {y} -{\mathit {H}}[\mathbf {x} ])^{\mathrm {T} }\mathbf {R} ^{-1}(\mathbf {y} -{\mathit {H}}[\mathbf {x} ]),}

dóndeB{\displaystyle \mathbf {B} }denota la covarianza del error de fondo,R{\displaystyle \mathbf {R} }la covarianza del error de observación.

∇J(incógnita)=2B−1(incógnita−incógnitab)−2HTR−1(y−H[incógnita]){\displaystyle \nabla J(\mathbf {x} )=2\mathbf {B} ^{-1}(\mathbf {x} -\mathbf {x} _{b})-2{\mathit {H}}^{T}\mathbf {R} ^{-1}(\mathbf {y} -{\mathit {H}}[\mathbf {x} ])}

4D-Var

J(incógnita)=(incógnita−incógnitab)TB−1(incógnita−incógnitab)+∑i=0norte(yi−Hi[incógnitai])TRi−1(yi−Hi[incógnitai]){\displaystyle J(\mathbf {x} )=(\mathbf {x} -\mathbf {x} _{b})^{\mathrm {T} }\mathbf {B} ^{-1}(\mathbf {x} -\mathbf {x} _{b})+\sum _{i=0}^{n}(\mathbf {y} _{i}-{\mathit {H}}_{i}[\mathbf {x} _{i}])^{\mathrm {T} }\mathbf {R} _{i}^{-1}(\mathbf {y} _{i}-{\mathit {H}}_{i}[\mathbf {x} _{i}])}

siempre queH{\displaystyle {\mathit {H}}}es un operador lineal (matriz).

Desarrollo futuro

Entre los factores que impulsan el rápido desarrollo de los métodos de asimilación de datos para los modelos de predicción numérica del tiempo se incluyen:

  • La utilización de las observaciones actuales ofrece una mejora prometedora en la capacidad de predicción en diversas escalas espaciales (desde la global hasta la muy local) y temporales.
  • El número de diferentes tipos de observaciones disponibles ( sodars , radares , satélites ) está creciendo rápidamente.

Otras aplicaciones

Monitoreo de las transferencias de agua y energía

Diagrama general de asimilación de datos (Alpilles-ReSeDA) [ 23 ]

La asimilación de datos se utilizó, en las décadas de 1980 y 1990, en varios proyectos HAPEX (Experimento Piloto Hidrológico y Atmosférico) para monitorear las transferencias de energía entre el suelo, la vegetación y la atmósfera. Por ejemplo:

- HAPEX-MobilHy , [ 24 ] HAPEX-Sahel, [ 25 ]

- el experimento "Alpilles-ReSeDA" (Asimilación de Datos de Teledetección), [ 26 ] [ 27 ] un proyecto europeo del programa FP4-ENV [ 28 ] que tuvo lugar en la región de Alpilles , sureste de Francia (1996–97). El diagrama de flujo (derecha), extraído del informe final de ese proyecto, [ 23 ] muestra cómo inferir variables de interés como el estado del dosel, los flujos radiativos, el balance ambiental, la producción en cantidad y calidad, a partir de datos de teledetección e información auxiliar. En ese diagrama, las pequeñas flechas azul verdosas indican la forma directa en que se ejecutan los modelos. [ 29 ]

Otras aplicaciones de pronóstico

Los métodos de asimilación de datos también se utilizan actualmente en otros problemas de pronóstico ambiental, por ejemplo, en pronósticos hidrológicos e hidrogeológicos. [ 30 ] Las redes bayesianas también pueden utilizarse en un enfoque de asimilación de datos para evaluar peligros naturales como deslizamientos de tierra. [ 31 ]

Dada la abundancia de datos de naves espaciales para otros planetas del Sistema Solar , la asimilación de datos se aplica ahora también más allá de la Tierra para obtener reanálisis del estado atmosférico de planetas extraterrestres. Marte es el único planeta extraterrestre al que se ha aplicado la asimilación de datos hasta el momento. Los datos de naves espaciales disponibles incluyen, en particular, recuperaciones de temperatura y espesores ópticos de polvo/agua/hielo del Espectrómetro de Emisión Térmica a bordo del Mars Global Surveyor de la NASA y del Mars Climate Sounder a bordo del Mars Reconnaissance Orbiter de la NASA . Se han aplicado dos métodos de asimilación de datos a estos conjuntos de datos: un esquema de Corrección de Análisis [ 32 ] y dos esquemas de Filtro de Kalman de Conjunto [ 33 ] [ 34 ], ambos utilizando un modelo de circulación global de la atmósfera marciana como modelo directo. El conjunto de datos de Asimilación de Datos de Corrección de Análisis de Marte (MACDA) está disponible públicamente en el Centro Británico de Datos Atmosféricos [ 35 ] .

