simulasi sangat tergantung pada kerja koperasi analisis GIS spasial, model fisik, dan model data-driven.

Karena pengetahuan keahlian spasial disimpan dalam GIS dan pengetahuan keahlian fisik terletak dalam
DDDAS, sistem pengolahan cerdas adalah penting untuk harmonisasi berbagai jenis pengetahuan. Saat
ini, GIS menyediakan kerangka kerja runtime untuk simulasi dan pemodelan. Madey et al. (2007)
memiliki diadopsi GIS tomap dan memvisualisasikan skenario bencana dan darurat.

Chen et al. (2011) telah menggunakan GIS (NetLogo GIS) secara langsung sebagai kerangka kerja untuk
melaksanakan simulasi mereka dan mengintegrasikan analisis penyangga ke dalam model mereka.
Seperti banyak subjek penelitian yang berkaitan dengan DDDAS memiliki perilaku kacau,
nonlinier metodologi data-driven telah diperkenalkan. Awalnya, metodologi data-driven ini telah
digunakan untuk nonlinear peramalan time series di medan seperti fi nance ( Hsieh 1991 ; Kim 2003 ),
Meteorologi ( Shukla 1998 ), Beban daya ( Niu et al. 2010 ), Dan tanah longsor peramalan
( Huaming et al. 2003 ).
 Di antara banyak teori, arti fi jaringan saraf resmi dan metode rekonstruksi ruang fase menonjol
sebagai yang paling berguna. Dalam hal ini, pekerjaan perintis dilakukan oleh Harter et al. (2008) dengan
menggunakan jaringan fungsi saraf radial-dasar untuk mengasimilasi data dengan meniru sebuah
ensemble Kalman fi lter untuk meningkatkan model air dangkal 1-D, dan dengan Siek dan Solomatine
(2011) yang menggunakan jaringan saraf nonlinear autoregressive masukan eksogen untuk DA model
gelombang badai kacau. Ada hubungan alami antara model yang fisik berbasis dan teori chaos.
Sebagai contoh, persamaan Navier-Stokes berbasis fisik, yang digunakan secara luas dalam meteorologi
dan hidrologi, telah terbukti menjadi kacau dan memiliki Lorenz attractor ( Lorenz 1963 ).

Siek (2011) tercantum beberapa DAmethods dan predictionmethods kacau, dan mengusulkan ide
menggabungkan data (time series) dari pengamatan, menggunakan metode yang berkembang dengan
dinamika nonlinier dan teori chaos, sedangkan asimilasi data baru ke dalam sistem untuk meningkatkan
kinerja. Karena kekacauan adalah inti dari sistem yang kompleks, seperti cuaca andwater-badan, aplikasi
potensi dinamika nonlinier dan teori chaos harus menarik bagi ilmuwan yang bekerja di ladang tersebut.

konten yang dibuat pengguna (UGC) adalah alat untuk mengumpulkan data dari Web,media
berita, atau relawan. Data dari UGC adalah fleksibel, berlimpah, dan tepat waktu dengan rendah fi delity
dan tingkat redundansi yang tinggi. Mereka dapat digunakan sebagai data pelengkap dalam beberapa
kasus di mana akuisisi data sulit atau untuk validasi data dalam banyak aplikasi. Dalam beberapa kasus
partisipasi masyarakat dapat memberikan data yang komprehensif dan dalam waktu dengan biaya yang
sangat rendah, dan jika diintegrasikan ke dalam DDDAS, yang efisiensi dan kinerja dari sistem simulasi
akan ditingkatkan. Schweik et al. (2005) mengangkat ide OS / OC (open source /open content) untuk
pendekatan kolaboratif untuk penelitian sosial-ekologi pada umumnya dan disebutkan contoh dalam
perubahan penggunaan lahan / tutupan lahan. Maisoneuve et al. (2009) dibangun suara warga ponsel
berbasis pemantauan pelaksanaan prototip dan diuji kelayakan dan kredibilitas sistem ini dengan
berkembang relawan memberikan suara dan sesuai data posisi. Mengambil keuntungan dari metode
akuisisi data ini,

Hasenfratz et al. (2012) membangun DDDAS dengan beberapa sensor stasioner dan mobile web untuk
polusi ozon dan mencapai hasil yang cukup baik.

5.2. aplikasi masa depan

Aplikasi inmeteorology, oseanografi, hidrologi, geografi, dan limnologi akan kemajuan teknis di
GIS-terpadu DDDAS, algoritma pembelajaran mesin canggih, dan model kacau, strategi UGC dijelaskan
di atas. data spasial dan temporal tambahan akan disuntikkan ke dalam sistem, algoritma DA akan
kembali didefinisikan, dan GIS yang akan diintegrasikan untuk menangani sejumlah besar data yang
diperlukan untuk meningkatkan kinerja geocomputing. dinamika nonlinier dan teori chaos akan
dipertimbangkan dan aplikasi potensial akan menganjurkan lebih lanjut.
 DDDAS memiliki potensi besar dalam ilmu sosial dan manajemen dan dapat diterapkan secara
luas dalam medan bencana alam respon cepat ( Madey et al. 2007 ), Pemantauan kesehatan ( Cortial et al.
2007 ), Dan pencegahan kejahatan atau ilmu-ilmu sosial lainnya yang terkait ( Kennedy dan
Theodoropoulos 2006 ). ilmu-ilmu sosial memiliki lebih non-linear dan kompleksitas, dan dengan
demikian, mereka bergantung pada pemahaman yang komprehensif, pengukuran dinamis kemudi, dan
analisis perilaku. Dalam ilmu-ilmu sosial, sejumlah besar informasi yang dikumpulkan sumber
frommultimedia dan Internet. Tanpa paradigma yang baik, era “big data” mungkin hanya data yang kaya,
tapi miskin informasi dan inkonsistensi dalam data dalam jumlah besar dapat menyebabkan kebingungan.
kerusakan tersebut bisa dihilangkan dengan merancang DDDAS yang menggabungkan data baru dan
batas ketidakpastian.

