Assimilação de dados
Em meteorologia, a assimilação de dados é o procedimento que consiste em corrigir, com ajuda de observações, o estado da atmosfera de uma previsão meteorológica.
A previsão numérica da evolução da atmosfera depende grandemente das condições iniciais que a ele estão proporcionadas. Um bem que é difícil de determinar, a um dado instante, o estado do atmosfera, isto é o conjunto das variáveis atmosféricas (pressão, temperatura, humidade, etc.) no conjunto do volume, com uma boa resolução e uma boa precisão. As únicas informações disponíveis a um dado momento são as observações meteorológicas de diferente natureza (rádio sondas, Estações meteorológicas, bóia oceânica, etc.). Mas estas informações não são suficientes. Efectivamente o modelo atmosférico requer da ordem de 10 7 {\displaystyle 10^{7}} valores (para todos os campos físicos considerados, em todos os pontos do modelo). O bem atual das observações são da ordem de 10 6 {\displaystyle 10^{6}} . Uma mera interpolação não basta nestas condições. Ter então recursos a um método chamado "assimilação de dados".
Deseja-se conhecer a temperatura numa peça que dispõe de uma fonte de calor pontual de 20°C. A fonte está presa. Ao tempo t 0 {\displaystyle t_{0}} , faz 15°C em toda a peça. A fonte de calor activa-se, e é observada na peça. A previsão consiste em dizer o que fará, ao cabo de um verdadeiro tempo d t {\displaystyle dt} 20°C no ponto de aplicativo da fonte, depois a cada vez mais frio em se afastando : trata-se aqui da previsão válida no conjunto da peça. O observador volta 3 horas depois. Um termômetro fixado na peça indica 17°C num ponto bastante afastado da fonte onde está suposto fazer 18°C. A assimilação parte da ideia que esta informação vai corrigir a previsão precedente. Por exemplo supondo que localmente, uma reação do ar faz baixar esta temperatura. Ou ainda que a descida da temperatura para além da fonte de calor faz-se mais rapidamente. Obtemos assim uma análise da situação. O termômetro não é muito preciso, por exemplo um erro de +/- 0,5°C. O conhecimento do erro de observação devida à carência de precisão do termômetro reduzirá o impacto desta observação durante a nossa assimilação. O conhecimento do erro de previsão (por exemplo a carência de informação na isolação exacta da peça), vai jogar no outro sentido. Estes diferentes aspectos estarão expostos mais longe após a formulação matemática.
Querer conhecer o estado de um sistema que não evolui no tempo representado por um vetor x {\displaystyle x} .(com frequência de dimensão infinita). Se supor-mos x {\displaystyle x} espacialmente com ajuda de um operador Π {\displaystyle \Pi } que da o vetor x t {\displaystyle x_{t}} de dimensão n {\displaystyle n} . Fazer medidas a certos lugares no sistema. Reunir estas informações no vetor das observações y {\displaystyle y} de dimensão p. Associa-se um vetor de erro de observação e 0 {\displaystyle e_{0}} cuja se não conhece, em geral, que a esperança e a variante (ou melhor a sua estimativa). Poder pois construir uma matriz de covariantes R i , j = E [ e 0 T . e 0 ] {\displaystyle R_{i,j}=E[e_{0}^{T}.e_{0}]} . Comparar as observações ao estado real do sistema com ajuda da função de observação H {\displaystyle H} (que pode ser linear ou não): y = H x t + e 0 {\displaystyle y=Hx_{t}+e_{0}}
Primeira solução do problema
Considera-se num primeiro momento o operador H {\displaystyle H} linear sem prejuízo do linearizar se não o é . Procurar minimizar o erro cometido a posteriori de e a {\displaystyle e_{a}} minimizando T r ( P i , j a ) {\displaystyle Tr(P_{i,j}^{a})} . Procurar a solução com ajuda de uma regreção linear (ver método do mínimo quadrado), chamado um Ansatz.em assimilação de dado: x a = L x b + K y {\displaystyle x_{a}=Lx_{b}+Ky} Supor que os erros de observação e do esboço estão sem distorção sem prejuízo de retorcer a distorção se existe. Se queremos que o erro da análise se apresente sem distorção, se tem L = I − K H {\displaystyle L=I-KH} . Obtemos então :
Sistema dependente do tempo
Supomos agora que o estado do sistema evolui no tempo. Desejar efectuar uma sucessão de análise a todos os instantes possíveis. Temos previsões procedentes do modelo às datas t 0 , t 1 , ⋯ , t k , ⋯ , t n {\displaystyle t_{0},t_{1},\cdots ,t_{k},\cdots ,t_{n}} e das observações a várias datas cujas t k {\displaystyle t_{k}} . Anotar o vetor de previsão x k f {\displaystyle x_{k}^{f}} (que corresponde a x b {\displaystyle x_{b}} no parágrafo que precede), o vetor das observações y k {\displaystyle y_{k}} e o vecteur de análise x k a {\displaystyle x_{k}^{a}} .
Os métodos sequenciais
Pode-se primeiramente resolver este problema com ajuda de método dito sequenciais. Neste tipo de método, há primeiramente a etapa de previsão onde se obtém x k f {\displaystyle x_{k}^{f}} , depois a etapa de análise onde se combina a informação das observações e da previsão para ter x k a {\displaystyle x_{k}^{a}} . Poder resumir este problema baixo o jogo de equação que segue: { x k + 1 f = M k + 1 ( x k ) + v k + 1 y k = H k ( x k ) + e k 0 {\displaystyle {\begin{cases}x_{k+1}^{f}&=M_{k+1}(x_{k})+v_{k+1}\\y_{k}&=H_{k}(x_{k})+e_{k}^{0}\end{cases}}} Aqui v k + 1 {\displaystyle v_{k+1}} é o erro do modelo da passagem do tempo t k {\displaystyle t_{k}} a t k + 1 {\displaystyle t_{k+1}} ao modelo. e k + 1 f {\displaystyle e_{k+1}^{f}} é o erro de previsão acumulada durante a sucessão das etapas. Associar a e k + 1 f {\displaystyle e_{k+1}^{f}} a matriz de covariante Q k {\displaystyle Q_{k}} .
Filtros reduzidos
É possível de associar filtros para reduzir a dimensionalidade do sistema. Há vários filtros como o filtro RRSQRT, SEEK ou ainda SEIK.
Os métodos de análises variacional
O método de assimilação variacional é utilizada para obter os valores aos pontos de grade do modelo os mais para perto da realidade. Implica encontrar um conjunto de pontos do modelo cuja descrição por uma função se acerca o mais perto dos valores aos pontos observados sem introduzir instabilidade no modelo numérico. Consiste pois de procurar o estado o mais verdadeiro a par dos conhecimentos disponíveis nas leis de probabilidades dos erros de observação. Isto se faz minimizando por iteração a função perda, com mais frequência a soma dos mínimos quadradas dos desvios entre a análise e a observação ponderada pela qualidade destas últimas. Este processo pode ser feito em 3 ou 4 dimensões.
Combinação dos métodos variacional e sequenciais
As técnicas variacionais são mais eficazes para encontrar uma boa análise e as técnicas sequenciais permitem uma caracterização dos erros. Assim, os novos métodos estão inventadas para combinar estes dois aspectos.


