next up previous contents
suivant: Modèle adjoint monter: Algorithme 4D-VAR précédent: Algorithme 4D-VAR   Table des matières

Fonction coût

Nous pouvons alors définir une fonction coût mesurant l'écart entre le vecteur de contrôle et les observations du système :

\begin{displaymath}\begin{array}{rcl} \displaystyle \mathcal{J}(u) & = &\display...
...playstyle \frac{1}{2} \langle P_0^{-1} u,u \rangle. \end{array}\end{displaymath} (5.11)

Dans cette équation, les matrices $ P_0$ et $ R_i$ sont des matrices de covariance d'erreur. Les opérateurs $ H_i$ , opérateurs d'observation reliant les observations $ \Psi_1^{obs}(t_i)$ et les solutions du modèle $ \Psi_1(t_i)$ , sont supposés linéaires. Enfin, $ \langle , \rangle$ est un produit scalaire.

La première partie de la fonction coût mesure l'écart au sens des moindres carrés entre les observations et la fonction de courant de la couche de surface. La seconde partie est un terme de régularisation. Le problème inverse consistant à minimiser $ \mathcal{J}$ est alors bien posé.



Retour à la page principale