Polusi udara telah menjadi semakin penting di daerah perkotaan, khususnya di berkembang pesat
ekonomi seperti Cina, dan berhubungan erat dengan kesehatan masyarakat. Selama paruh pertama tahun
2013 di Beijing, hanya 38,9% persen dari hari memenuhi standar pemerintah ( Departemen Perlindungan
Lingkungan, Republik Rakyat Cina 2013 ), Yang PM 2,5 adalah polutan utama. Harrison et al. (2012)
disediakan studi tentang pola temporal dan spasial PM 2,5 dan menemukan bahwa kepadatan
PM 2,5 telah disebut-pola diurnal atau naik curam dan jatuh pada siang hari, dan variasi spasial yang
kompleks karena arah angin dan kecepatan. Meskipun metode simulasi dan prediksi telah memberikan
wawasan berharga distribusi spasial dan temporal dari polusi udara, tidak memadai input data dengan
ketidakpastian terkait menghambat efektivitas dan akurasi dari model. Selain itu, peningkatan jumlah
stasiun pemantauan polutan udara sedang dibangun untuk memberikan gambaran yang lebih baik
dari PM 2,5 distribusi. Jika paradigma DDDAS diperkenlkan ke jaring sensor ini, pemantauan
systemwill memiliki kemampuan sampling kontrol interval dan sensor kontrol distribusi spasial,
mengurangi upaya sampling dan meningkatkan perawatan efisiensi. pekerjaan serupa dilakukan oleh
kenai sensor stasioner dan mobile frommultiple untuk polusi ozon. kerangka kerja mereka dapat
diimplementasikan dengan mudah ke dalam pemantauan kualitas udara lainnya dan sistem penilaian
dengan hardware portabel, perangkat murah, dan hasil yang dapat diandalkan.
Aplikasi lain termasuk sistem biologis, yang perlu pemahaman yang komprehensif dengan
menggunakan berbagai jenis model. Sebagai contoh, ketika membangun sistem simulasi simbiosis untuk
menggambarkan berbagai jenis hubungan simbiosis, lebih dari satu model yang digunakan untuk
membangun sistem simulasi hybrid. DDDAS adalah pilihan yang tepat karena merupakan paradigma
yang memiliki kemampuan untuk menggabungkan data baru secara dinamis dan secara terbalik,
mengarahkan proses pengukuran ( Aydt et al. 2008 ). Keanekaragaman hayati, invasi spesies eksotik,
dan fl banjir dan kekeringan semua daerah penelitian cocok untuk menerapkan DDDAS untuk
menganalisis proses yang kompleks dan untuk memperoleh wawasan fenomena DDDAS lengkap tingkat
di daerah-daerah yang jarang dilaporkan. Ini bisa jadi karena membangun jaringan sensor untuk
memantau spesies adalah tugas fi kultus sangat dif; dan karena ada banyak masalah teknis yang terkait
dengan DDDAS yang belum diselesaikan sepenuhnya. Beberapa aplikasi telah memperkenalkan DDDAS
tanpa kontrol pengukuran atau pemilihan model dan strategi optimasi ( Szewczyk et al. 2004 ;
Nagendra et al. 2012 ; Maffey et al. 2013 ). UGC juga telah diperkenalkan intowildlife akuisisi data.
Zhang et al. (2012) Data ditambang dari foto yang dikumpulkan dari jaringan sosial seperti Flickr dan
Twitter sebagai data pelengkap untuk stasiun tanah dan citra satelit. Studi mereka bisa lebih
diintegrasikan ke dalam pemodelan dan pemantauan ekologi.

6. Kesimpulan
Makalah ini menyajikan tinjauan DDDAS berfokus pada konsep mereka dasar dan struktur, tiga
tingkat yang berbeda dari paradigma, dan perspektif masa depan. Sebuah sintesis literatur
mengungkapkan berbagai aplikasi dari DDDAS dalam ilmu lingkungan, khususnya yang berkaitan
dengan sistem nonlinear yang kompleks. Sebagai DDDAS adalah jenis systemcoveringmany terintegrasi
hardware dan software, mengintegrasikan berbagai jenis metode dan algoritma merupakan masalah yang
perlu dipecahkan. Selanjutnya, metode teori chaos dan pembelajaran mesin telah menjadi alat didirikan
pada ilmu lingkungan, sedangkan kombinasi model-driven dan data-drivenmethods adalah pendekatan
analitis baru. UGCmay diterapkan secara luas dalam ilmu lingkungan untuk menyediakan data yang
saling melengkapi dan meningkatkan kredibilitas. metode data-driven dinamis membawa dimensi
tambahan dan kemampuan dalam pendekatan ini. Karena variasi spasial dan temporal dalam metode
akuisisi data yang berbeda, menyatukan data ini tetap sulit. Penelitian lebih lanjut dapat menyelidiki dan
menganalisis pekerjaan koperasi berbasis model-dan data berbasis model, dan desain ditargetkan
mengendalikan aliran-pekerjaan dalam memecahkan masalah lingkungan. Chaos dan nonlinear teori
dapat dipertimbangkan dan diterapkan di beberapa spesifik daerah, seperti meteorologi dan hidrologi. dan
desain ditargetkan mengendalikan aliran-pekerjaan dalam memecahkan masalah lingkungan. Chaos dan
nonlinear teori dapat dipertimbangkan dan diterapkan di beberapa spesifik daerah, seperti meteorologi
dan hidrologi. dan desain ditargetkan mengendalikan aliran-pekerjaan dalam memecahkan masalah
lingkungan. Chaos dan nonlinear teori dapat dipertimbangkan dan diterapkan di beberapa spesifik daerah,
seperti meteorologi dan hidrologi.

