suivant:
Introduction
monter:
Étude de différentes méthodes
précédent:
Remerciements
Table des matières
Introduction
L'assimilation de données
Qu'est-ce que l'assimilation de données ?
Différentes approches
Assimilation séquentielle
Assimilation variationnelle
Difficultés actuelles et objectifs
Difficultés et enjeux
Projets opérationnels
Objectifs
Minimisation
Introduction
Algorithmes de descente
Algorithme de Newton
Algorithme de type quasi-Newton
Algorithme BFGS
Algorithme L-BFGS
Mise à jour de la matrice diagonale
Mise à l'échelle de la matrice diagonale
Hessienne et covariances d'erreur
Application à l'équation de Burgers
Équations du modèle
Paramètres des expériences numériques
Convergence de l'algorithme BFGS à mémoire illimitée
Choix des paires stockées
Impact de la mise à l'échelle
Nouvelle approche de la mise à l'échelle
Choix de
Évolution pendant la minimisation
Cas non quadratique
Conclusions relatives à ce problème test
Conclusion
Quasi-réversibilité et nudging
Introduction sur la quasi-réversibilité
Présentation de la méthode
Heuristique
Justifications théoriques
Application à l'équation de la chaleur
Résultats théoriques
Expériences numériques
Variantes sur la quasi-réversibilité
Q.R. d'ordre
en temps
Q.R. d'ordre supérieur en temps
Autres systèmes différentiels testés
Conclusions sur la quasi-réversibilité
Introduction sur le nudging
Nudging direct
Principe de la méthode
Justification théorique dans un cadre linéaire
Remarques sur la méthode
Nudging rétrograde
Application au système de Lorenz
Présentation des équations du système de Lorenz
Nudging rétrograde appliqué au système de Lorenz
Résultats numériques du nudging rétrograde
Application à un modèle quasi-géostrophique barotrope
Équations du modèle
Utilisation du nudging pour faire des prévisions
Reconstitution numérique de l'état initial
Conclusions sur le nudging
Dualité
Modèle physique
Quasi-géostrophie
Équations du modèle
Conditions aux bords
Algorithme 4D-VAR
Fonction coût
Modèle adjoint
Gradient
Erreur modèle
Algorithme dual
Généralités
Description théorique
Algorithme dual pour le modèle quasi-géostrophique
Résultats numériques
Paramètres numériques du modèle
Valeurs des c
fficients du modèle
Paramètres des minimisations
Solution exacte, observations bruitées
Spin-up
Trajectoire de référence
Bruitage des observations
Convergence de la méthode duale et comparaison avec la méthode primale
Convergence de la méthode duale
Comparaison avec la méthode primale sur un problème de faible dimension
Reconstitution de l'état initial et prévisions
Méthode primale
Méthode duale
Comparaison
Sensibilité à un terme d'erreur modèle au cours de l'assimilation
Méthode primale
Méthode duale
Comparaison
Sensibilité aux observations
Méthode primale
Méthode duale
Comparaison
Détection de l'erreur modèle
Condition initiale exacte et observations exactes d'un modèle biaisé
Solutions identifiées par les deux méthodes
Comparaison des deux méthodes
Conclusions et remarques sur les deux méthodes numériques
Conclusion
Bibliographie
Sous-sections
Introduction
L'assimilation de données
Qu'est-ce que l'assimilation de données ?
Différentes approches
Assimilation séquentielle
Interpolation optimale
Filtre de Kalman
Filtre SEEK
Assimilation variationnelle
3D-VAR
4D-VAR
4D-VAR incrémental
4D-PSAS (Physical Space Analysis System)
Difficultés actuelles et objectifs
Difficultés et enjeux
Projets opérationnels
MERCATOR
CLIPPER
GODAE
Objectifs
Minimisation
Introduction
Algorithmes de descente
Algorithme de Newton
Algorithme de type quasi-Newton
Algorithme BFGS
Algorithme L-BFGS
Mise à jour de la matrice diagonale
Mise à l'échelle de la matrice diagonale
Hessienne et covariances d'erreur
Application à l'équation de Burgers
Équations du modèle
Paramètres des expériences numériques
Convergence de l'algorithme BFGS à mémoire illimitée
Choix des paires stockées
Impact de la mise à l'échelle
Nouvelle approche de la mise à l'échelle
Choix de
Évolution pendant la minimisation
Cas non quadratique
Conclusions relatives à ce problème test
Conclusion
Quasi-réversibilité et nudging
Introduction sur la quasi-réversibilité
Présentation de la méthode
Heuristique
Justifications théoriques
Application à l'équation de la chaleur
Résultats théoriques
Expériences numériques
Variantes sur la quasi-réversibilité
Q.R. d'ordre
en temps
Q.R. d'ordre supérieur en temps
Autres systèmes différentiels testés
Conclusions sur la quasi-réversibilité
Introduction sur le nudging
Nudging direct
Principe de la méthode
Justification théorique dans un cadre linéaire
Remarques sur la méthode
Nudging rétrograde
Application au système de Lorenz
Présentation des équations du système de Lorenz
Nudging rétrograde appliqué au système de Lorenz
Résultats numériques du nudging rétrograde
Application à un modèle QG barotrope
Équations du modèle
Utilisation du nudging pour faire des prévisions
Reconstitution numérique de l'état initial
Conclusions sur le nudging
Dualité
Modèle physique
Quasi-géostrophie
Équations du modèle
Conditions aux bords
Algorithme 4D-VAR
Fonction coût
Modèle adjoint
Gradient
Erreur modèle
Algorithme dual
Généralités
Description théorique
Méthode primale pour un modèle linéaire
Approche duale
Lien avec la méthode primale
Algorithme dual pour le modèle quasi-géostrophique
Résultats numériques
Paramètres numériques du modèle
Valeurs des c
fficients du modèle
Paramètres des minimisations
Solution exacte, observations bruitées
Spin-up
Trajectoire de référence
Bruitage des observations
Convergence de la méthode duale
Convergence de la méthode duale
Comparaison avec la méthode primale sur un problème de faible dimension
Reconstitution de l'état initial et prévisions
Méthode primale
Méthode duale
Comparaison
Sensibilité à l'erreur modèle
Méthode primale
Méthode duale
Comparaison
Sensibilité aux observations
Méthode primale
Méthode duale
Comparaison
Détection de l'erreur modèle
Condition initiale exacte et observations exactes d'un modèle biaisé
Solutions identifiées par les deux méthodes
Comparaison des deux méthodes
Conclusions et remarques sur les deux méthodes
Conclusion
Retour à la
page principale