Prof. Alberto Carrassi
(University of Bologna, Italy, and University of Reading, UK)

Currículo:

Assimilação de dados é a área de pesquisa do Prof. Alberto Carrassi. Sua motivação vem de desenvolvimentos teóricos da ciência do clima (previsão, atribuição e impacto) e ciências ambientais em geral. Um aspecto que caracteriza sua atividade é a natureza interdisciplinar entre assimilação de dados, sistemas dinâmicos e mais recentemente aprendizado de máquina. Ele desenvolveu métodos avançados baseados em informação dinâmica de sistema, estudando o impacto e mitigação do erro do modelo e tem contribuído para o desenvolvimento dos primeiros métodos combinados de assimilação de dados e aprendizado de máquina. Prof. Alberto Carrassi é Coordenador de vários projetos nacionais e internacionais. Atualmente é co-PI do Scale Aware Sea Ice Project (SASIP) financiado pelo Schmidt Futures' Virtual Earth System Research Institute. SASIP estuda o impacto do aquecimento global sobre regiões polares.

Webpage: https://www.unibo.it/sitoweb/alberto.carrassi ou https://research.reading.ac.uk/meteorology/people/alberto-carrassi

Prof. Didier Auroux
(Université Côte d'Azur, France)

Currículo:

Didier Auroux é graduado na Ecole Normale Supérieure de Lyon (France). Ele recebeu seu grau de PhD em Matemática Aplicada em 2003 pela Universidade de Nice Sophia Antipolis (França) e tornou-se professor assistante na Universidade de Toulouse (França) em 2004. Ele completou sua tese de habilitação em 2008. Desde 2009, ele é Professor da Universidade de Nice Sophia Antipolis (Université Côte d'Azur) desde 2020. Vice-chefe do departamento de matemática entre 2014 e 2019, Chefe do Comitê de Matemática e Computação para HPC na França desde 2016. Seus interesses de pesquisa são em métodos computacionais e suas aplicações em assimilação de dados, geopísica, dinâmica dos fluido, processamento de imagens e mais geralmente em controle ótimo e problemas inversos.

Webpage: https://math.unice.fr/~auroux/

Dr. Haroldo F. de Campos Velho
(Instituto Nacional de Pesquisas Espaciais , Brasil)

Currículo:

Dr. Haroldo F. de Campos Velho recebeu o grau de Engenheiro Químico (1982) pela Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS), Brasil; graus de D.Sc. (1992) e M.Sc. (1988) em Engenharia Mecânica em dinâmica dos fluidos computacional e em física de reatores nucleares, respectivamente, da Universidade Federal do Rio Grande do Sul (UFRGS), Brasil. Ele foi cientista visitante do Istituto di Cosmo-Geofisica (Turim, Itália) – 1997, e do Dept. of Atmospheric Science da Colorado State University (EUA) – 1998. Ele é pesquisador titular do Instituto Nacional de Pesquisas Espaciais (INPE). Ele foi Diretor Associado para Espaço e Ambiente do INPE (2008-2010). Seus interesses de pesquisa incluem problemas inversos, parametrização de turbulência, assimilação de dados e computação científica. Ele e outros colegas, sob a liderança do Prof. Orestes Llanes-Santiago, recebeu prêmio da Academia Cubana de Ciências em 2016 (“Artificial Intelligence and Data Mining Applications to Fault Diagnosis and Parameter Estimation”) e 2021 (“New Paradigms in Fault Diagnosis in Industrial Systems”).