Dengan langkah meningkatkan resolusi spasial dan temporal, paradigma DDDAS memiliki
kemampuan potensi asimilasi dan mengkoordinasikan data penginderaan jauh dan data pengamatan
berbasis darat ke dalam satu sistem untuk prediksi yang lebih baik dari fenomena yang kompleks
nonlinear. Sebagai teknik akuisisi data ditingkatkan, dan model maju dan simulasi disediakan, ladang
aplikasi mungkin memperluas luar meteorologi, oseanografi, hidrologi, geografi, limnologi, biologi, dan
pengelolaan lingkungan. Namun, data yang tidak diinginkan dan tidak terpakai di era “big data” dapat
mencemari model dan simulasi. DDDAS menyediakan metode untuk secara dinamis dan adaptif memilih
dan mengelola data, sehingga mengurangi “Data banjir” dari “big data” dan memungkinkan eksploitasi
yang efisien dari data tersebut. Oleh karena itu, untuk menghindari dilema karena sejumlah besar data,
penelitian disiplin semua yang diperlukan untuk menerapkan paradigma penuh tingkat untuk kinerja yang
lebih baik dari DDDAS.
Ucapan Terima Kasih
Ulasan ini didukung oleh program Internasional S & T Kerjasama “Didenda Earth Observation
dan Pengakuan Dampak Perubahan Global di Situs Warisan Dunia” (memberikan No. S2013GR0477),
National Science Foundation Alam Cina (hibah No.41.271.427), dan Yayasan IRSD (Institut
penginderaan jauh dan bumi digital, Chinese Academy of Sciences) “Aplikasi penginderaan jauh dalam
deteksi sumber daya air lapangan” (memberikan No. YIC006101B). Penulis sangat berterima kasih
kepada Natarajan Ishwaran, Wanchang Zhang, dan Chuansheng Liu untuk banyak komentar yang
berharga dan bimbingan editorial yang kritis. Penulis juga ingin mengucapkan terima kasih pengulas dua
anonim untuk membantu saran mereka.

Referensi
Allaire, D., Biros, G., Chambers, J., Ghattas, O., Kordonowy, D., dan Willcox,
K.2012. Data Dinamis didorong metode untuk kendaraan kedirgantaraan sadar diri. Procedia Ilmu
Komputer, 9: 1206-1210. doi: 10,1016 / j.procs.2012.04.130.

Anctil, F., dan Tape, DG 2004. Eksplorasi arti fi cial neural network
curah hujan-limpasan peramalan combinedwithwavelet dekomposisi. J. Lingkungan. Eng. Sci. 3 (
S1): S121-S128. doi: 10,1139 / s03-071

Aydt, H., Turner, SJ, Cai, W., dan Low, MYH 2008. simulasi Symbiotic
Symbiotic sistem: diperpanjang definisi termotivasi oleh simbiosis dalam biologi. Di Prinsip
Advanced dan Distributed Simulasi 2008. PADS '08. Lokakarya 22 di IEEE. pp. 109-116. doi:
10,1109 / PADS.2008.17 .

. Barker, DM, Huang, W., Guo, YR, Bourgeois, AJ, dan Xiao, QN 2004. Tiga
tiga dimensi variational data sistem asimilasi untuk MM5: implementasi dan hasil awal. Mon.
Cuaca Rev. 132 ( 4): 897-914. doi: 10,1175 / 15.200.493 (2004) 132 <0897: ATVDAS> 2.0.CO;
2.
Barnes, WL, Pagano, TS, dan Salomonson, VV 1998. karakteristik preaunch
dari themoderate pencitraan resolusi spektroradiometer (MODIS) pada EOS-AM1. IEEE Trans.
Geosci Sens terpencil. 36 ( 4): 1088-1100. doi: 10,1109 / 36,700993 .
/ j.procs.2013.05.368 .
Becker, B., dan Schuttrumpf, H. 2011. modul Sebuah OpenMI untuk air tanah
fl ow simulationprogramme Fe fl ow. J. Hydroinf. 13 ( 1): 1-12. doi: 10,2166 / hidro.2010.039 .

Betrie, GD, Van Griensven, A., Mohamed, YA, Popescu, I., Mynett, AE, dan
Hummel, S. 2011. Menghubungkan SWAT dan SOBEK menggunakan antarmuka pemodelan
terbuka (OPENMI) untuk simulasi transportasi sedimen di lembah Nil Biru River. Trans.
ASABE, 54 ( 5): 1749-1757. doi: 10,13031 / 2013,39847 .

Blaas, M., El Serafy, GY, van Kessel, T., De Boer, GJ, Eleveld, MA, dan
Van der Woerd, HJ 2007. data integrasi model transportasi spm di zona pesisir Belanda. Di
Prosiding Bersama 2007 EUMETSAT / ASM Conference. pp. 1-8. Tersedia dari https: //
www.eumetsat.int/cs/idcplg?IdcService=GET_FILE & dDocName =
pdf_conf_p50_s5_07_blaas_v & allowInterrupt = 1 & tidak ada SaveAs =1 &
 RevisionSelectionMethod = LatestReleased [Diakses 23 September 2013].

Bouttier, F., dan Courtier, P. 1999. konsep data asimilasi dan metode
[on line]. tersedia dari http://www.ecmwf.int/newsevents/training/ rcourse_notes /
DATA_ASSIMILATION / ASSIM_CONCEPTS / Assim_concepts2.html [Diakses 26 Februray
2014].

