Nous allons maintenant appliquer l'algorithme dual pour assimiler les
données bruitées lorsqu'une erreur modèle est présente. Nous
avons repris la même erreur modèle simulée que dans la section
précédente concernant la méthode primale.
Les figures
6.11 et
6.12 (à
comparer respectivement aux figures
6.9 et
6.10 montrant les résultats de l'approche
primale) montrent les résultats de l'algorithme dual, au début et
à la fin de la période d'assimilation, correspondant
à une erreur modèle de
et
respectivement. Nous
constatons cette fois que les champs sont assez bruités, mais
c'était déjà le cas lorsqu'il n'y avait pas d'erreur modèle.
Ce n'est donc pas très surprenant.
Par contre, il semble que la présence de l'erreur modèle influe
beaucoup moins sur la reconstitution de l'état initial que dans le
cas primal. Cela était également prévisible puisque cette
méthode prend directement en compte l'erreur modèle.
L'augmentation du terme d'erreur modèle conduit simplement à une
petite détérioration de la reconstitution de l'état initial,
ainsi que l'augmentation relative des irrégularités sur les lignes
de champ.