Webpage: http://www.lac.inpe.br/~haroldo

Dr. Takemasa Miyoshi
(RIKEN Center for Computational Science, Japan)

Currículo:

Dr. Takemasa Miyoshi recebeu seu grau de bacharel em física teórica (2000) em dinâmica não linear da Universidade de Kyoto e graus de M.S. (2004) e Ph.D. (2005) em meteorologia em assimilação de dados por conjunto da Universidade de Maryland (UMD). Dr. Takemasa Miyoshi iniciou sua carreira profissional como funcionário civil da Agência Meteorológica do Japão (JMA) em 2000. Ele foi Professor Assistente da MD em 2011. Desde 2012, Dr. Miyoshi tem liderado a equipe de assimilação de dados no RIKEN Center for Computational Science (R-CCS), trabalhando nos avanços da ciência da assimilação de dados com forte atuação em educação. As descobertas científicas do Dr. Takemasa Miyoshi incluem mais de 110 publicações revisadas por pares e mais de 130 apresentações em conferências, incluindo o Core Science Keynote da American Meteorological Society Annual Meeting (2015). Dr. Miyoshi tem sido reconhecido por vários prêmios de prestígio tais com o Prêmio Yamamoto-Syono da Meteorological Society of Japan (2008), o Prêmio Jovem Cientista pelo Ministério da Educação, Cultura, Esportes, Ciência e Tecnologia (2014), o Prêmio Nishida do Japan Geosciences Union (2015), o Prêmio da Meteorological Society of Japan (2016) – o mais importante Prêmio da Sociedade, o Prêmio Yomiuri Gold Medal (2018) e a Comenda pelo Primeiro Ministro por Prevenção de Desastres (2020).

Webpage: https://data-assimilation.riken.jp/~miyoshi/

Dr. Amos Lawless
(University of Reading, UK)

Currículo:

Dr. Amos Lawless é professor associado de assimilação de dados e problemas inversos. He tem também uma posições no Departamento de Matemática e Estatística e no Departamento de Meteorologia da Universidade de Reading (UK). Ele também faz parte da equipe científica do National Centre for Earth Observation (NCEO), onde ele exerce a função de Chefe da Metodologia de Assimilação de Dados (chefia conjunta da divisão de Assimilação de Dados com a Profa. Sarah Dance) e Líder de Capacitação do NCEO. Ele foi cientista de pesquisa no Met Office (1992-2001), desenvolvendo modelos lineares e adjuntos para o sistema incremental 4D-Var. Seus interesses de pesquisa estão na teoria matemática de assimilação de dados e sua aplicação para sistemas complexos de grande porte. Interesses de pesquisa atuais incluem particularmente assimilação de dados para sistemas acoplados atmosfera-oceano.

Webpage: http://www.personal.reading.ac.uk/~sms00asl/

Dr. Max Yaremchuk
(Naval Research Laboratory, Stennis Space Center, USA)

Currículo:

Dr. Max Yaremchuk é um cientista de pesquisa no Naval Research Laboratory no Stennis Space Center, EUA. Seus interesses de pesquisa são em métodos computacionais e suas aplicações em assimilação de dados, usando ambos os métodos variacional e por conjunto. Ele tem um extensa experiência no desenvolvimento de sistemas de assimilação de dados variacional 4D em oceanografia, incluindo circulação geral, gelo do mar e modelos de ondas de superfície de várias complexidades. Max Yaremchuk foi convidado como um especialista para múltiplos painéis da NSF (National Science Foundation, EUA) em matemática computacional e programas de oceanografia da NASA. Ele é autor de mais de 60 publicações relacionadas ao desenvolvimento de métodos variacionais de assimilação de dados em oceanografia e suas aplicações.

Webpage: https://www.ocean.nrlssc.navy.mil/ (http://iprc.soest.hawaii.edu/people/max.php)

Prof. Marc Bocquet
(CEREA École des Ponts & EdF R&D, Île-de-France, France)

Currículo:

Marc Bocquet tem um PhD em física teórica pela École Polytechnique e uma Habilação pela Universidade de Paris Sorbonne. Fez pós-doutorado nos departamentos de física da Universidade de Warwick e da Universidade de Oxford. Atualmente é Professor da École des Ponts de Vice-Diretor do Centro de ensino e pesquisa ambiental atmosférica (CEREA). Atua na área de assimilação de dados, aprendizado de máquina, problemas inversos e sistemas dinâmicos em geociências, com aplicações em química atmosférica e estatística ambiental. Ele desenvolve novos métodos matemáticos para melhor estimar o estado da atmosfera e do oceano e seus constituintes, usando grandes conjuntos de observações e modelos complexos. É membro do European Centre for Medium-Range Weather Forecasts e editor do QJRMS, Foundation of Data Science, Frontiers in Applied Mathematics, and Frontiers / Dynamical Systems.

