Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Pomiary, modelowanie i asymilacja danych
Koordynator przedmiotu:
dr. hab. inż. Ferdinand Uilhoorn
Status przedmiotu:
Fakultatywny dowolnego wyboru
Poziom kształcenia:
Studia II stopnia
Program:
Inżynieria Środowiska
Grupa przedmiotów:
Przedmioty obieralne
Kod przedmiotu:
1110-ISSCiG-MSP-3301
Semestr nominalny:
3 / rok ak. 2023/2024
Liczba punktów ECTS:
3
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
Wykład: 30 h, Ćwiczenia: 15 h, Zajęcia komputerowe, 15, zapoznanie się z literaturą: 15 h, przygotowanie do zajęć ćwiczeniowych: 15 h, przygotowanie do testów, rozwiązanie samodzielne zadań 15 h, napisanie raport, konsultacja 15 h. Razem: 105 h.
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
.2
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
nie dotyczy
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia15h
  • Laboratorium0h
  • Projekt0h
  • Lekcje komputerowe15h
Wymagania wstępne:
Matematyka, statystyki i programowanie
Limit liczby studentów:
.
Cel przedmiotu:
Celem jest zapoznanie z podstawową wiedzą w zakresie asymilacji danych. W szczególności, jak postępować z niepewnościami w modelach matematycznych do symulacji oraz pomiarów.
Treści kształcenia:
.Zakres przedmiotu obejmuje i) Określenie niepewności (Uncertainty Quantification - UQ): identyfikacja (niepewność operacyjna, zmienność geometryczna, błąd numeryczny, zależność od siatki, zbieżność), kategoryzacja (epistemiczna, aleatoryjna), kwantyfikacja (statystyczny opis niepewności wejściowych, funkcja gęstości prawdopodobieństwa), propagacja (probabilistyczna definicja wielkości wyjściowych, MC) i analiza. 2) Filtracja bayesowska; preliminarze matematyczne, wprowadzenie Twierdzenia Bayes'a, Filtra Kalman (liniowa, nieliniowa, zespół, bezśladowy), filtra cząsteczkowego oraz praktyczne zastosowanie. 3) Student zastosuje w Matlab odpowiednie metody asymilacji danych dla danego problemu.
Metody oceny:
Kolokwium pisemne; projekt.
Egzamin:
nie
Literatura:
B. Ristic, S. Arulampalm and N. Gordon. Beyond the Kalman filter: particle filters for tracking applications, Boston, Ma.; London: Artech House, 2004. G. Evensen, F. C. Vossepoel, P.J. van Leeuwen, Data Assimilation Fundamentals, Springer Nature, 2022.
Witryna www przedmiotu:
-
Uwagi:
.

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka W01
Posiada rozszerzoną i ugruntowaną wiedzę z zakresu asymilacji danych.
Weryfikacja: Sprawdzian pisemny i projekt.
Powiązane charakterystyki kierunkowe: IS_W01
Powiązane charakterystyki obszarowe: P7U_W, I.P7S_WG.o
Charakterystyka W02
Posiada rozszerzoną i ugruntowaną wiedzę na temat niepewności związanej z modelami numerycznymi i pomiarami.
Weryfikacja: Sprawdzian pisemny i projekt.
Powiązane charakterystyki kierunkowe: IS_W02
Powiązane charakterystyki obszarowe: P7U_W, I.P7S_WG.o

Profil ogólnoakademicki - umiejętności

Charakterystyka U01
Potrafi wybrać i wykorzystać rożne metody asymilacji danych.
Weryfikacja: Test pisemny i projekt.
Powiązane charakterystyki kierunkowe: IS_U04
Powiązane charakterystyki obszarowe: P7U_U, I.P7S_UW.o, III.P7S_UW.o
Charakterystyka U02
Potrafi identyfikować niepewność związaną z modelami numerycznymi i pomiarami.
Weryfikacja: Test pisemny i projekt.
Powiązane charakterystyki kierunkowe: IS_U10
Powiązane charakterystyki obszarowe: P7U_U, I.P7S_UW.o, III.P7S_UW.o

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka K01
Potrafi pracować indywidualnie i w grupie, wykonać własny projekt.
Weryfikacja: Rozmowa
Powiązane charakterystyki kierunkowe: IS_K04
Powiązane charakterystyki obszarowe: P7U_K, I.P7S_KR