Implementación Computacional del Filtro de Kalman a Modelos de Dispersión de Gran Escala

GERMÁN ARIEL TORRES

Santiago de Chile

Congreso; V Congreso Interamericano de la Calidad del Aire AIDIS; 2007

Asociación Interamericana de Ingeniería Sanitaria y Ambiental (AIDIS)

La asimilación de datos es el proceso de alimentar un modelo de predicción parcialmente conocido con información proveniente de observaciones, con el objeto de corregir y mejorar los resultados modelados. Una de las herramientas más importantes para realizar asimilación de datos es el filtro de Kalman. El filtro de Kalman es esencialmente un algoritmo del tipo predictor- corrector que es óptimo en el sentido que minimiza la traza de la matriz de covarianza de los errores. Desafortunadamente el costo computacional de aplicar el filtro a problemas de gran escala, como por ejemplo la predicción del tiempo químico o la contaminación ambiental, es enorme, y la programación del filtro es altamente dependendiente del modelo y el formato de los datos involucrados. El primer objetivo de este trabajo es presentar un conjunto de módulos programados en Fortran 90 de modo de implementar versiones reducidas del filtro de Kalman, como por ejemplo la versión que utiliza raíces cuadradas de rango reducido de matrices o la versión ensemble, que está basada en los así llamados métodos Monte Carlo. El segundo objetivo es presentar una implementación cuyo código pueda ser independiente del modelo y de las observaciones. Esto le permite al usuario aplicar el filtro a un modelo en poco tiempo y de manera organizada y sencilla. Ejemplos de aplicación y comparaciones de eficiencia son presentados, como así también una descripción detallada de los algoritmos.