Introdução à Assimilação de Dados (MET 563-3)

Motivação - Equação de Análise Empírica (Parte II)

Dr. Carlos Frederico Bastarz
Dr. Dirceu Luis Herdies

Programa de Pós-Graduação em Meteorologia (PGMET) do INPE

24 de Setembro de 2025

Equação de Análise Empírica (Parte II)



Motivação


  • Esta é uma primeira aproximação para o problema de análise multivariado
  • Isto significa que, na prática, estamos tratando de um conjunto (ou uma série) de observações de quantidades diferentes (e.g., temperatura, vento e pressão)
  • Quanto maior a quantidade de variáveis, mais complexo torna-se a determinação da análise
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Motivação

  • No problema multivariado, procuramos uma solução ("análise") que represente o melhor ajustamento do background às observações
  • No exemplo mais simples da equação de análise empírica, tínhamos apenas uma equação de análise para uma única variável
  • Para que possamos extrapolar o problema para variáveis, será necessário calcular análises, uma para cada variável de estado:

  • Onde:
    • : é o vetor análise da enésima variável
    • : é o vetor background da enésima variável
    • : é o vetor observação da enésima variável
    • : é um vetor com os pesos dado à observação
    • : é um vetor com os pesos dado ao background)

Equação de Análise Empírica (Parte II)


Motivação

  • O problema de análise meteorológica multivariada considera uma modelo real
  • Aqui iremos considerar três vetores de quantidades diferentes (), com 100 elementos cada:
# Background da Temperatura do Ar [C]

xb1 = 40. + (15. - 40.) * np.random.randn(100)
# Background do Vento horizontal [m/s]

xb2 = 10. + (5. - 10.) * np.random.randn(100)
# Background da Pressão atmosférica [hPa]

xb3 = 1000. + (900. - 1000.) * np.random.randn(100)
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Como é ?


xb1 = 
array([19.54359935, 28.02021832, 30.98934044, 21.29726065, 32.56254133,
       31.8798683 , 34.13027803, 21.33664531, 21.96966767, 21.87727694,
       26.41032294, 22.99802959, 19.86384305, 21.32748374, 30.38724682,
       21.3261903 , 18.16201694, 24.57677935, 18.0893644 , 30.58842399,
       16.75320872, 21.63775359, 21.11443669, 19.0322476 , 18.37576997,
       33.01617276, 34.70433601, 16.31712342, 32.13082557, 17.82616606,
       26.66327265, 21.91639599, 20.23068034, 15.43864126, 30.34930418,
       23.11258195, 26.86457668, 24.09901207, 20.45145304, 28.0368117 ,
       25.87652879, 29.05946519, 28.61622933, 15.91877439, 21.39591895,
       34.21444117, 25.44670878, 20.83541226, 34.27741552, 12.99872417,
       32.75729193, 15.91613634, 23.78639266, 18.42468865, 24.74387703,
       38.95803083, 24.68469212, 22.02186921, 22.65711468, 23.23432154,
       34.25743876, 25.09714219, 22.96486527, 26.08260443, 23.15910244,
       21.98108886, 22.31604543, 22.92486911, 22.99488973, 21.81249145,
       32.57957489, 33.68072417, 30.42811791, 23.79145663, 21.97971722,
       25.6181129 , 30.68512111, 24.47503308, 25.25955577, 28.11589535,
       21.35453516, 38.56106636, 37.53606813, 29.09164144, 26.36495428,
       24.80991689, 25.01314896, 21.70033864, 21.80864972, 19.19196652,
       32.08225608, 24.80684239, 25.06585103, 28.95608575, 23.01383423,
       27.62959653, 23.19876776, 31.23178029, 25.12522783, 32.70664654])



Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Como é ?