La asimilación de datos forma parte del desafío que supone cualquier problema de predicción.

El manejo de datos sesgados representa un desafío importante en la asimilación de datos. El desarrollo de métodos para abordar estos sesgos será de gran utilidad. Si se utilizan varios instrumentos para observar la misma variable, compararlos mediante funciones de distribución de probabilidad puede resultar instructivo.

Los modelos de pronóstico numérico están alcanzando una mayor resolución debido al aumento de la capacidad de cálculo , y los modelos atmosféricos operativos ahora funcionan con resoluciones horizontales del orden de 1  km (por ejemplo, en el Servicio Meteorológico Nacional Alemán, el Deutscher Wetterdienst ( DWD ) y el Met Office del Reino Unido). Este aumento en las resoluciones horizontales está comenzando a permitir resolver características más caóticas de los modelos no lineales, por ejemplo, para resolver la convección a escala de cuadrícula o las nubes en los modelos atmosféricos. Esta creciente no linealidad en los modelos y los operadores de observación plantea un nuevo problema en la asimilación de datos. Los métodos de asimilación de datos existentes, como muchas variantes de filtros de Kalman de conjunto y métodos variacionales, bien establecidos con modelos lineales o casi lineales, se están evaluando en modelos no lineales.

Se están desarrollando muchos métodos nuevos, por ejemplo, filtros de partículas para problemas de alta dimensión y métodos híbridos de asimilación de datos. [ 36 ]

Otros usos incluyen la estimación de trayectorias para el programa Apolo , el GPS y la química atmosférica .