Brutsaert, W. 1982. Penguapan ke atmosfer: teori, sejarah, dan appli

kation. Reidel, Dordrecht. pp. 1-20.

Bulatewicz, T., Allen, A., Peterson, JM, Staggenborg, S., Welch, SM, dan
Steward, DR 2012. sederhana skrip wrapper untuk openMI: memungkinkan studi pemodelan
interdisipliner. Mengepung. Modell. Perangkat lunak. 39: 283-294. doi: 10. 1016 /
j.envsoft.2012.07.006 .

Karton, JA, dan Giese, BS 2008. Reanalisis iklim laut menggunakan

sederhana asimilasi Data laut (SODA). Mon. Cuaca Rev. 136 ( 8): 2999-3017. doi:10,1175 /
2007MWR1978.1 .

Chen, F., Zhai, Z., dan Madey, G. 2011. Dinamis simulasi bencana adaptif:
mengembangkan model prediksi perilaku darurat menggunakan data ponsel dan GIS. Di
Prosiding 2011Workshop di Agen-Directed Simulasi. Society for Simulasi Komputer
Internasional. pp. 5-12. tersedia dari http://dl.acm.org/citation.cfm?id=2048356
[Diakses 23 September 2013]. Colorni, A., Dorigo, M.,

Maf fi oli, F., Maniezzo, V., Righini, G., dan Trubian, M.

1996. Heuristik fromnature untuk masalah optimasi kombinatorial keras. Int. Trans. Oper. Res. 3
( 1):1-21. doi: 10,1111 / j.1475-3995.1996.tb00032.x .

Cooper, S., dan Durrant-Whyte, H. 1994. Kalman Model fi lter untuk GPS naviga-
tion dari kendaraan darat. Di Robot cerdas dan Sistem '94. Canggih Robotic Sistem dan Dunia
Nyata, IROS '94. Prosiding IEEE / RSJ / Konferensi nasional GI Antar di IEEE. Vol. 1, pp. 157-
163. doi: 10,1109 / IROS.1994. 407.396 .

Cortial, J., Farhat, C., Guibas, LJ, dan penginderaan rajashekhar, M. 2007. Compressed
dan waktu-paralel pemodelan mengurangi-order untuk pemantauan kesehatan struktural
menggunakan DDDAS. Di Komputasi Sains-ICCS 2007. Springer BerlinHeidel- berg. pp. 1171-
1179. doi: 10,1007 / 978-3-540-72584-8_153 .

Cummings, JA 2005. Operasional multivariat Data laut asimilasi. QJR

Meteorol. Soc. 131 ( 613): 3583-3604. doi: 10,1256 / qj.05.105 .

Darema, F. 2004. Data Dinamis didorong sistem aplikasi: paradigma baru untuk
simulasi aplikasi dan pengukuran. Di Komputasi Sains-ICCS 2004. Springer Berlin Heidelberg.
pp. 662-669. doi: 10,1007 / 978-3-540-24688- 6_86 .

Darema, F. 2011. DDDAS model komputasi dan lingkungan. J. Algoritma

Comput. Technol. 5 ( 4): 545-560. doi: 10,1260 / 1748-3018.5.4.545 .
Darema, F. 2012. Dinamis didorong data sistem aplikasi (DDDAS). Tersedia

dari http://www.dddas.org/nsf-workshop-2006/talks/NSF/Darema.pdf [Ac- cessed 23

September2013].

Darema, F., Rotea, M., Goldberg, M., Newlon, DH, Cherniavsky, JC, Figueroa, JE,
Hudson, JE, Friedman, C., Lyster, P., dan Bohn, R. 2005. DDDAS: data dinamis didorong
aplikasi sistem [secara online]. tersedia dari http:
//www.nsf.gov/pubs/2005/nsf05570/nsf05570.htm [Diakses 23 September 2013].

Data Asimilasi Team. 2014. Grid-titik interpolasi statistik [secara online]. Faedah-
mampu dari http://www.emc.ncep.noaa.gov/gmb/gdas/ [Diakses 26 Februari 2014].

Denham, M., Cortés, A., Margalef, T., dan Luque, E. 2008. Menerapkan dinamis
Data didorong algoritma genetika untuk meningkatkan kebakaran hutan penyebaran prediksi. Di
Komputasi Sains-ICCS 2008. Springer Berlin Heidelberg. pp. 36-45. doi: 10,1007 /978-3-540-
69389-5_6 .

Dey, S., dan Singh, RP 1999. Permukaan panas laten fluks sebagai prekursor gempa.
Nat. Bahaya Bumi Syst. Sci. 3 ( 6): 749-755. doi: 10,5194 / nhess-3-749-2003.

Dimet, FXL, dan Talagrand, O. 1986. algoritma Variasional untuk analisis dan
asimilasi pengamatan meteorologi: aspek teoritis. Tellus A, 38 ( 2): 97-110. doi: 10,1111 / j.1600-
0870.1986.tb00459.x .

Dorigo, WA, Zurita-Milla, R., de Wit, AJ, Brazile, J., Singh, R., dan
Schaepman, ME 2007. Sebuah tinjauan tentang reflektif teknik ilation assim- penginderaan jauh
dan data untuk agroecosystemmodeling ditingkatkan. Int. J. Appl. Bumi Obs. Geoinf. 9 ( 2): 165-
193. doi: 10,1016 /j.jag.2006.05.003 .

Douglas, C., Efendiev, Y., Ewing, R., Ginting, V., dan Lazarov, R. 2006. Dinamis
Data didorong simulasi dalam lingkungan stokastik. computing, 77 ( 4): 321-333. doi: 10,1007 /
s00607-006-0165-3 .

