3.3 Expérienes numériques [11, 14, 21℄
3.3.4 Conlusions relatives aux expérienes numériques
L'algorithme BFN(nudgingdiretet rétrograde)sembleêtreuneméthode
d'assi-milationdedonnéesextrêmementintéressante.Elleesteneettrèssimpleàmettreen
÷uvre:pasdelinéarisationdeséquations,pasdemodèleadjoint,pasd'optimisation .
Laseuletâheonsisteàajouterleterme derelaxationdansleséquationsdumodèle.
Cetalgorithmeaététestéetomparéavelaméthodevariationnellesurplusieurs
typesdesystèmesnonlinéaires:Lorenz(équationdiérentielleordinaire, haotique),
Burgers (équation aux dérivées partielles en dimension 1), Saint-Venant ou shallow
water (dimension 2), modèle quasi-géostrophique (dimension 3). La onlusion de
toutes es expérienes numériques est que notre algorithme onverge beauoup plus
rapidement quelaméthodevariationnelle, etfournit de bienmeilleurs résultatsdans
le même temps, pour les toutes premières itérations. La ondition initiale est
géné-ralement moyennement bien identiée, maislasolution orrespondante à lan de la
période d'assimilation est nettement meilleure. C'est le point lé pour la phase de
prévision, et notre algorithme se révèle beauoup plus eae pour obtenir de très
bonnesprévisions, quirestent ables dansletemps.
Les deux algorithmes (BFN et variationnel) peuvent être ombinés de la façon
suivante : puisqueleBFN identieà haqueitération une estimation delaondition
initiale,ilestpossibled'appliquerquelquesitérationsduBFN,puisutiliserlasolution
ainsi identiée omme point de départ pour la minimisation de l'algorithme
varia-tionnel. Cela a pour eet d'aélérer assez nettement la onvergene de la méthode
alors que seulesquelques (2 à 5) itérationsde BFN ont étéréalisées au départ. Sans
atteindre la onvergene (i.e. lorsque le temps de alul imparti ne permet de faire
qu'un nombre assez faible d'itérations), l'utilisation duBFN en préonditionneur de
la méthode variationnelle permet d'obtenir de bien meilleurs résultats qu'en faisant
lenombre totald'itérations ave uniquement laméthode variationnelle.
Enn, le nudging diret et rétrograde permet de prendre en ompte l'erreur
mo-dèle de façon inhérente (sans oûtadditionnel) puisqu'il onsiste justement à voir le
modèleomme uneontrainte faibleet nonommeune ontrainte forte(omme'est
généraleme nt leasdanslesméthodesvariationnelles),laorretion dumodèleétant
réalisée à l'aidedesobservations.
3.4 Prinipaux résultats théoriques de onvergene [18,
24℄
3.4.1 Cas linéaire
Nous nous plaçons d'abord dans un adre linéaire simple, qui permet de
om-prendrelasituation.Onsupposeiiquel'opérateurd'observation
C
estégalàl'iden-tité, et quele modèle
F
est linéaire. Onsupposeégalement queK
etF
ommutent,e qui est a priori le as dans nos appliations puisqu'on hoisit souvent
K
propor-tionnel à lamatrie identité. Dans e adre là, il est possible d'expliiter la solution
de l'algorithme du nudging diret et rétrograde. An de simplier onsidérablement
leséquations,onsupposeiique
K ′ = K
,maislesrésultatsprésentésiirestentvraisdansleas général.À l'itération
n
,n > 1
, en supposantT > 0
, onaLe résultat suivant donne alors l'existene de latrajetoire limite, et expliite sa
forme [18℄ :
Souslesmêmeshypothèses,on peut prouver unrésultatsimilairepourles
traje-toiresrétrogrades, i.e. il existe une trajetoire limite
X ˜ ∞ (t)
tellequelim
n→+∞
X ˜ n (t) = X ˜ ∞ (t)
, pour toutt ∈ [0, T ]
. Cela prouvelaonvergene del'algorithmeBFN danse adrelà.On peut remarquer que la solution limite (en diret omme en rétrograde) ne
dépend plus delaondition initiale
x 0 utiliséepourinitialiser l'algorithme.
Supposons à présent que les observations
X obs soient solutions du modèle diret
(3.1).Cela impliquenotamment quepour tout
t ∈ [0, T ]
,X obs (t) = e F t X obs (0).