Véase también

Referencias

  1. ↑ Kalnay, Eugenia; y coautores (1996). "El proyecto de reanálisis de 40 años del NCEP/NCAR" . Boletín de la Sociedad Meteorológica Americana . 77 (marzo): 437–471 . Bibcode : 1996BAMS...77..437K . doi : 10.1175/1520-0477(1996)077 < 0437 :TNYRP > 2.0.CO ; 2. ISSN 1520-0477 . S2CID 124135431 .  
  2. ↑ Stensrud, David J. (2007). Esquemas de parametrización: claves para comprender los modelos numéricos de predicción meteorológica . Cambridge University Press. pág. 56. ISBN  978-0-521-86540-1.
  3. ↑ Centro Nacional de Datos Climáticos (2008-08-20). "Clave para las observaciones meteorológicas de superficie METAR" . Administración Nacional Oceánica y Atmosférica . Consultado el 11 de febrero de 2011 .
  4. ↑ "Formato de datos SYNOP (FM-12): Observaciones sinópticas de superficie" . UNISYS . 25 de mayo de 2008. Archivado del original el 30 de diciembre de 2007.
  5. ↑ Krishnamurti, TN (1995). "Predicción numérica del tiempo". Annual Review of Fluid Mechanics . 27 : 195–225 . Bibcode : 1995AnRFM..27..195K . doi : 10.1146/annurev.fl.27.010195.001211 . S2CID 122230747 . 
  6. ↑ Chaudhari, HS; Lee, KM; Oh, JH (2007). "Predicción meteorológica y aspectos computacionales del modelo de puntos de cuadrícula icosaédrico-hexagonal GME" . En Kwon, Jang-Hyuk; Periaux, Jacques; Fox, Pat; Satofuka, N.; Ecer, A. (eds.). Dinámica de fluidos computacional paralela: computación paralela y sus aplicaciones: actas de la Conferencia Parallel CFD 2006, ciudad de Busan, Corea (15-18 de mayo de 2006) . Elsevier. págs. 223-230 . ISBN  978-0-444-53035-6. Consultado el 6 de enero de 2011 .
  7. ↑ "El sistema de asimilación de datos variacional WRF (WRF-Var)" . University Corporation for Atmospheric Research . 14 de agosto de 2007. Archivado del original el 14 de agosto de 2007.
  8. ↑ Gaffen, Dian J. (2007-06-07). "Observaciones de radiosonda y su uso en investigaciones relacionadas con SPARC" . Archivado del original el 2007-06-07.
  9. ↑ Ballish, Bradley A; Kumar, V. Krishna (2008). "Diferencias sistemáticas en las temperaturas de aeronaves y radiosondas" . Boletín de la Sociedad Meteorológica Americana . 89 (11): 1689. Bibcode : 2008BAMS...89.1689B . doi : 10.1175/2008BAMS2332.1 .
  10. ↑ Centro Nacional de Boyas de Datos (28 de enero de 2009). "El programa de Buques de Observación Voluntaria (VOS) de la OMM" . Administración Nacional Oceánica y Atmosférica . Consultado el 15 de febrero de 2011 .
  11. ↑ Ala 403 (2011). "Los cazadores de huracanes" . Escuadrón de reconocimiento meteorológico 53. Consultado el 30 de marzo de 2006 .{{cite web}}: CS1 maint: nombres numéricos: lista de autores ( enlace )
  12. ↑ Lee, Christopher (8 de octubre de 2007). "Drones y sensores podrían abrir el camino hacia el ojo del huracán" . The Washington Post . Consultado el 22 de febrero de 2008 .
  13. ↑ Administración Nacional Oceánica y Atmosférica (12 de noviembre de 2010). "La NOAA envía un avión de investigación de alta tecnología para mejorar los pronósticos de tormentas invernales" . Consultado el 22 de diciembre de 2010 .
  14. ↑ Stensrud, David J. (2007). Esquemas de parametrización: claves para comprender los modelos numéricos de predicción meteorológica . Cambridge University Press . pág. 137. ISBN  978-0-521-86540-1.
  15. ↑ Houghton, John Theodore (1985). El clima global . Archivo de Cambridge University Press. págs. 49–50 . ISBN  978-0-521-31256-1.
  16. 1 2 Lynch, Peter (2008). "Los orígenes de la predicción meteorológica por computadora y la modelización climática" . Journal of Computational Physics . 227 (7): 3431– 3444. Bibcode : 2008JCoPh.227.3431L . doi : 10.1016/j.jcp.2007.02.034 .
  17. ↑ Lynch, Peter (2006). «Predicción meteorológica mediante procesos numéricos». El surgimiento de la predicción meteorológica numérica . Cambridge University Press . págs. 1–27 . ISBN  978-0-521-85729-1.
  18. ↑ Todling, Ricardo y Stephen E. Cohn. "Esquemas subóptimos para la asimilación de datos atmosféricos basados ​​en el filtro de Kalman". Monthly Weather Review 122, n.º 11 (1994): 2530-2557.
  19. ↑ "Resumen: Conjunto 4DVAR de mesoescala y su comparación con EnKF y 4DVAR (91.ª Reunión Anual de la Sociedad Meteorológica Americana)" . 27 de enero de 2011.
  20. ↑ Yang, Eun-Gyeong; Kim, Hyun Mee (febrero de 2021). "Una comparación de métodos de asimilación de datos variacionales, basados ​​en conjuntos e híbridos sobre Asia Oriental para dos períodos de un mes" (PDF) . Atmospheric Research . 249 105257. Bibcode : 2021AtmRe.24905257Y . doi : 10.1016/j.atmosres.2020.105257 . S2CID 224864029. Recuperado el 9 de noviembre de 2022 . 
  21. ↑ Barker, Dale; Lorenc, Andrew; Clayton, Adam (septiembre de 2011). "Asimilación de datos híbrida variacional/de conjunto" (PDF) .
  22. ↑ "Modelos numéricos de predicción meteorológica" .
  23. 1 2 Baret, Frederic (junio de 2000). "ReSeDA: Asimilación de datos de teledetección multisensor y multitemporales para monitorear el funcionamiento del suelo y la vegetación" (PDF) (informe final, número de contrato europeo ENV4CT960326). Aviñón: Instituto Nacional de Investigación Agronómica . pág. 59. Consultado el 8 de julio de 2019 . 