xb2 = 
array([ 7.89139469, 11.31710662, 11.25834407,  9.22292483, 13.26257547,
       12.04543631, 10.23465704, 10.36606995, 11.76295757,  7.99277442,
        9.80580539,  8.19489576,  7.54437886, 10.77591642, 10.39955475,
        9.74753976,  4.40891481, 10.06259102,  7.3239466 ,  6.40381252,
        9.46414692, 12.86896694, 10.69276845, 14.36733922, 11.97592713,
        9.73146508, 10.05474521,  8.27184444,  8.75321919,  8.80315983,
       10.85022741,  8.91140828,  9.58006867,  7.72998353, 11.46220732,
       11.43792601, 12.36487809,  9.21566116,  8.44912914, 11.61916852,
       10.90650476,  6.34443491, 12.49797447,  6.137198  , 11.31107992,
       13.1470192 , 11.44730413,  8.71090181,  9.67011543, 11.48149101,
        9.75057685, 11.23484438, 11.59826051, 10.82835328, 12.11049565,
        9.45548633, 12.33087288,  9.73940959,  8.09861212, 12.55259241,
        7.18805016,  9.87995869,  5.67240723, 10.94419448,  6.92951379,
        9.70143301,  9.08007802, 12.14802447, 10.19793865, 10.65233924,
       10.963924  , 11.55152817,  4.6441757 , 11.63745689, 11.90119717,
       11.95825119,  9.24286262, 13.58813583, 14.1642769 , 12.37186956,
        9.28553247,  9.31752349,  9.51763214, 13.34954962,  8.8345092 ,
       10.39238047, 11.3412283 , 12.399684  ,  8.90520432, 12.40032624,
        7.96678845,  9.26881557, 11.5502632 ,  9.96591038, 10.74955336,
       11.52074654, 12.65951626, 12.83326151, 10.69785151,  9.89670125])



Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)



Como é ?


xb3 = 
array([ 996.8880361 , 1003.08115118,  999.97617233, 1000.13327105,
        991.48361216,  995.84976209,  996.30653723, 1009.25491845,
        996.80281331, 1000.99401558,  998.82142829, 1004.24289653,
        996.85664595, 1013.77033688, 1003.30592647, 1005.52232586,
        999.20686366,  994.62184684, 1005.62742472, 1001.21459687,
       1000.35459829,  998.23323007,  999.64235681, 1001.87986157,
       1000.74507721,  998.31270317,  996.75214155,  990.52501866,
       1000.13389647,  990.90515357,  999.29005444, 1000.16553518,
...
       1002.3361858 , 1001.92798636,  989.55063344,  996.0905916 ,
       1002.60934246, 1011.72141294, 1010.22879591,  998.3758843 ,
        994.29775049,  994.11825428, 1005.92686155, 1006.06681313,
        994.25509972, 1003.12838654, 1001.28261554,  997.71676649,
       1004.9775312 ,  998.53027327,  995.86847976,  999.47741406,
        997.51047478,  997.69112758, 1007.13809055,  999.19446492,
        996.51733075,  997.52204916, 1005.22600936,  994.10177179])


Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


As observações

  • O vetor observação para cada variável, pode ser definido de forma semelhante ao vetor background (), também com 100 elementos cada:
# Observações da Temperatura do Ar [C]

yo1 = xb1 + np.random.randn(100) * 3
# Observações do Vento Horizontal [m/s]

yo2 = xb2 + np.random.randn(100) * 2
# Observações da Pressão Atmosférica [hPa]

yo3 = xb3 + np.random.randn(100) * 4
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Como é ?