(3.23)Ensubstituantette égalitédansleséquations (3.21)et (3.22),on montrefailement
quepour tout
t ∈ [0, T ]
,n→∞ lim X n (t) = X obs (t). (3.24)
À noter que l'algorithme BFN a un omportement similaire sur les opérateurs
paraboliques linéaires en dimension innie, omme par exemple sur l'équation de la
haleur. Une déomposition des trajetoires sur une base de Fourier nous ramène à
l'étude d'équations diérentielles ordinaires du premier ordre sur les ÷ients, et
donnerapidement laonvergene de l'algorithmedanse aslà.
3.4.2 Équations de transport
Danstouteettepartie,nousneonsidéronsqu'uneseuleitérationdel'algorithme
BFN,'est-à-direunerésolutionduproblèmediretavenudgingetunerésolutiondu
problèmerétrograde ave nudging. Lesrésultats de déroissanede l'erreur au ours
d'une itération peuvent être étendus à un nombre quelonque d'itérations. En eet,
lesrésultatsprésentési-dessousonsistentàestimerlerapportentrel'erreuravantet
aprèsune itération. Cerapportest indépendant desitérations, et s'il eststritement
inférieurà
1
, l'algorithmeestontratant et l'erreurdéroîtexponentiellement vers0
ave les itérations.
Nousrenvoyonsà laréférene[24℄ pour les démonstrations de tousesrésultats.
Transport linéaire visqueux
Ononsidère toutd'abord leasd'une équationde transportlinéaire ave
viso-sité.
lapériode detemps onsidérée est
t ∈ [0, T ]
;la première équation
(F )
est appelée direte (Forward), et la seonde (B) estappelée rétrograde (Bakward);
K
etK ′ sont desfontions salairespositives, qui peuvent dépendre dutemps
t
et de la variable d'espae x
. Pour des raisons de simpliité uniquement, on
supposequ'il existeune onstante κ ∈ R ∗ + telle queK ′ (t, x) = κK (t, x)
;
K ′ (t, x) = κK (t, x)
;le transport
a(x) ∈ W 1,∞ (Ω)
,Ω
étant le domaine spatial, ii soit l'intervalle[0, 1]
, soitle tore[0, 1]
;le÷ient de visosité
ν > 0
estonstant;lafontiond'observations
u obs estsolution del'équationdirete (sansnudging)
ave uneertaine onditioninitiale
u 0 obs :
∂ t u obs − ν∂ xx u obs + a(x)∂ x u obs = 0, u | x=0 = u | x=1 = 0,
u | t=0 = u 0 obs .
(3.26)
Alors, nous avons le résultat suivant sur les équations de transport linéaire
vis-queux [24℄ :
Théorème 3.3 On onsidère une itération del'algorithme BFN (3.25)ave des
ob-servations
u obs vériant l'équation (3.26). Soient
w(t) = u(t) − u obs (t),
w(t) = e u(t) e − u obs (t),
(3.27)les erreurs direte et rétrograde.
1. Si
K(t, x) = K
, alors pour toutt ∈ [0, T ]
:w(t) = e e (−K−K ′ )(T −t) w(t).
(3.28)2. Si
K(t, x) = K(x)
, ave Support(K) ⊂ [a, b]
oùa < b
eta 6 = 0
oub 6 = 1
, alorsl'équation (3.25) est mal posée : il n'existe en général pas desolution
(u, e u)
.3. Si
K(t, x) = K
1[t 1 ,t 2 ] (t) ave 0 ≤ t 1 < t 2 ≤ T
,alors
e
w(0) = e (−K−K ′ )(t 2 −t 1 ) w(0).
(3.29)Cerésultat montre quedans le asdes équations de transport linéaire visqueux,
l'algorithme BFN onverge à ondition que le terme de rappel agisse en tout point
du domaine. Par exemple, dans le premier as du théorème 3.3, l'équation (3.28)
indique que l'erreur a été réduite d'un fateur
e (−K−K ′ )T au ours d'une itération.
Par onséquent, l'erreur déroît d'un fateur
e −N(K+K ′ )T au ours de N
itérations,
et lastritepositivitédeK
(ou K ′) et T
montrelaonvergene del'algorithmedans
e as. Si par ontreles observations ne sont pas disponibles partout (i.e. lesupport
T
montrelaonvergene del'algorithmedans e as. Si par ontreles observations ne sont pas disponibles partout (i.e. lesupportde
K
ne reouvre pastoutledomaine), l'algorithme ne onvergepasarleterme deBurgers visqueux
On onsidère désormaisune équation lassique de transport non linéaire,
l'équa-tiondeBurgers, dansunasvisqueux.Onseplaeégalementdansleasd'uneseule
itération del'algorithme BFN:
(F )
∂ t u − ν∂ xx u + u∂ x u = − K(u − u obs ), u | x=0 = u | x=1 = 0,
u | t=0 = u 0 ,
(B)
∂ t e u − ν∂ xx e u + u∂ e x u e = K ′ ( e u − u obs ), e
u | x=0 = u e | x=1 = 0, e
u | t=T = u(T ),
(3.30)
ave lesmêmes notationsquepréédemment .Onsupposeégalementque les
observa-tions
u obs sontsolution de l'équationde Burgersdirete :
∂ t u obs − ν∂ xx u obs + u obs ∂ x u obs = 0, u | x=0 = u | x=1 = 0,
u | t=0 = u 0 obs .
