Algoritmos para assimilação de dados geralmente envolvem cálculos complexos que dependem de diversos fatores, como o tamanho dos espaços de estados, número de pontos da grade em questão, tamanho da janela de assimilação, etc. Frequentemente, observa-se que dois algoritmos usados para solucionar um mesmo problema podem ter eficiências diferentes, por conta de diferenças em suas implementações.

Uma maneira de se mensurar e representar a complexidade de um algoritmo é contabilizar o número de operações de ponto-flutuante (flops) necessárias para executá-lo e utilizar a notação “O-grande”.

Considere o algoritmo a seguir, implementado em uma linguagem de pseudocódigo autoexplicativa.




A complexidade desse algoritmo será

Considere a lista de processos computacionais abaixo.

1. Integração do modelo não-linear para frente no tempo.
2. Integração do modelo não-linear para trás no tempo.
3. Integração do modelo adjunto para frente no tempo.
4. Integração do modelo adjunto para trás no tempo.
5. Integração do modelo tangente linear no loop interno.
6. Integração do modelo tangente linear no loop externo.

Assinale a opção que apresenta os processos realizados em assimilação de dados 4DVAR incremental, com restrição forte, na sequência correta de execução.

O treinamento de algoritmos de inteligência artificial no desenvolvimento de aplicações para assimilação de dados meteorológicos exige o uso de bases de dados representativas de estados atmosféricos. Embora bases de dados sintéticas sejam úteis para treinamento, o uso de bases de dados reais é sempre preferível.

Assinale a opção que apresenta a base de dados real que descreve propriedades físicas de uma grande quantidade de situações atmosféricas, e que é utilizada para o treinamento de modelos de temperatura atmosférica.

A área de assimilação de dados acoplados tem recebido atenção crescente de pesquisadores e tecnologistas interessados em previsão numérica de tempo. Nos esquemas de assimilação acoplados, dois ou mais modelos geofísicos são combinados, frequentemente utilizando também técnicas diferentes de assimilação.

Com relação à área de assimilação de dados acoplados, analise as afirmativas a seguir.

I. Busca-se utilizar os modelos geofísicos simultaneamente, de forma a produzirem previsões/análises consistentes entre si.
II. Busca-se modelar e analisar as interações da atmosfera com os solos, com os oceanos e com as geleiras do planeta, melhorando assim as capacidades de previsão numérica.
III. Combinam-se os modelos geofísicos, de forma que os resultados de previsão de um modelo sirvam de condição de contorno para a solução do(s) outro(s) modelo(s) a ele combinado(s).

Está correto o que se afirma em

Os estudos realizados pelo francês Jean-Baptiste J. Fourier, no século XVIII, contribuem de forma significativa em diversas áreas das ciências aplicadas e engenharias.

Fourier demonstrou que um sinal periódico pode ser representado por uma série trigonométrica infinita. Um estudante de engenharia eletrônica desenvolveu um algoritmo para plotar um gráfico de uma curva aproximada de uma onda quadrada, considerando apenas alguns termos da série, com o seguinte pseudocódigo:

algoritmo “onda quadrada”

var
n : inteiro
a , k, t : real
t : vetor [1: 0.1 : 20] de real
\\comentário do programa: a expressão t : vetor [1: 0.1 :
20] \\de real, cria um vetor t, com números reais de 1 a
20, com \\incremento de 0,1
y : vetor [ ] de real
inicio
y <- 0
a <- 1
k <- 4*a/pi
para n de 1 ate 6 faca
se (n mod 2) == 1
y <- y+sin(n*t)/n
fimpara
y <- k*y
plote o grafico de y(t)
finalalgoritmo

Assinale a opção que contém a expressão correspondente aos termos da Série de Fourier consideradas pelo estudante no algoritmo desenvolvido para plotar a curva.

Uma abordagem recentemente desenvolvida para estimar concentrações de agentes poluentes na atmosfera busca integrar assimilação de dados variacional e processos Gaussianos para aperfeiçoar previsões. Processos Gaussianos são modelos estatísticos usados em aprendizado de máquina para descrever observações feitas em algum domínio contínuo, tal como espaço ou tempo.

Com relação aos processos Gaussianos para aprendizado de máquina, analise as afirmativas a seguir e assinale (V) para a verdadeira e (F) para a falsa.

( ) São uma generalização de dimensão infinita das distribuições normais multivariáveis, em que cada variável aleatória está diretamente relacionada a algum ponto do domínio contínuo considerado.
( ) São amplamente utilizados em modelos de regressão, em que se busca prever a forma de uma função contínua incorporando-se informações provenientes de observações.
( ) Podem ser utilizados em tarefas de classificação, em que se busca prever a probabilidade de um conjunto de dados de entrada pertencer a uma classe específica.

As afirmativas são, respectivamente,

A integração de técnicas de inteligência artificial e aprendizado de máquina com assimilação de dados pode aumentar a confiabilidade das previsões por introduzir modelos orientados a dados obtidos por meio de observações. A performance dos modelos de aprendizado de máquina pode ser medida por algumas métricas, como por exemplo a métrica Mean Absolute Error (MAE).

Considere um modelo de regressão usado para prever valores de uma variável, conforme a tabela a seguir.




O MAE para o conjunto de dados representado na tabela será

Algoritmos para assimilação de dados podem ser implementados de maneira eficiente e otimizada por meio de paralelização de processos.

O Parallel Data Assimilation Framework (PDAF) é um pacote de software que simplifica a implementação de métodos de assimilação, provendo versões totalmente paralelizadas de algoritmos, como por exemplo, diferentes versões dos Filtros de Kalman por conjunto (EnKF). Um dos requisitos de funcionamento do PDAF é o uso de um protocolo padronizado de comunicação para computação paralela.

O principal padrão de comunicação entre os processos paralelos executados em um sistema de memória distribuída, é denominado

Assimilação de dados profunda (Deep Data Assimilation - DDA) é uma técnica recente que integra aprendizado profundo e assimilação.

Utiliza-se uma rede neural recorrente para aprender o processo de assimilação, que por sua vez é treinada a partir dos estados de um sistema dinâmico e de seus resultados de assimilação correspondentes. Tais redes neurais recorrentes são implementadas com o uso de funções de ativação, que introduzem não linearidades às saídas dos neurônios das redes.

Assinale a opção que menos se adequa às características esperadas para funções de ativação.

As técnicas de aprendizado de máquina aplicadas à assimilação podem ser utilizadas de diversas maneiras para tratamento de dados. Um exemplo de processo que pode ser vantajoso para os algoritmos de assimilação é o de redução da dimensionalidade de um conjunto de dados, no qual se aplica treinamento não supervisionado para gerar representações “compactadas” das entradas originais. Esse processo permite a assimilação de dados no espaço latente, melhorando a eficiência de treinamento dos algoritmos.

Determinadas arquiteturas de rede neural são utilizadas para redução de dimensionalidade e para a geração de representações de dados no espaço latente, em que se destaca a arquitetura do tipo