Webpage: http://cerea.enpc.fr/HomePages/bocquet/

Prof. Peter Jan van Leeuwen
(Colorado State University, USA)

Currículo:

Sua pesquisa está focada no uso de assimilação de dados e inferência de causalidade (causa e efeito) para melhor compreensão dos fluidos geofísicos, com ênfase na atmosfera e no oceano. Isso inclui um maior desenvolvimento da metodologia de assimilação de dados para sistemas geofísicos de alta dimensão altamente não lineares e da teoria da causalidade para esses sistemas. Ele também tem um grupo de pesquisa na Universidade de Reading, trabalhando nestes dois projetos: (a) Assimilação de dados em sistemas altamente não lineares, (b) CUNDA: Relações de Causalidade usando Assimilação de Dados Não Lineares. Ele é professor em assimilação de dados e oceanografia física, Colorado State University (EUA), e professor em assimilação de dados, University of Reading (EUA). Foi Diretor do Centro de Pesquisa de Assimilação de Dados (DARC) de 2009-2019, Diretor de Pesquisa de Assimilação de Dados NCEO de 2014-2018, Diretor do Centro Nacional de Observação da Terra (NCEO) de 2013 a outubro de 2014, professor associado da Universidade de Utrecht de 2006 a 2009, professor assistente na Universidade de Utrecht de 1997-2006.

Webpage: https://www.atmos.colostate.edu/people/faculty/peter-jan-van-leeuwen/

Dr. Olmo Zavala-Romero
(Florida State University, USA)

Currículo:

Dr. Olmo Zavala-Romero é cientista de pesquisa do Center for Ocean-Atmospheric Prediction Studies (COAPS), Florida State University (FSU). Suas áreas de pesquisa incluem aprendizado de máquina em ciências terrestres, análise lagarngenias de fenômenos de oceanografia física, análise de dados geoesapaciais e ferramentas de visualização. 

Webpage: https://www.coaps.fsu.edu/contact/our-people/scientists (https://olmozavala.com/)

Prof. Ludger Scherliess
(Utah State University, USA)

Currículo:

Dr. Ludger Scherliess é professor de física na Utah State University em Logan (Utah). Faz mais de uma década, ele desenvolveu modelos de assimilação baseado em física para ambiente especial próximo à Terra que são usados operacionalmente para especificar e prever os efeitos do clima espacial sobre a parte superior da atmosfera terrestre. Seu interesse primário é em especificação e previsão de efeitos de tempestades solares sobre o sistema ionosfera/termosfera usando técnicas de assimilação de dados. Ele é coordenador do International Space Weather Action Teams (ISWAT) – Global and Regional Ionospheric Total Electron Content (TEC) Group e Coordeandor do International Community Coordinated Modelling Center – Living with a Star (CCMC-LWS) Working Group on Regional and Global TEC. 

Webpage: https://www.usu.edu/physics/directory/faculty/ludger-scherliess

Prof. Marie-Amélie Boucher
(Univesity of Sherbrooke, Canada; visiting scientist of the European Center for Medium Range Weather Forecasts, UK)

Currículo:

Marie-Amélie Boucher é professora associada na Université de Sherbrooke, Québec, Canada. Atualmente ocupa a posição de cientista visitante do European Center for Medium Range Weather Forecasts. Prof. Boucher é uma das Coordenadoras (co-chairs) de HEPEX (Hydrologic Ensemble Prediction Experiment), uma comunidade global que reúne pesquisadores e profissionais para avançar em tópicos relacionados à previsão hidrológica por conjuntos. Seus principais interesses de pesquisa incluem assimilação de dados, pré- e pós-processamento, comunicação de previsões e o valor socio-econômico de previsões hidrológicas por conjuntos.

