Embedded Files
El curso contará con clases teóricas que se dictarán durante las horas de la mañana (de 9 a 12:30 hs) y con clases de laboratorio que se desarrollarán en horas de la tarde (de 14 a 17 hs). La modalidad de las clases será híbrida (presencial y virtual, aunque se recomienda fuertemente participar de manera presencial).
Las clases teóricas incluirán una breve introducción a los métodos de asimilación de datos, su diseño, sus parámetros más importantes, así como también una presentación de ejemplos de su aplicación en problemas relacionados con fluidos geofísicos.
Las clases de laboratorio incluirán ejercicios en donde se apliquen los métodos discutidos en las clases teóricas en modelos simples que permitan hacer experimentos numéricos sin la necesidad de contar con un gran poder de cómputo. La implementación de los métodos se realizará en Python utilizando librerías de código abierto.
La agenda detallada del curso se puede descargar aquí (la agenda del curso es tentativa y puede estar sujeta a cambios).
Lunes 28 de julio
Estadística multivariada
Variables aleatorias y sus distribuciones de probabilidad. Distribuciones continuas. Distribuciones multivariadas. Distribuciones marginales y condicionales. Distribución gaussiana multivariada. Estimación de parámetros.
Martes 29 de julio
Formulación Bayesiana, 3DVar y 4DVar
Introducción a la asimilación de datos. Teorema de Bayes en variables discretas. Métodos variacionales en 3 y 4 dimensiones.
Miércoles 30 de julio
Filtros de partículas
Formulación bayesiana y filtros de partículas. El problema de la dimensionalidad. Localización en filtros de partículas.
Jueves 31 de julio
Filtro de Kalman I
Métodos que buscan minimizar el error cuadrático medio de la estimación. El estimador lineal óptimo (BLUE). El filtro de Kalman. Condiciones para la equivalencia entre el filtro de Kalman y los métodos variacionales. El filtro de Kalman por ensambles.
Viernes 1 de agosto
Filtro de Kalman II
Localización e inflación en el filtro de Kalman. Tratamiento de los errores de modelo. Descomposición de Cholesky aplicada a filtros de Kalman.
Lunes 4 de agosto
Aplicaciones en fluidos geofísicos
Aplicaciones en fluidos geofísicos. Sistemas operacionales de asimilación de datos en la atmósfera. Asimilación de datos en mesoescala. Asimilación de datos de sensores remotos (radar y satélite).
Martes 5 de agosto
Estimación de parámetros e hiperparámetros
Errores de modelo paramétricos y no paramétricos. Optimización de modelos. Asimilación de datos aplicada a la optimización de modelos en fluidos geofísicos. Estimación de hiperparámetros para la optimización del sistema de asimilación.
Miércoles 6 de agosto
Métodos híbridos
Combinación de métodos variacionales y basados en ensambles. Combinación de filtros de Kalman con métodos variacionales. Combinación de filtros de partículas y filtros de Kalman. Ejemplos de aplicación.
Jueves 7 de agosto
Asimilación de datos y nowcasting
Aplicación de la asimilación de datos para pronósticos a muy corto plazo basados en datos. Filtro de Kalman por ensambles para nowcasting de precipitación en base a datos de satélite y a datos de radar.
Viernes 8 de agosto
Asimilación de datos y machine learning
Breve introducción al machine learning. Similitudes y diferencias entre los métodos de asimilación de datos y la optimización de modelos de machine learning. Aplicaciones de métodos de machine learning en el contexto de la asimilación de datos.
Page updated
Google Sites
Report abuse