(3.31)
Alorsnousavonsle résultatsuivant [24℄ :
Théorème3.4 Si lafontion
K
n'est pasidentiquementnulle,une itération deBFN (3.30)pourl'équationdeBurgers visqueux,avedesobservationsu obs vériant
l'équa-tion(3.31),est mal posée au sens où il n'existe pasde solution
(u, u) e
.Dans le as partiulier où
K = K ′ = 0
, le problème rétrograde est mal posé ausensd'Hadamard (non ontinuitépar rapportà ladonnée nale),maisil admet une
unique solution si la ondition nale
u e | t=T est égale à la solution nale du modèle
diret.Deplus, danse as partiulier, lasolutionrétrograde est exatement égale à
lasolutiondirete :
u(t) = e u(t)
pour toutt ∈ [0, T ]
. Lerésultat est lesuivant [24℄ :Proposition 3.1 Si
K = K ′ = 0
, alors leproblème (3.30) est bien posé au sens deHadamard, et il existe une unique solution
(u, e u)
.De plus,u = e u
.L'algorithme BFN est don mal posé (sauf si
K = K ′ = 0
) dans le as deséquations de Burgers visqueux, au sens où il n'existe pas de solution au problème
rétrograde. Toutefois, d'un point de vue numérique, nous avons obtenu de très bons
résultatssuretypedemodèle[11℄.Celas'expliquevraisemblablementparlearatère
Transport linéaire non visqueux
On onsidère désormais le as non visqueux des équations de transport linéaire.
Leséquations du BFN sont:
(F )
où le transport
a(x)
peut être onstant ou non. Nous avons alors le résultat suivant[24℄ :
Théorème 3.5 On onsidère une itération du BFN sur le modèle (3.32), ave des
observations
u obs qui vérient l'équation (3.32-F) ave K = 0
. Onnote
w(t) = u(t) − u obs (t),
e
w(t) = u(t) e − u obs (t).
(3.33)Soit
(s, ψ(s, x))
(3.34)la ourbe aratéristique assoiée à l'équation (3.32-F) ave
K = 0
, issue dex
àl'instant
s = 0
,i.e. telle que(s, ψ(s, x)) | s=0 = (0, x).
(3.35)On suppose que le temps nal
T
est tel que les aratéristiques sont bien dénies et ne seroisent pas sur[0, T ]
. Alorsnous avons les résultatssuivants :1. Si
K(t, x) = K
, alors pour toutt ∈ [0, T ]
,Onendéduitquedansleasoùletermederappelagitsurtoutledomaine(as
1
et2
duthéorèmepréédent),l'algorithmeBFNonvergepourleséquationsdetransport linéaire non visqueux.De plus, dans leas où lesupport deK
ne reouvre pas toutledomaine (as
3
, par exemple lorsque les observations sont partielles), l'algorithme onvergedès quetoutes les ourbesaratéristiques renontrent le supportdeK
, equi est par exemple garanti par l'observabilité du système (voir les remarques après
laproposition3.2i-dessous).
Burgers non visqueux
On onsidère nalement le as de l'équation de Burgers non visqueux, ave des
onditionspériodiques,pouruntemps
T
telqu'auunhon'apparaissesurl'intervalle[0, T ]
:Ona alors lesrésultatssuivants[24℄ :
Théorème3.6 OnonsidèreuneitérationduBFNorrespondantauproblème(3.39),
ave des observations
u obs qui vérient(3.39-F) ave K = 0
. On note
w(t) = u(t) − u obs (t),
e
w(t) = e u(t) − u obs (t).
(3.40)Onsuppose que
u obs ∈ W 1,∞ ([0, T ] × Ω)
, i.e. qu'il existeM > 0
telleque| ∂ x u obs (t, x) | ≤ M, ∀ t ∈ [0, T ], ∀ x ∈ Ω.
(3.41)Alors, nous avonsles résultats suivants :
1. Si
K(t, x) = K
,alors pour toutt ∈ [0, T ]
,k w(t) e k ≤ e (−K−K ′ +M)(T −t) k w(t) k .