El Serafy, GY, Blaas, M., Eleveld, MA, dan van der Woerd, HJ 2007. data
asimilasi data satelit dari ditangguhkan partikel di Delft3D- WAQ untuk Laut Utara. Di
Prosidingence Joint EUMETSAT / AMS Confer-, Darmstadt, Jerman. pp. 1-8. Tersedia dari
https: // www.eumetsat.int/cs / idcplg? IdcService = GET_FILE & dDocName =
pdf_conf_p50_s5_02_elserafy_ p &allowInterrupt = 1 & noSaveAs = 1 &
RevisionSelectionMethod = LatestReleased[Diakses 23 September 2013].

Freeborn, PH, Wooster, MJ, dan Roberts, G. 2011. Mengatasi spatiotempo- yang
desain pengambilan sampel ral dari MODIS untuk memberikan perkiraan kebakaran Ergy en-
radiasi yang dipancarkan fromAfrica. Sens terpencil. Environ. 115 ( 2): 475-489. doi: 10,1016
/j.rse.2010.09.017 .

Gustafsson, N., Berre, L., Hörnquist, S., Huang, X.-Y., Lindskog, M., Navascues, B.,
Mogensen, KS, dan Thorsteinsson, S. 2001. Tiga dimensi variational asimilasi data untuk model
daerah terbatas. Tellus A, 53 ( 4): 425-446. doi: 10. 1111 / j.1600-0870.2001.00425.x
Harlim, J. 2006. Kesalahan dalam kondisi awal untuk cuaca numerik
Prediksi: studi pola pertumbuhan kesalahan dan pengurangan kesalahan dengan ensem- ble
penyaringan. tersedia dari http://drum.lib.umd.edu/handle/1903/3430 [Ac- cessed 23 September
2013].

Harrison, RM, Laxen, D., Moorcroft, S., dan Laxen, K. 2012. Proses mempengaruhi
konsentrasi materi fi ne partikulat (PM 2.5) dalam suasana UK. mos di-. Mengepung. 46: 115-
124. doi: 10,1016 / j.atmosenv.2011.10.028 .

Harter, FP, dan de Campos Velho, HF 2008. Pendekatan Baru untuk menerapkan saraf
jaringan dalam model dinamis nonlinear. Appl. Matematika. Modell. 32 ( 12): 2621-2633. doi:
10,1016 / j.apm.2007.09.006 .

Hasenfratz, D., Saukh, O., Sturzenegger, S., dan Thiele, L. 2012. udara Partisipatif
pemantauan polusi menggunakan smartphone. Ponsel Sensing. Tersedia dari http://yosemite-
ife.ee.ethz.ch/pub/people/hdavid/HSST2012.pdf [diakses 3 Februari 2014].

Hawe, GI, Coates, G., Wilson, DT, dan Crouch, RS 2012. simulation-Agent berdasarkan
tion untuk tanggap darurat skala besar: survei penggunaan dan tion implementa-.
ACMComputing Survei (CSUR), 45 ( 1), 8. Tersedia dari http://dl.acm.org/ citation.cfm? id =
2379784 [Diakses 23 September 2013]. Houtekamer, PL, dan Mitchell, HL 2001. Sebuah
ensemble berurutan Kalman filter untuk asimilasi data atmosfer. Mon. Cuaca Rev. 129 ( 1): 123-
137. doi: 10. 1175 / 1520-0493 (2001) 129 <0123: ASEKFF> 2.0.CO; 2 .

Hsieh, DA. 1991. Chaos dan nonlinear dinamika: aplikasi untuk keuangan Mar-
kets. J. Keuangan, 46 ( 5): 1839-1877. doi: 10,1111 / j.1540-6261.1991.tb04646.x .

Hu, C. 2009. Indeks warna laut baru untuk mendeteksi terapung ganggang di
global lautan. Sens terpencil. Environ. 113 ( 10): 2118-2129. doi: 10,1016 / j.rse.2009.05. 012 .

Huaming, L., Huan, T., dan Zhiqiang, C. 2003. Nonlinear Model kacau lahan geser peramalan. Dagu.
J. Batu Mech. Eng. 22 ( 3): 434-437. tersedia dari
http://en.cnki.com.cn/Article_en/CJFDTOTAL-YSLX200303019.htm [Diakses 23 September
2013].

Huang, CM, Huang, CJ, andWang, ML 2005. Aparticle swarmoptimization ke

mengidentifikasi model ARMAX untuk peramalan beban jangka pendek. IEEE Trans.20 ( 2):
1126-1133. doi: 10,1109 / TPWRS.2005.846106 .

Huang, HC, dan Cressie, N. prediksi 1996. Spatio-temporal air salju

setara dengan menggunakan Kalman fi lter. Komputasi Statistik dan Data Anal- ysis, 22 ( 2):
159-175. doi: 10,1016 / 0167-9473 (95) 00047-X .

Kanamitsu, M. 1989. Deskripsi NMC asimilasi data global dan bagian depan
cor sistem. Cuaca dan Peramalan, 4 ( 3): 335-342. doi: 10,1175 / 1520-0434 (1989) 004 <0335:
DOTNGD> 2.0.CO; 2 .

Kennedy, C., dan Theodoropoulos, G. 2006. manajemen Cerdas data

simulasi didorong untuk mendukung pembentukan model dalam ilmu sosial. Di Com- putational
Ilmu-ICCS 2006. Springer Berlin Heidelberg. pp. 562-569. doi:10,1007 / 11758532_74 .
Kim, KJ 2003. Waktu Keuangan peramalan seri menggunakan dukungan mesin vektor.
Neurocomputing, 55 ( 1): 307-319. doi: 10,1016 / S0925-2312 (03) 00.372-2 .

