Assimilação de dados para a nova geração de modelos de tempo e clima

Resumo

Assimilação de dados constitui uma área fundamental para modelagem e previsão do tempo e clima. Com o desenvolvimento de modernos modelos meteorológicos e climáticos de altíssima resolução espacial, novos problemas em assimilação de dados estão surgindo. Esta proposta é motivada por dois destes problemas. O primeiro é que embora o aumento de resolução permitirá resolver explicitamente importantes processos não-lineares de pequena escala como convecção, métodos de assimilação de dados baseiam-se tradicionalmente em suposições lineares. Para lidar com este desafio, abordagens que levam em conta a dinâmica não-linear do sistema estão sendo desenvolvidas. Em particular, a Assimilação no Subespaço Instável ("Assimilation in the Unstable Subspace"; AUS) busca um ganho de eficiência computacional confinando o processo de assimilação ao subespaço gerado pelos vetores de Lyapunov associados a expoentes não negativos. Esta abordagem, embora a princípio promissora, sofre com o custo computacional de calcular estes vetores. Nesta proposta exploraremos potenciais soluções para este problema através da análise numérica do AUS aplicado a modelos simples. O segundo problema motivando esta proposta é o desafio de como assimilar dados provenientes das cada vez mais diversas fontes de observação disponíveis atualmente. Nesta linha de pesquisa, examinaremos em particular a robustez de métodos de assimilação já implementados no Model for Prediction Across Scales (MPAS), que será o componente atmosférico do modelo brasileiro do sistema terrestre MONAN (Model for Ocean-LaNd-Atmospheric PredictioNs). O objetivo aqui será avaliar o funcionamento destes métodos quando aplicados a dados de torres de geração de energia eólica, com consequências não só para o MONAN mas também para outro projeto na área de energia eólica no qual nosso grupo de pesquisa está envolvido.