suivant: Sensibilité à l'erreur modèle
monter: Reconstitution de l'état initial
précédent: Méthode duale
Table des matières
Figure 6.8:
Normes RMS des erreurs obtenues pour les différentes
méthodes en fonction du nombre de pas de temps le long de la
période d'assimilation. Utilisation de la première observation
bruitée (pointillés rapprochés), algorithme primal (ligne
continue) et algorithme dual (ligne pointillée).
|
La figure
6.8 représente l'erreur mesurée en
norme RMS (root mean square), c'est-à-dire au sens des moindres
carrés, tout au long de la période d'assimilation, entre la
trajectoire de référence (considéree comme solution exacte) et
la solution identifiée à l'aide d'une des méthodes
précédemment vues (en utilisant directement la première
observation bruitée, avec l'algorithme primal ou avec l'algorithme
dual). L'erreur RMS à l'instant
pour chacune de ces solutions
est mesurée de la façon suivante :
|
(6.1) |
L'erreur atteint environ
dans le cas de la trajectoire provenant
directement des observations, et augmente avec le temps.
Ceci est en accord avec les non linéarités inhérentes du modèle
qui ont tendance à propager les erreurs en les augmentant au fil du
temps.
Dans le cas de l'utilisation de l'une ou l'autre des deux méthodes
d'assimilation de données, l'erreur est clairement plus petite, au
moins
fois plus faible. Ceci prouve une fois encore l'intérêt
des méthodes d'assimilation de données, qui permettent de
reconstruire avec moins de
d'erreur une trajectoire en utilisant
uniquement des observations partielles bruitées à hauteur de
.
L'erreur de la solution primale a tendance à augmenter avec le
temps. Ceci est cohérent avec la remarque formulée
précédemment au sujet de la ressemblance entre la trajectoire
reconstruite et la trajectoire de référence surtout au début de
la période d'assimilation et moins à la fin.
L'erreur d'assimilation commise avec la méthode duale est un peu
plus grande au début de la période d'assimilation, mais elle reste
globalement constante (en fait elle diminue très légérement vers
le
pas de temps avant de réaugmenter tout aussi
faiblement vers les derniers pas de temps) avec le nombre de pas de
temps. Ceci est également cohérent avec la remarque formulée
à la fin du paragraphe concernant la méthode duale, qui a mieux
reconstitué la trajectoire à l'instant final que la méthode primale.
Il faut également noter que, bien que les données ne concernent
que la couche en surface, la couche intermédiaire et la couche du
fond du bassin sont aussi bien reconstituées dans un cas comme dans
l'autre. Ceci tend à confirmer le fait que les méthodes
d'assimilation de données se servent du modèle pour propager
l'information, et par le couplage que le modèle effectue entre
les différentes couches, l'information est effectivement propagée de la surface
aux autres couches.
Enfin, la dimension du vecteur de contrôle dual (28577) étant plus
faible que celle du vecteur de contrôle primal (121203), même si
la minimisation est arrêtée pour le même nombre maximal
d'itérations/simulations, la minimisation de la fonctionnelle duale
est un peu plus poussée, la norme du gradient ayant plus diminué
que pour la fonctionnelle primale. En ne s'autorisant qu'environ une
trentaine d'itérations lors de la minimisation de la fonctionnelle
duale, on obtient une décroissance proche de celle obtenue pour la
fonctionnelle primale avec
itérations autorisées. Il est
donc possible avec la méthode duale de gagner un peu de temps de
calcul en conservant des résultats comparables, ou alors garder le
même temps de calcul et obtenir des résultats un peu meilleurs
qu'avec l'algorithme primal.
suivant: Sensibilité à l'erreur modèle
monter: Reconstitution de l'état initial
précédent: Méthode duale
Table des matières
Retour à la page principale