Koyuncu, N., Lee, S., Vasudevan, KK, Anak, YJ, dan Sarfare, P. 2007. DDDAS-
berdasarkan multi fi delity simulasi untuk pemeliharaan preventif secara online schedul- ing
dalam rantai pasokan semikonduktor. Di Simulasi Conference 2007 musim dingin. pp. 1915-
1923. doi: 10,1016 / S0925-2312 (03) 00.372-2 .

Kutser, T. 2004. deteksi kuantitatif dari klorofil di mekar cyanobacterial

oleh penginderaan jauh satelit. Limnol. Oceanogr. 49 ( 6): 2179-2189. doi: 10,4319 /
lo.2004.49.6.2179 .

Lainiotis, DG 1971. Optimal estimasi adaptif: struktur dan parameter

adaptasi. IEEE Trans. Autom. Kontrol, 16 ( 2): 160-170. doi: 10,1109 / TAC.1971. 1099684 .

Li, X., Koike, T., dan Pathmathevan, M. 2004. sangat cepat simulasi re-anil pendekatan (VFSA)
untuk asimilasi data yang tanah. Comput. Geosci. 30 ( 3): 239-248. doi: 10,1016 /
j.cageo.2003.11.002 .

Li, Y. 2007. Sebuah sistem pemodelan kualitas air terpadu dengan umpan balik penginderaan jauh
yang dinamis. Ph.D. tesis, Rochester Institute of Technology. tersedia dari http://www.cis.rit.edu/
cnspci / referensi / tesis / phd / li2007.pdf [Ac- cessed 23 September 2013].

Liang, S., dan Qin, J. 2008. Metode data asimilasi untuk variabel permukaan tanah
perkiraan. Di Kemajuan dalam Land Remote Sensing. Springer Belanda. pp. 313-339. doi:
10,1007 / 978-1-4020-6450-0_12 .

Lorenc, AC, dan Rawlins, F. 2005. Mengapa 4D-Var mengalahkan 3D-Var? QJR Meteo-rol. Soc. 131
( 613): 3247-3257. doi: 10,1256 / qj.05.85 .

Lorenz, EN 1963. deterministik nonperiodik fl ow. J. Atmos. Sci. 20 ( 2): 130-141. doi: 10,1175 / 1520-
0469(1963) 020 <0130: DNF> 2.0.CO; 2 .

Lorenz, EN 1993. Esensi dari Chaos. University of Washington Press,Washington. p. 25.

Ma, J., dan Qin, S. 2012. Kemajuan terbaru dan perkembangan asimilasi data yang
algoritma. Adv. Bumi Sci. 27 ( 7): 747-757. tersedia dari http://mall.cnki.net/ majalah / Pasal /
DXJZ201207007.htm [Diakses 23 tanggal 23 September 2013]. [Di Chi-nese dengan ringkasan
bahasa Inggris.]

Madey, GR, Barabasi, AL, Chawla, NV, Gonzalez, M., Hachen, D., Lantz, B.,
Pawling, A., Schoenharl, T., Szabo, G., Wang, Pu, dan Yan, P. 2007. Peningkatan kesadaran
situasional: penerapan konsep-konsep DDDAS untuk darurat dan bencana manajemen. Di
Komputasi Sains-ICCS 2007. Springer, Berlin Heidelberg. pp. 1090-1097. doi: 10,1007 / 978-3-
540-72584-8_143 .

Maffey, G., Reed, M., Irvine, RJ, dan van der Wal, R. 2013. Habitat pemantauan di
pedesaan yang lebih luas: studi kasus pada mengejar inovasi dalam manajemen rusa merah. J.
Lingkungan. Mengelola. 128: 779-786. doi: 10,1016 / j.jenvman.2013.06,022 . PMID: 23860380
.
Maisonneuve, N., Stevens, M., Niessen, ME, Hanappe, P., dan Baja, L. 2009.
Citizen pemantauan polusi suara. Di Prosiding 10 Antar Tahunan Konferensi nasional ONdigital
Pemerintah Penelitian: Jaringan Sosial: Mak- ing Koneksi antara Citizens, Data dan Pemerintah.
pp. 96-103. tersedia dari http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.159.1782 &
rep = rep1 & type = pdf [Diakses 22 Februari 2014]. Mandel, J., Beezley, JD, Bennethum, LS,
Chakraborty, S., Coen, JL,

Douglas, CC, Hatcher, J., Kim, M., dan Vodacek, A. 2007. dinamis
data didorong wildland kebakaran Model. Di Komputasi Sains-ICCS 2007. Springer, Berlin
Heidelberg. pp. 1042-1049. doi: 10,1007 / 978-3-540-72584-8_137 .

Mandel, J., Beezley, JD, dan Kondratenko, VY 2010. Fast Fourier transform
ansambel Kalman fi lter dengan aplikasi untuk suasana-wildland Model kebakaran ditambah. Di
Prosiding MS '10 Konferensi Internasional. pp. 777-784. doi: 10,1142 / 9789814324441_0089 .

Mandel, J., Beezley, JD, Kochanski, AK, Kondratenko, VY, dan Kim, M. 2012.
Asimilasi perimeter data dan kelembaban bahan bakar couplingwith dalam wildland fi ulang
suasana DDDAS. Procedia Ilmu Komputer, 9: 1100-1109. doi: 10. 1016 / j.procs.2012.04.119 .

Maraun, D., Wetterhall, F., Ireson, AM, Chandler, RE, Kendon, EJ, Widmann, M.,
Brienen, S., Rust, HW, Sauter, T., Themeßl, M., Venema, VKC, Chun, KP, Goodess, CM, Jones,
RG, Onof, C., Vrac, M., dan Thiele-Eichand, I. 2010. Precip- itation downscaling di bawah
perubahan iklim: perkembangan terakhir untuk menjembatani kesenjangan antara model dinamis
dan pengguna akhir. Rev. Geophys. 48 ( 3). RG3003. doi: 10,1029 / 2009RG000314 .