yo1 = 
array([22.0712393 , 26.58791013, 28.14805192, 26.98159477, 35.23399823,
       33.40008597, 35.02158103, 21.64167556, 23.09235864, 26.7581439 ,
       25.60250411, 22.2851952 , 21.60054999, 19.41337962, 33.7859359 ,
       18.53437012, 21.64275727, 27.34204402, 12.81279131, 34.61906076,
       18.6932917 , 18.81008501, 21.40062741, 24.91801653, 20.4940796 ,
       34.1893406 , 30.95190393, 17.3819934 , 37.31104736, 18.46502053,
       28.05084568, 20.2676145 , 21.5593682 , 19.7744258 , 24.96566195,
       21.62261741, 27.08820325, 29.31410656, 18.47973529, 24.25416472,
       23.12769184, 25.10136771, 30.06111044, 17.24273538, 21.58330026,
       32.09020677, 27.56474563, 20.99475289, 37.04195311, 12.30406384,
       33.76675972, 15.56992676, 19.0061655 , 17.73779978, 24.84337806,
       38.15450086, 26.43742924, 20.82705709, 22.167535  , 25.75664848,
       34.35961501, 27.05852421, 18.23826217, 28.72354137, 22.2294522 ,
       25.26755696, 19.3101514 , 20.79101783, 26.64385568, 22.23610238,
       33.97735421, 34.55946135, 25.60156092, 20.78207244, 22.35560579,
       27.30155886, 29.82928653, 28.50606377, 24.75882271, 25.58798664,
       17.42761893, 39.6890225 , 39.15795835, 28.94022484, 22.60972549,
       20.20794155, 26.31603038, 19.99710402, 22.62536126, 21.65909853,
       32.96625744, 23.24176136, 26.33734637, 27.40711608, 25.58098425,
       22.14474225, 25.83748607, 24.34837869, 23.21031925, 33.13453801])



Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Como é ?


yo2 = 
array([ 4.18988815,  9.37460392, 10.7679655 ,  8.08458289, 16.24926569,
       14.30108474,  6.34047062, 10.11426126, 14.09465821,  8.26598524,
        6.19730716,  8.29706497,  4.0623404 ,  8.03324816, 11.85340907,
       13.14495454,  8.00195819, 11.57660517,  8.1154758 ,  6.32452072,
        9.64820965, 14.46329132,  9.24828971, 14.83472054, 15.1515784 ,
        9.33063813, 11.66734283, 10.20817894, 10.98699244,  6.04775072,
        9.31817934,  7.31846018,  9.42840878,  7.70830378, 12.93872419,
        9.33040986, 14.71326609,  8.86910384,  9.87305228, 15.76476408,
       13.24045813,  7.08111694, 14.1661612 ,  9.66428437, 11.87480323,
       16.97683911, 14.41572863,  8.94345535,  7.70911464, 11.02959723,
        9.99683187, 14.25997444, 10.43025165,  6.48407951,  9.6280322 ,
        9.71360869, 12.4138513 , 12.55751427,  9.99558739, 13.94852094,
        7.24681151, 12.98547236,  5.09213004, 14.8447996 , 10.14896282,
        6.4149297 , 11.43117218, 10.8370425 , 10.57713658, 13.51488394,
        7.37022493,  8.27861087,  8.87446208, 11.36219167,  9.73951402,
       12.8774461 ,  9.18332148, 11.28477962, 12.60024827, 11.91527289,
       10.96071101, 11.54910071,  7.75694468, 14.38380282,  9.82274468,
        9.92127001, 10.45692836, 12.44088767,  9.28426727, 12.27024771,
        8.43691615,  7.58471303, 13.33268913,  9.08476341,  9.67142117,
       13.02589387, 13.91438012,  9.00037576,  8.02441626,  8.72835341])



Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Como é ?


yo3 = 
array([ 995.46316584, 1001.83815365, 1002.60629618, 1002.882721  ,
        983.82955436,  998.42540759,  993.19980189, 1008.50573968,
        991.63923891, 1002.76353549, 1005.29946407, 1003.01109624,
        996.67824433, 1016.21970947, 1001.89346797, 1006.87587711,
        999.56306358,  992.52894043, 1003.81577561, 1005.3324725 ,
       1000.09066672,  995.57530359,  995.84004824,  999.35118141,
        999.74341359, 1000.98364998,  998.16868078,  995.22958019,
       1000.61306458, 1002.91621345,  997.41256208,  996.78433782,
       1005.76732347, 1001.16371745, 1004.98966941,  984.96552927,
        996.72893495, 1009.66660445, 1000.3310859 ,  992.31033854,
...
       1002.8943125 , 1001.618645  , 1009.0051308 ,  989.95562809,
        999.31630638,  994.19262375, 1002.59573404, 1002.29933836,
       1007.97648708, 1002.54962032,  989.61380801,  997.25814489,
        999.72884701, 1016.03008064, 1012.93582964,  996.65227536,
        999.88912342,  995.78890099, 1004.14727779, 1000.75434206,
        994.37429118, 1001.94229288, 1003.77489436,  995.0048657 ,
       1006.63879362, 1001.15311692,  995.76838989,  994.02725587,
        999.48654633,  998.64811864, 1005.76593828,  997.35828967,
        995.42593429,  997.83286157, 1007.4028775 ,  989.8213993 ])




Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Distribuição Normal

  • Observe que e possuem distribuições próximas da normal:
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Distribuição Normal

  • Observe que e possuem distribuições próximas da normal:
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Distribuição Normal

  • Observe que e possuem distribuições próximas da normal:
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Séries de e

  • Com e definidos, podemos plotar os seus elementos:

Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Determinação de (continua...)

  • Antes de determinarmos o parâmetro , precisamos saber o que ele é e como pode ser definido
  • é um parâmetro que relaciona as medidas das variâncias do background e das observações:

  • Onde:
    • : é o enésimo vetor com as variâncias do background
    • : é o enésimo vetor com as variâncias das observações
  • Os valores destes vetores são obtidos a partir das matrizes de covariâncias dos erros de background e observação
  • Então, para calcular , precisamos determinar as matrizes de covariâncias dos erros de e , as quais denominaremos e , respectivamente
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)




Erros e


  • Vamos considerar que os erros dos elementos dos vetores e são randômicos, ou seja:
    • Não há relação entre os elementos dos dois vetores e
    • Os erros dos elementos dos vetores e são randômicos, ou seja, não há relação entre os erros dos elementos do vetor background e entre os elementos do vetor observação
  • Manteremos a distribuição destes erros de forma conhecida, vamos manter uma distribuição próxima à normal de forma que possamos controlar a média e o desvio padrão
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Erros e


# Erro da Temperatura do ar [C]

errot = mdot + dpot * np.random.randn(len(x0)) # mdot = 1;   dpot = 1.5
errbt = mdbt + dpbt * np.random.randn(len(x0)) # mdbt = 2.5; dpbt = 4
# Erro do Vento horizontal [m/s]

errov = mdov + dpov * np.random.randn(len(x0)) # mdov = 1;   dpov = 1.5
errbv = mdbv + dpbv * np.random.randn(len(x0)) # mdbv = 3.2; dpbv = 1.5
# Erro da Pressão atmosférica [hPa]

errop = mdop + dpop * np.random.randn(len(x0)) # mdop = 1;   dpop = 1.5
errbp = mdbp + dpbp * np.random.randn(len(x0)) # mdbp = 2.8; dpbp = 2.1

  • Onde:
    • : é a média dos erros da observação ()
    • : é a média dos erros do background ()
    • : é o desvio padrão dos erros da observação ()
    • : é o desvio padrão dos erros do background ()
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)



Determinação de (continuação)



Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)

Determinação de


Matrizes de covariâncias e

  • Utilizaremos os vetores e para montar a matriz de erros de e :
xberr = [errbt, errbv, errbp]
yerr = [errot, errov, errop]
  • O objetivo é calcular os pesos ( e ) para cada uma das variáveis
  • depende das variâncias dos erros de observação e background
  • Portanto, precisamos calcular as variâncias de e
Por que as variâncias são extraídas das matrizes de covariâncias dos erros de B e R?
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)