(3.42)2. Si
K(t, x) = K
1[t 1 ,t 2 ] (t) ave 0 ≤ t 1 < t 2 ≤ T
, alors
k w(0) e k ≤ e (−K−K ′ )(t 2 −t 1 )+M T k w(0) k .
(3.43)Proposition 3.2 On onsidère une résolution du problème diret (resp. rétrograde)
ave nudgingpourl'équation deBurgersnonvisqueux (3.39-F)(resp. (3.39-B)). Ave
les notationsdu théorème 3.6, si
K(t, x) = K(x)
,alorsRemarque : Dansleaspartiulier où
K(t, x) = K (x) = K
1[a,b] (x), oùK
est une
onstante et
[a, b]
est unsous-intervalle de[0, 1]
, alorsw(T, ψ(T, x)) = w(0, x) exp
− Kχ(x) − Z T
0
∂ x u obs (σ, ψ(σ, x))dσ
,
(3.45)où lafontion
χ
est dénieparχ(x) =
Z T
0
1
Supp(K) (ψ(σ, x))dσ (3.46)
et désigneletemps pendant lequellaaratéristique
ψ(σ, x)
issuedex
orrespondant à l'équation(3.39-F) aveK = 0
appartient ausupportdeK
.Onpeut remarquer quelesystème estobservable siet seulement sila fontion
χ
admetuneborneinférieurestritementpositive,i.e.
m := min
x χ(x) > 0,l'observabilité étant dénie par (voir [147℄) :
∃ C, ∀ u
solution de(3.39-F) aveK = 0, k u(T, .) k 2 ≤ C Z T
0 k K(.)u(s, .) k 2 ds.
(3.47)
Dans e as, la proposition 3.2 démontre la déroissane exponentielle globale (en
espae) de l'erreur, dumoment que
K
est plus grand queM T
m
, oùM
est déniparl'équation (3.41).
Nouspouvonsdéduiredeetteremarqueque,siàhaqueitération,àlafoispourla
résolution duproblème diret etdu problèmerétrograde, laonditiond'observabilité
estsatisfaite,alorsl'algorithmeonverge(l'erreurdéroîtexponentiellementvers
0
).Ilfaut toutefois noterque'estune ondition susante maisnonnéessaire, armême
si
χ(x) = 0
, ladernièreexponentielle de l'équation(3.45) estbornée.Remarques sur les résultats théoriques
Dans ertaines appliations géophysiques (par exemple la météorologie), il n'y a
pasdevisositédansleséquationsdesmodèlesnumériques.Danseas,ensupposant
que la ondition d'observabilité est vériée, alors l'algorithme du nudging diret et
rétrograde est bien posé, et le théorème 3.6 et la proposition 3.2 montrent que la
solution ainsi reonstruite tend vers la trajetoire des observations partout, et pas
seulement surlesupportde
K
.D'un point de vue numérique, on peut eetivement onstater que même si les
observationssontdisrètesetéparpilléesentempset enespae,lasolutionnumérique
est orrigée partout et pas uniquement là où les observations agissent. Enn, si le
÷ientdevisositérestepetit,nousavonségalementonstatéqueleomportement
3.5 Lien ave les observateurs [25℄
Dans ette setion, nous faisons le lien entre le nudging standard et les
obser-vateurs du type Luenberger [129, 114℄. En utilisant les symétries intrinsèques des
modèles physiques, il est possible de dénir une lasse d'observateurs invariants par
essymétries.Ilparaît eneetjudiieux depréserverles symétriesdumodèle lorsde
l'ajout d'un terme de rappel dans les équations. L'étude des observateurs nous
per-metégalement d'améliorerlaméthode dunudgingdansleadred'unmodèleshallow
water, en orrigeant notamment les variables non observées grâe à un observateur
invariant.Cette setionrésumeles travauxontenus dans[25℄.
3.5.1 Observateurs pour un modèle shallow water
Nous onsidérons ii un modèle shallow water, analogue à elui présenté dans la
setion 3.3.3. Nous le réérivons toutefois sous une autre forme an de mieux faire
apparaîtreles symétries(nous renvoyonsà[113℄ pour plusde détails). Danslasuite,
h
désignetoujourslahauteurduuide,tandisquev
estdésormaisleveteurvitesseàdeuxomposantes. Leséquationsonsidéréessont lessuivantes, l'équationvetorielle
pour lavitesse:
∂(hv)
∂t + ( ∇ .(hv) + (hv). ∇ ) v = − g ′ h ∇ h − k × f(hv) + (A ∇ 2 − R)(hv) + ˜ τ
ρ i,
(3.48)et l'équationsalaire pour la hauteurd'eau:
∂h
∂t = −∇ .(hv).