Departemen Perlindungan Lingkungan, Republik Rakyat Cina. 2013.

tersedia dari http://www.mep.gov.cn/gkml/hbb/qt/201308/t20130802_256884.htm [Diakses 23
September 2013].

Moghaddam, M., Entekhabi, D., Liu, M., dan Teneketzis, D. 2007. Mengintegrasikan
asimilasi data dan kontrol optimal untuk meningkatkan membangun struktur sensor web architec-
Di NASA Earth Science Technology Of fi ce, Advanced Informasi sistematis tems
Sensor Web PI Meeting, Februari, pp. 13-14. tersedia dari http: // tipe
citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.99.660&rep=rep1& = pdf [Diakses 23
September 2013].

Moghaddam, M., Entekhabi, D., Goykhman, Y., Li, K., Liu, M., Mahajan, A., dan
Teneketzis, D. 2010. kelembaban tanah nirkabel sensor cerdas web menggunakan berdasarkan
physics-kontrol optimal: konsep dan demonstrasi awal. IEEE J. Sel. Teratas. Appl. Bumi Obs.
Sens terpencil. 3 ( 4): 522-535. doi: 10,1109 / JSTARS.2010.2052918 .

Moradkhani, H., Hsu, KL, Gupta, H., dan Sorooshian, S. 2005. Ketidakpastian as-menguji
kehandalan negara hidrologi Model dan parameter: Data Sequential assim- ilation menggunakan
partikel fi lter. Resour air. Res. 41 ( 5): W05012. doi: 10,1029 / 2004WR003604 .
Nagendra, H., Lucas, R., Honrado, JP, Jongman, RH, Tarantino, C., Adamo, M.,
dan Mairota, P. 2012. Penginderaan jauh untuk conservationmonitoring: menilai kawasan
lindung,sejauh habitat, kondisi habitat, keanekaragaman jenis, dan ancaman. Ecol. Indic. 33: 45-
59. doi: 10,1016 / j.ecolind.2012.09.014 .
NASA. 2014. Tanah data sistem asimilasi [secara online]. tersedia dari http: // ldas.gsfc.nasa.gov/
[Diakses 26 Februari 2014]. Niu, DX, Wang, YL, andMa, XY 2010.

Optimalisasi dukungan vectormachine

model peramalan beban listrik berdasarkan data mining dan komponen-Lyapunov expo-. J.
Tengah Selatan University of Technology, 17: 406-412. doi: 10,1007 / s11771-010-0060-0 .

NSF DDDAS. 2013. Data Dinamis sistem aplikasi didorong, Program NSF
ajakan [secara online]. tersedia dari www.cise.nsf.gov/dddas [Diakses 23 September 2013].

OpenDA Association. 2014. Mengintegrasikan model dan pengamatan [secara online]. Faedah-
mampu dari http://www.openda.org/joomla/ [Diakses 25 Februari 2014]. OpenMI Association.
2013. Tentang OpenMI asosiasi [secara online]. Tersedia dari http://www.openmi.org [Diakses
12 Oktober 2013]. Ouyang, Y., Luo, SM, Cui, LH, Wang, T., dan Zhang, JE 2011. Estimasi real-
time beban N di permukaan air dengan menggunakan sistem aplikasi data-driven dinamis. Ecol.
Eng. 37 ( 4): 616-621. doi: 10,1016 / j.ecoleng.2010.12.023 .

Ouyang, Y., Leininger, TD, dan Hatten, J. 2013. Real-time estimasi beban TP di aMississippi Delta
streamusing data dinamis didorong sistem aplikasi.
J. Lingkungan. Mengelola. 122: 37-41. doi: 10,1016 / j.jenvman.2013.02.047 . PMID: 23542568 .

Pagowski, M., Grell, GA, McKeen, SA, Peckham, SE, dan Devenyi, D. 2010.
Tiga-dimensi variational asimilasi data ozon dan mendefinisikan khususnya untuk para terlambat
peduli pengamatan: beberapa hasil menggunakan Penelitian Cuaca dan Peramalan-
Chemistrymodel dan Grid-point statistik interpolasi. QJR Meteorol. Soc. 136 ( 653): 2013-2024.
doi: 10,1002 / qj.700 .

Patra, A., Bursik, M., Dehn, J., Jones, M., Pavolonis, M., Pitman, EB, Singh, T.,
Singla, P., dan Webley, P. 2012. kerangka A DDDAS untuk abu vulkanik propa- gation dan
analisis bahaya. Procedia Ilmu Komputer, 9: 1090-1099. doi: 10. 1016 / j.procs.2012.04.118 .

Qin, J., Liang, S., Yang, K., Kaihotsu, I., Liu, R., dan Koike, T. 2009. Simultan
estimasi dari kedua kelembaban tanah dan model parameter menggunakan partikel fi lter- metode
ing melalui asimilasi sinyal microwave. J. Geophys. Res .: Atmos. 114 ( D15): 16. doi: 10,1029 /
2008JD011358 .

Rawlins, F., Ballard, SP, Bovis, KJ, Clayton, AM, Li, D., Inverarity, GW, dan
Payne, TJ 2007. Met Of fi ce global yang empat dimensi variational Data asimilasi scheme.QJR
Meteorol. Soc. 133 ( 623): 347-362. doi: 10,1002 / qj.32 .

Reichle, RH, Entekhabi, D., dan McLaughlin, DB 2001. Downscaling radio

pengukuran kecerahan untuk estimasi kelembaban tanah: A empat dimensi data yang variational
pendekatan asimilasi. Sumber Daya Air Penelitian, 37 ( 9): 2353-2364. doi: 10,1029 /
2001WR000475 .