Determinação de

Matrizes de covariâncias e

B = np.cov(xberr)
B =
array([[13.60650668, -0.31684168, -0.51769936],
       [-0.31684168,  2.28237194, -0.28122762],
       [-0.51769936, -0.28122762,  4.61157545]])
R = np.cov(yerr)
R = 
array([[ 2.75319186,  0.32594188,  0.16132722],
       [ 0.32594188,  1.54012175, -0.04601199],
       [ 0.16132722, -0.04601199,  2.59092547]])
xbvar = np.diag(B)
xbvar = array([13.60650668,  2.28237194,  4.61157545])

yvar = np.diag(R)
yvar = array([2.75319186, 1.54012175, 2.59092547])

Equação de Análise Empírica (Parte II)



Determinação de


  • Cálculo de para cada uma das variáveis (temperatura, vento e pressão):
alphat = xbvar[0] / (xbvar[0] + yvar[0])
alphat = 0.8317088881282084
alphav = xbvar[1] / (xbvar[1] + yvar[1])
alphav = 0.5970897856560147
alphap = xbvar[2] / (xbvar[2] + yvar[2])
alphap = 0.6402741905463747
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)



Cálculo de


  • Observando novamente a equação da análise, notamos que todos os parâmetros estão determinados:

  • Onde:
    • : é o vetor análise da enésima variável
    • : é o vetor background da enésima variável
    • : é o vetor observação da enésima variável
    • : é um vetor com os pesos dado à observação
    • : é um vetor com os pesos dado ao background)
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)

Cálculo de

xat = alphat * yo1 + (1 - alphat) * xb1

xat = 
array([21.64585996, 26.82895487, 28.62621553, 26.02497186, 34.78441578,
       33.14424685, 34.87158266, 21.59034168, 22.90341972, 25.93673737,
       25.73845284, 22.40515889, 21.30827765, 19.73550633, 33.21396673,
       19.00420864, 21.05697961, 26.87667455, 13.70079166, 33.94074042,
       18.36679298, 19.2859565 , 21.35246406, 23.92749393, 20.13758692,
       33.99190688, 31.5834049 , 17.20278525, 36.43926208, 18.35750701,
       27.81732948, 20.54508977, 21.33576184, 19.0447518 , 25.87168108,
       21.8733652 , 27.05056888, 28.43645251, 18.81155787, 24.89075059,
       23.59029667, 25.76748034, 29.81794979, 17.01992451, 21.55176565,
       32.44769654, 27.20829886, 20.96793727, 36.576706  , 12.420969  ,
       33.59687526, 15.62819075, 19.81063524, 17.85339707, 24.82663292,
       38.28972781, 26.14245916, 21.02813335, 22.24992691, 25.33216327,
       34.34241965, 26.72844105, 19.03370746, 28.27909516, 22.38590408,
       24.71447359, 19.81601665, 21.15012603, 26.02976714, 22.16481243,
       33.74212037, 34.4115777 , 26.41382757, 21.28852505, 22.29234708,
       27.01824987, 29.97331588, 27.82767713, 24.84309164, 26.01341121,
       18.08848403, 39.49919751, 38.88500865, 28.96570691, 23.24169712,
       20.9824131 , 26.09676702, 20.28374327, 22.48791597, 21.24390214,
       32.81748786, 23.50515058, 26.123365  , 27.66779391, 25.14895572,
       23.06779448, 25.39341323, 25.506794  , 23.53258134, 33.06252768])
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)