  24. ↑ André, Jean-Claude; Goutorbe, Jean-Paul; Perrier, Alain (1986). "HAPEX—MOBLIHY: Un experimento hidrológico atmosférico para el estudio del balance hídrico y el flujo de evaporación a escala climática" . Boletín de la Sociedad Meteorológica Americana . 67 (2): 138. Bibcode : 1986BAMS...67..138A . doi : 10.1175/1520-0477(1986)067 < 0138:HAHAEF > 2.0.CO ; 2 .
  25. ↑ Goutorbe, JP; Lebel, T; Dolman, AJ; Gash, JHC; Kabat, P; Kerr, YH; Monteny, B; Prince, SD; Stricker, JNM; Tinga, A; Wallace, JS (1997). "Una visión general de HAPEX-Sahel: Un estudio sobre clima y desertificación". Journal of Hydrology . 188–189 : 4–17 . Bibcode : 1997JHyd..188....4G . doi : 10.1016/S0022-1694(96)03308-2 .
  26. ^ Prevot L, Baret F, Chanzy A, Olioso A, Wigneron JP, Autret H, Baudin F, Bessemoulin P, Bethenod O, Blamont D, Blavoux B, Bonnefond JM, Boubkraoui S, Bouman BA, Braud I, Bruguier N, Calvet JC, Caselles V, Chauki H, Clevers JG, Coll C, Company A, Courault D, Dedieu G, Degenne P, Delecolle R, Denis H, Desprats JF, Ducros Y, Dyer D, Fies JC, Fischer A, Francois C, Gaudu JC, Gonzalez E, Goujet R, Gu XF, Guerif M, Hanocq JF, Hautecoeur O, Haverkamp R, Hobbs S, Jacob F, Jeansoulin R, Jongschaap RE, Kerr Y, King C, Laborie P, Lagouarde JP, Laques AE, et al. (Julio de 1998). "Asimilación de datos de teledetección multisensor y multitemporales para el monitoreo de la vegetación y el suelo: el proyecto Alpilles-ReSeDA" (PDF) . Seattle, WA, EE. UU.: IGARSS'98, Simposio Internacional de Geociencias y Teledetección . Consultado el 8 de julio de 2019 . {{cite journal}}: Para citar una revista se requiere |journal=( ayuda )
  27. ↑ Eibl, B; Mauser, W; Moulin, S; Noilhan, J; Ottle, C; Paloscia, S; Pampaloni, P; Podvin, T; Quaracino, F; Roujean, JL; Rozier, C; Ruisi, R; Susini, C; Taconet, O; Tallet, N; Thony, JL; Travi, Y; Van Leewen, H; Vauclin, M; Vidal-Madjar, D; Vonder, OW (1998). "Comparación del albedo derivado de MOS-B y WIFS con NOAA-AVHRR". IGARSS '98. Detección y gestión del medio ambiente. Actas del Simposio Internacional de Geociencias y Teledetección de la IEEE de 1998. (Cat. No.98CH36174) (PDF) . págs. 2402– 4. doi : 10.1109/IGARSS.1998.702226 . ISBN  978-0-7803-4403-7. S2CID 55492076 . 
  28. ↑ "ReSeDA" . cordis.europa.eu . Consultado el 8 de julio de 2019 .
  29. ↑ Olioso A, Prevot L, Baret F, Chanzy A, Braud I, Autret H, Baudin F, Bessemoulin P, Bethenod O, Blamont D, Blavoux B, Bonnefond JM, Boubkraoui S, Bouman BA, Bruguier N, Calvet JC, Caselles V, Chauki H, Clevers JW, Coll C, Company A, Courault D, Dedieu G, Degenne P, Delecolle R, Denis H, Desprats JF, Ducros Y, Dyer D, Fies JC, Fischer A, Francois C, Gaudu JC, Gonzalez E, Gouget R, Gu XF, Guerif M, Hanocq JF, Hautecoeur O, Haverkamp R, Hobbs S, Jacob F, Jeansoulin R, Jongschaap RE, Kerr Y, King C, Laborie P, Lagouarde JP, Laques AE, Larcena D, Laurent G, Laurent JP, Leroy M, McAneney J, Macelloni G, Moulin S, Noilhan J, Ottle C, Paloscia S, Pampaloni P, Podvin T, Quaracino F, Roujean JL, Rozier C, Ruisi R, Susini C, Taconet O, Tallet N, Thony JL, Travi Y, van Leewen H, Vauclin M, Vidal-Madjar D, Vonder OW, Weiss M, Wigneron JP (19 a 21 de marzo de 1998). D. Marceau (ed.). Aspectos espaciales en el proyecto Alpilles-ReSeDA (PDF) . Taller internacional sobre escalamiento y modelado en silvicultura: aplicaciones en teledetección y SIG. Universidad de Montreal, Montreal, Québec, Canadá. págs . 93-102 . Consultado el 8 de julio de 2019 . 
  30. ↑ Chen, Shang-Ying; Wei, Jian-Yu; Hsu, Kuo-Chin (2023-10-01). "Asimilación de datos para modelado de flujo subsuperficial en tiempo real con ajustes de nodos sin malla adaptativos dinámicamente". Ingeniería con Computadoras . 40 (3): 1893– 1925. doi : 10.1007/s00366-023-01897-6 . ​​ISSN 1435-5663 . 
  31. ↑ Cárdenas, IC (2019). "Sobre el uso de redes bayesianas como un enfoque de metamodelado para analizar incertidumbres en el análisis de estabilidad de taludes". Georisk: Evaluación y gestión de riesgos para sistemas de ingeniería y georiesgos . 13 (1): 53– 65. Bibcode : 2019GAMRE..13...53C . doi : 10.1080/17499518.2018.1498524 . S2CID 216590427 . 
  32. ↑ "Oxford Physics: Atmospheric, Oceanic and Planetary Physics: SRC: Research" . Julio de 2019. Archivado del original el 28 de septiembre de 2011. Consultado el 19 de agosto de 2011 .
  33. ↑ "Matthew J. Hoffman - Investigación" . Archivado del original el 4 de marzo de 2016. Consultado el 19 de agosto de 2011 .
  34. ↑ "marsclimatecenter.com" . marsclimatecenter.com . Consultado el 19 de abril de 2022 .
  35. ↑ "Copia archivada" . Archivado del original el 5 de agosto de 2011. Consultado el 19 de agosto de 2011 .{{cite web}}: CS1 mantenimiento: copia archivada como título ( enlace )
  36. ↑ Vetra-Carvalho, Sanita; PJ van Leeuwen; L. Nerger; A. Barth; AM Umer; P. Brasseur; P. Kirchgessner; JM. Beckers (2018). "Métodos de asimilación de datos estocásticos de última generación para problemas no gaussianos de alta dimensión" . Tellus A. 70 ( 1) 1445364. Bibcode : 2018TellA..7045364V . doi : 10.1080/16000870.2018.1445364 . hdl : 10754/630565 .