Webpage: https://www.usherbrooke.ca/recherche/specialistes/details/marie-amelie.boucher

Dr. Vinicius A. Almeida
(Universidade Federal do Rio de Janeiro, Brasil)

Currículo:

Pesquisador do Laboratório de Meteorologia Aplicada da Universidade Federal do Rio de Janeiro (RJ), Brasil, desde 2018. Mais de 12 anos de experiência no setor privado trabalhando com tecnologia B2B (geociência, engenharia de software, análise avançada de dados e computação em nuvem) em parceria principalmente com o Google. Minhas áreas de pesquisa se concentram no desenvolvimento de modelos de aprendizado de máquina para diversas aplicações e no uso do Regional Atmospheric Model WRF para estudar diversos fenômenos atmosféricos. Áreas de pesquisa: fenômenos de alto impacto para a aviação, dispersão da poluição do ar, planejamento do setor elétrico (usinas hidrelétricas, energia eólica), previsões meteorológicas regionais e outros problemas avançados de análise de dados em diversos setores.

Webpage: https://lma.ufrj.br/equipe

Dr. Rossella Arcucci
(Imperial College London, UK)

Currículo:

Professora de Ciência de Dados e Aprendizado de Máquina no Departamento de Ciências da Terra e Engenharia. Profa. Rossella Arcucci está no Data Science Institute no Imperial College London desde 2017, onde criou o Grupo de Trabalho de Assimilação de Dados e Aprendizado de Máquina (Aprendizagem de Dados). O grupo é agora um ponto focal para pesquisadores e estudantes de vários departamentos do Imperial College London e de outras universidades no Reino Unido e na Europa. Colabora com o Leonardo Center da Imperial College Business School, contribuindo para o desenvolvimento de modelos integrativos, justos e sustentáveis ​​de desenvolvimento económico e social. Os modelos que Profa. Rossella Arcucci desenvolveu produziram impacto em muitas aplicações, como finanças, ciências sociais, engenharia, geociências, mudanças climáticas e outras. Ela desenvolveu modelos precisos e eficientes com análise de dados, fusão e assimilação de dados para problemas incompletos, ruidosos ou Big Data. Ela trabalha em técnicas numéricas e paralelas. Ela terminou seu doutorado em Ciência da Computação em fevereiro de 2012. Ela recebeu o reconhecimento como bolsista do Marie Sklodowska-Curie da Agência Executiva de Pesquisa da Comissão Europeia em Bruxelas em fevereiro de 2017.

Webpage: https://www.imperial.ac.uk/people/r.arcucci

Prof. Fangxin Fang
(Imperial College London, UK)

Currículo:

Dr Fangxin Fang é pesquisadora sênior do Imperial College London e gerente executiva do laboratório de assimilação de dados do Data Science Institute. Lidera a pesquisa sobre ferramentas computacionais avançadas e tecnologias de ciência de dados. Ela tem mais de 25 anos de experiência em tecnologias de assimilação de dados e modelagem matemática. Suas principais contribuições originais centram-se em técnicas de ponta de modelagem preditiva (aprendizado de máquina e técnicas de assimilação de dados, modelagem de ordem reduzida -ROM, observação adaptativa). Fang e seu grupo aplicaram pela primeira vez técnicas de aprendizado profundo e ROM para previsão espaço-temporal em tempo real de fluxos de fluidos não lineares. As aplicações são principalmente focadas na atmosfera, poluição, oceano, fluxos multifásicos e problemas ambientais.

Webpage: https://www.imperial.ac.uk/people/f.fang