Your browser does not support JavaScript!

Αρχική    Data assimilation methods  

Αποτελέσματα - Λεπτομέρειες

Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000402393
Τίτλος Data assimilation methods
Άλλος τίτλος Μέθοδοι αφομοίωσης δεδομένων
Συγγραφέας Σφακιανάκη, Γεωργία
Σύμβουλος διατριβής Πλεξουσάκης, Μιχαήλ
Μέλος κριτικής επιτροπής Μπάγκαβος, Δημήτριος
Κοσσιώρης, Γεώργιος
Περίληψη Μέθοδοι αφομοίωσης δεδομένων (Data assimilation methods) έχουν χρησιμοποιηθεί εκτενώς τις περασμένες δεκαετίες σε επιστήμες όπως για παράδειγμα τη μετεωρολογία, την υδρολογία και την ωκεανογραφία. Γενικά, η αφομοίωση δεδομένων είναι μία τεχνική η οποία συνδυάζει προηγούμενη γνώση ενός συστήματος, υπό τη μορφή ενός αριθμητικού μοντέλου, με νέα πληροφορία για την κατάσταση του συστήματος, υπό την μορφή παρατηρήσεων. Οι μέθοδοι αυτές χωρίζονται σε δύο μεγάλες κατηγορίες, ονομαστικά, τις μεταβολικές (variational) και τις ακολουθιακές (sequential). Οι μεταβολικές μέθοδοι βασίζονται στην θεωρία βέλτιστου ελέγχου και σκοπός σε αυτές είναι η ελαχιστοποίηση ενός συναρτησιακού που μετράει την απόσταση των δεδομένων από το μοντέλο. Από την άλλη πλευρά, το κύριο χαρακτηριστικό των ακολουθιακών μεθόδων είναι ότι οι παρατηρήσεις αφομοιώνονται αμέσως μόλις γίνονται διαθέσιμες. Στην παρούσα εργασία μελετάμε και παρουσιάζουμε δύο μεθόδους αφομοίωσης δεδομένων από κάθε κατηγορία. Από την οικογένεια των μεταβολικών μεθόδων μελετάμε τη Μεταβολική Αφομοίωση Δεδομένων στις Τρεις Διαστάσεις (Three-dimensional Variational Assimilation ή 3D-Var) και τη Μεταβολική Αφομοίωση Δεδομένων στις Τέσσερις Διαστάσεις (Four-dimensional Variational Assimilation ή 4D-Var). Η πιο διαδεδομένη μέθοδος στη δεύτερη κατηγορία, είναι το Φίλτρο Kalman (Kalman Filter). Μελετάμε δύο εκδοχές του φίλτρου Kalman, ονομαστικά, το Extended Kalman Filter και το Ensemble Kalman Filter. Στην εργασία αυτή, μελετάμε την εφαρμογή των παραπανω μεθόδων αφομοίωσης δεδομένων στην αριθμητική πρόβλεψη του καιρού (numerical weather prediction). Σε αυτό το πλαίσιο, η αφομοίωση δεδομένων χρησιμοποιείται για την ανάλυση της τρέχουσας κατάστασης της ατμόσφαιρας, ώστε να καθοριστούν οι κατάλληλες αρχικές συνθήκες που θα χρειαστούν για τη βελτίωση μίας μεταγενέστερης αριθμητικής πρόγνωσης του καιρού. Θεωρούμε λοιπόν το μη-γραμμικό δυναμικό σύστημα του Lorenz (Lorenz 1996) και παρουσιάζουμε αποτελέσματα της υλοποίησης των 3D-Var και Ensemble Kalman Filter σε αυτό. Παρουσιάζουμε επίσης, το Weather Research and Forecasting (WRF) model το οποίο αποτελεί ένα από τα πιο προηγμένα μοντέλα αριθμητικής πρόβλεψης του καιρού και είναι ένα ελεύθερο λογισμικό που χρησιμοποιείται τόσο για ερευνητικούς, όσο και για επιχειρησιακούς σκοπούς. Εστιάζουμε στο πακέτο WRFDA που είναι ενσωματωμένο σε αυτό, και παρέχει δυνατότητες αφομοίωσης μετεωρολογικών δεδομένων και συγκεκριμένα, περιλαμβάνει την υλοποίηση των 3D-Var και 4D-Var, καθώς και μία υβριδική μέθοδο που συνδυάζει τις μεταβολικές και ακολουθιακές μεθόδου
Φυσική περιγραφή 77 σ. : πίν.,εικ. ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα 3Dvar
4Dvar
Kalman filter
Optimal interpolation
Ημερομηνία έκδοσης 2016-07-22
Συλλογή   Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών--Μεταπτυχιακές εργασίες ειδίκευσης
  Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης
Εμφανίσεις 205

Ψηφιακά τεκμήρια
No preview available

Προβολή Εγγράφου
Εμφανίσεις : 37