Reichle, RH, McLaughlin, DB, dan Entekhabi, D. 2002. Hidrologi Data assim-
ilation dengan ensemble Kalman fi lter. Mon. Cuaca Rev. 130 ( 1): 103-114. tersedia dari
http://nml.yonsei.ac.kr/front/bb Reichle_et_al.pdf [Diakses 23 Februari 2013]. Schoenharl, TW,
dan Penasihat-Madey, G. 2007. Membuat, memperbarui dan validat-ing simulasi dalam sistem
aplikasi data-driven dinamis. University of Notre Dame. tersedia dari http://dl.acm.org/citation
[Ac- cessed 23 September 2013].
Schweik, C., Evans, T., dan Grove, JM 2005. Open source dan open content: a
kerangka kerja untuk kerjasama global dalam penelitian sosial-ekologi. Ecol. Soc.10 ( 1): 33.
Tersedia dari http://www.nrs.fs.fed.us/pubs/jrnl/2005/nrs_2005_ schweik_002.pdf [Diakses 23
Februari 2014]. Shang, L., Ma, R., Duan, H., Jiang, G., dan Zhou, L. analisis 2011. Skala cya-
nobacteria mekar dalam pengamatan Danau Taihu fromMODIS. J. Danau Sci. 23 ( 6): 847-854.
tersedia dari http://www.cnki.com.cn/Article/CJFDTOTAL- FLKX201106003.htm [Diakses 23
September 2013]. [Di Cina dengan Eng- Ringkasan lish.].

Shukla, J. 1998. Prediktabilitas di tengah-tengah kekacauan: a ilmiah dasar untuk iklim

peramalan. Ilmu, 282 ( 5389): 728-731. doi: 10,1126 / science.282.5389.728 . PMID: 9784127 .

Siek, M. 2011. badai Memprediksi lonjakan: kekacauan, kecerdasan komputasi, data yang
asimilasi, ansambel. Ph.D. tesis, Delft University of Technology. Tersedia dari
http://repository.tudelft.nl/assets/uuid:fb1 b01e768bd58c / UNESCO-
IHE_PhD_SIEK_THESIS.pdf [Diakses 23 September 2013].

Siek, M., dan Solomatine, DP 2011. Real-time asimilasi data untuk kacau
Badai Model lonjakan menggunakan jaringan syaraf narx. Di Prosiding 11 International Coastal
Simposium. pp. 1189-1194. tersedia dari http: // www.ics2011.pl/artic/SP64_1189-
1194_M.Siek.pdf [Diakses 23 September 2013].

Smith, J., dan Wallis, KF 2009. Sebuah penjelasan sederhana dari perkiraan combina-
tion puzzle. Oxford Buletin Ekonomi dan Statistik, 71 ( 3): 331-355. doi:10,1111 / j.1468-
0084.2008.00541.x .

Szewczyk, R., Osterweil, E., Polastre, J., Hamilton, M., Mainwaring, A., dan Estrin,
D. 2004. Habitat pemantauan dengan jaringan sensor. Commun. ACM, 47 ( 6): 34-40. doi:
10,1145 / 990.680,990704 .

Vermeulen, CJM, Barneveld, HJ, Huizinga, HJ, dan havinga, FJ 2005. Data-
asimilasi dalam banjir peramalan menggunakan time series dan data satelit. DiKonferensi
Internasional tentang Inovasi, Kemajuan dan Penerapan Peramalan Teknologi Banjir. Tromsø,
Norwegia. tersedia dari http: // hkvlijninwater.nl/documenten/Data-assimilationin fl
oodforecastingusing timeseriesandsatellitedata_CJV_HJB_JH_FHa (1) .pdf [Diakses 23
September 2013]. Williams, MO, Li, F., Kevrekidis, P., Daraio, C., dan Kevrekidis, Y. 2013.
perhitungan persamaan-bebas seperti protokol DDDAS dalam studi kristal butiran
direkayasa.Procedia Ilmu Komputer, 18: 2638-2642. doi: 10,1016 / j. procs.2013.05.456 .

Xu, L., Gao, P., Cui, S., dan Liu, C. 2013. Sebuah prosedur hibrida untuk MSW generasi
peramalan pada beberapa skala waktu di Kota Xiamen, Cina. Limbah Mengelola.33 ( 6): 1324-
1331. doi: 10,1016 / j.wasman.2013.02.012 . PMID: 23490364 .

Zhang, H., Korayem, M., Crandall, DJ, dan LeBuhn, G. foto- 2012. Pertambangan
berbagi situs untuk mempelajari fenomena ekologi. Di Prosiding Konferensi Internasional ke-21
di World Wide Web, pp. 749-758. doi: 10,1145 / 2187836.2187938 .
Zhang, J., dan Reid, JS 2009. Analisis langit cerah dan bias kontekstual menggunakan
sebuah operasional atas produk aerosol oceanMODIS. Geophys. Res. Lett. 36 ( 15): L15824. doi:
10,1029 / 2009GL038723 .

Zhivoglyadov, PV, Middleton, RH, dan Fu, M. 2000. Lokalisasi switch-berdasarkan

ing kontrol adaptif untuk sistem diskrit-waktu waktu bervariasi. IEEE Trans. tom au-. Kontrol, 45
( 4):752-755. doi: 10,1109 / 9,847116 .
Hak cipta dari Ulasan lingkungan adalah milik Kanada Sains Penerbitan dan isinya tidak dapat
disalin atau email ke beberapa situs atau diposting ke listserv tanpa izin tertulis pemegang hak
cipta. Namun, pengguna dapat mencetak, download, atau artikel email untuk penggunaan
individu.