Cálculo de

xav = alphav * yo2 + (1 - alphav) * xb2

xav = 
array([ 5.68126295, 10.1572581 , 10.96554403,  8.54323248, 15.04589769,
       13.39226095,  7.90947811, 10.21571755, 13.1551922 ,  8.15590581,
        7.65120796,  8.25589995,  5.46528926,  9.13829722, 11.26763631,
       11.77610142,  6.55428431, 10.9665934 ,  7.7965606 ,  6.35646819,
        9.57404889, 13.82092174,  9.83028495, 14.64640784, 13.87207607,
        9.4921354 , 11.01761077,  9.42800999, 10.08698238,  7.15793319,
        9.93545716,  7.96027524,  9.4895141 ,  7.71703878, 12.34382046,
       10.17954964, 13.76707657,  9.00873533,  9.2993391 , 14.09446129,
       12.30008448,  6.78430023, 13.49403173,  8.24318524, 11.64767335,
       15.43376555, 13.21972008,  8.84975715,  8.49922189, 11.21166985,
        9.89761321, 13.04111864, 10.90085435,  8.23443179, 10.62824208,
        9.60960856, 12.38041845, 11.42207111,  9.23127668, 13.38608708,
        7.22313596, 11.73422918,  5.32592965, 13.27320596,  8.85181392,
        7.73909545, 10.48389233, 11.36525053, 10.42435386, 12.36153544,
        8.81816299,  9.59730268,  7.17003649, 11.47309884, 10.61047824,
       12.50709308,  9.20731121, 12.21282537, 13.23041138, 12.09924035,
       10.28576446, 10.64997545,  8.46634364, 13.96709164,  9.42457451,
       10.11108523, 10.81322184, 12.42428629,  9.13153894, 12.32265768,
        8.2474969 ,  8.26325515, 12.61453152,  9.43978652, 10.10581164,
       12.41945464, 13.40878265, 10.54468458,  9.10157063,  9.19909269])
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)

Cálculo de

xap = alphap * yo3 + (1 - alphap) * xb3

xap = 
array([ 995.97572845, 1002.28529195, 1001.66017275, 1001.89367289,
        986.5829165 ,  997.49888143,  994.31737477, 1008.77523862,
        993.49670989, 1002.12699351, 1002.96914741, 1003.45420659,
        996.74242   , 1015.33860694, 1002.40156575, 1006.38896979,
        999.43492928,  993.28181289, 1004.46747255, 1003.85116636,
       1000.18560972,  996.53142834,  997.20783677, 1000.26081293,
       1000.10373785, 1000.02284147,  997.65911506,  993.53722799,
       1000.44069544,  998.59552522,  998.08794454,  998.00064178,
       1007.02729788,  999.3498906 , 1006.16150425,  985.67556906,
...
       1000.96499715, 1000.43367156,  992.66057211,  997.83467532,
       1002.80930211, 1002.4613988 , 1007.78060607,  992.36485176,
        999.39430704,  995.24780232, 1002.70102879, 1003.91223628,
       1005.94752513, 1002.32600254,  989.59108249,  996.83814584,
       1000.76503557, 1014.48014166, 1011.96203974,  997.27230198,
        997.87776226,  995.18792625, 1004.78744   , 1002.66537502,
        994.33141494, 1002.36896138, 1002.87835734,  995.98040641,
       1006.04119465, 1000.20961237,  995.8043948 ,  995.98781844,
        998.77570239,  998.30386426, 1006.25953686,  998.0188093 ,
        995.81853777,  997.72105433, 1006.61980185,  991.36115976])
Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)



Cálculo de


Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)



Cálculo de


Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)



Cálculo de


Introdução à Assimilação de Dados (MET 563-3)

Equação de Análise Empírica (Parte II)


Conclusão

  • Realizamos um ajustamento de curvas utilizando valores randômicos distribuídos normalmente para simular quantidades físicas
  • Em ambos os casos, univariado e multivariado, conseguimos fazer com que o background se ajustasse às observações, de forma que parte do ruído do background foi filtrado
  • Mesmo de forma bastante simples, estes dois exemplos mostram o que se pretende fazer com a assimilação de dados:
    • Utilizar o máximo de informações observacionais disponíveis para minimizar os efeitos do ruído no modelo (no sentido do método dos mínimos quadrados)
    • Corrigir e/ou atualizar o estado do background utilizando as observações

🎲 Notebook com Atividade Prática 2

Introdução à Assimilação de Dados (MET 563-3)

🤔 Dúvidas








🔗 https://cfbastarz.github.io/met563-3/
🐙 https://github.com/cfbastarz/MET563-3
📧 carlos.bastarz@inpe.br

Introdução à Assimilação de Dados (MET 563-3)

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style

Scoped style