Lecturas adicionales

  • Daley, R. (1991). Análisis de datos atmosféricos . Cambridge University Press. ISBN 978-0-521-38215-1.
  • "Página principal del modelo de la comunidad MM5" .
  • "Apuntes de clase sobre asimilación de datos del ECMWF" .
  • Ide, Kayo; Courtier, Philippe; Ghil, Michael ; Lorenc, Andrew C (1997). "Notación unificada para la asimilación de datos: operacional, secuencial y variacional (gtNúmero especialltAsimilación de datos en meteorología y oceanografía: teoría y práctica)" . Revista de la Sociedad Meteorológica de Japón . Ser. II. 75 (1B): 181– 9. Bibcode : 1997JMeSJ..75B.181I . doi : 10.2151/jmsj1965.75.1B_181 .
  • "Comprensión de la asimilación de datos" . Módulo COMET .
  • Evensen, Geir (2009). Asimilación de datos. El filtro de Kalman de conjunto (Segunda  edición). Springer. ISBN 978-3-642-03710-8.
  • Lewis, John M.; Lakshmivarahan, S.; Dhall, Sudarshan (2006). «Asimilación dinámica de datos: un enfoque de mínimos cuadrados» . Enciclopedia de matemáticas y sus aplicaciones . Vol.  104. Cambridge University Press. ISBN 978-0-521-85155-8.
  • Asch, Mark; Bocquet, Marc; Nodet, Maëlle (2016). Asimilación de datos: métodos, algoritmos y aplicaciones . Society for Industrial and Applied Mathematics. ISBN 978-1-61197-453-9.
  • Kalnay, Eugenia (2002). Modelado atmosférico, asimilación de datos y predictibilidad . Cambridge University Press. pág.  364. Bibcode : 2002amda.book.....K . ISBN 978-0-521-79179-3.{{cite book}}: |journal=ignorado ( ayuda )
  • Vetra-Carvalho, S.; van Leeuwen, PJ; Nerger, L.; Barth, A.; Umer Altat, M.; Brasseur, P.; Kirchgessner, P.; Beckers, JM. (2018). "Métodos de asimilación de datos estocásticos de última generación para problemas no gaussianos de alta dimensión" . Tellus A: Meteorología y Oceanografía Dinámica . 70 (1) 1445364. Bibcode : 2018TellA..7045364V . doi : 10.1080/16000870.2018.1445364 . hdl : 10754/630565 .

Ejemplos de cómo se implementa la asimilación variacional en la predicción meteorológica en:

  • Asimilación de datos . Documentación del IFS. ECMWF. 2010.{{cite book}}: |work=ignorado ( ayuda )
  • "Asimilación de datos" . Met Office .

Otros ejemplos de asimilación:

  • CDACentral (un ejemplo de análisis de asimilación de datos químicos)
  • PDFCentral (utilizando archivos PDF para examinar sesgos y representatividad)
  • OpenDA – Paquete de asimilación de datos de código abierto. Archivado el 12 de enero de 2011 en Wayback Machine.
  • PDAF – Marco de asimilación de datos paralelos de código abierto
  • SANGOMA Nuevas técnicas de asimilación de datos