(3.49)Danseséquations,
g ′ désigne lagravitéréduite,ρ
estladensitédu uide,f
lafore
deCoriolis,
i
estleveteurunitairelongitudinal(pointantversl'est)etk
estleveteurvertial (altitude). Enn,
A
,R
et˜ τ
sont les ÷ients de visosité latérale, fritionet forçagepar levent respetivement.
Onsuppose queseule lahauteur d'eau
h
estobservée, an de seplaer dansunesituationréalisteoù l'immensemajorité desobservationsd'un oéan proviennent des
observations satellitaires, diretement reliées à lahauteurd'eau desurfae.
Unobservateur
(ˆ h, v) ˆ
dusystème(3.48-3.49)estsolutiondeséquationssuivantes:∂(ˆ hˆ v)
∂t +
∇ .(ˆ hˆ v) + (ˆ hˆ v). ∇ ˆ
v = − g ′ h ˆ ∇ h ˆ − k × f(ˆ hˆ v)+(A ∇ 2 − R)(ˆ hˆ v)+ τ ˜
ρ i+F v (h, ˆ v, ˆ h)
(3.50)
et
∂ ˆ h
∂t = −∇ .(ˆ hˆ v) + F h (h, v, ˆ ˆ h).
(3.51)Les observateurs
(ˆ h, v) ˆ
vérient les mêmes équations que les solutions réelles(h, v)
,àei prèsqu'elles ontiennent un terme derappel,
F v (h, v, ˆ ˆ h)
dansl'équationsur lavitesse, et
F h (h, ˆ v, ˆ h)
dans l'équation surla hauteur d'eau. Le hoix deF v et F h est
d'abord ditépar lefaitquelesobservateurs doivent tendreverslasolution exateet
jouentdonlerledetermesderappelverslasolution,maisaussiparlessymétriesdu
système. Ces termesde rappeldoiventnotamment êtrenulslorsque
ˆ h = h
etv ˆ = v
.3.5.2 Utilisation des symétries du modèle
Lemodèleshallowwaterquenousonsidéronsestinvariantparrotationet
transla-tion,puisqu'ilnedépendnidel'orientation,ni del'originedurepère.Par onséquent,
nousallons herher destermes de rappelqui onservent es invarianes. La
onep-tion d'observateurs invariants (ou qui préservent les symétriesdu modèle) a été très
réemment introduite, essentiellement pour des problèmes industriels [28, 59℄.L'idée
sous-jaente est évidemment de ne pas perturber les symétries du modèle lors de
l'ajout du terme derappel versles donnéesdansles équations de l'observateur.
Pourletermesalaireportantsurlahauteurd'eau,unrésultatdealuldiérentiel
assure que tout opérateur diérentiel salaire invariant par rotation et translation
s'érit omme un polynme du Laplaien [155℄. Par des onsidérations d'invariane
par rotation[139℄, onarrive ainsiàune famille d'opérateurssalaires de laforme
F h = Q 1 (∆, h, | v ˆ | 2 , ˆ h − h) + ∇
Q 2 (∆, h, | ˆ v | 2 , ˆ h − h)
.ˆ v + f h ,
(3.52)où
Q 1 etQ 2 sont deuxpolynmessalairesduLaplaien, etf h estunterme intégral.
f h estunterme intégral.
Plus préisément,
où
a i k et b i k sont des fontionssalaires régulières qui s'annulent lorsque le troisième
argumentestnul.Demême,leterme derappelvetorielsurlavitesseestdelaforme
F v = P 1 (∆, h, | v ˆ | 2 , h ˆ − h)ˆ v + ∇
P 2 (∆, h, | v ˆ | 2 , ˆ h − h)
+ f v ,
(3.54)où lespolynmes
P 1 et P 2 sont dumême type queQ 1 et Q 2.
Q 1 et Q 2.
On dénit alors les termes intégraux
f v et f h de sorte qu'ils soient eux aussi
invariants par rotationet translation. Onobtient ainsilesformulationssuivantes:
f v (x, y, t) = ZZ h
Lessupports de
φ v et φ h permettent de dénirune zone d'inuene oùela a un
sensdeorrigerl'observateuravelesvaleursobservées.Dansleaspartiulieroùes
fontionssontdesfontionsDira,alors lesfontions
f v etf h deviennentéquivalentes
auxautres termes deF v et F h.
F v et F h.
3.5.3 Étude d'une lasse d'observateurs dans un as linéarisé
Nous onsidérons maintenant un as simple, où on ne garde que les termes
in-tégraux des termes de orretion :
Q 1 = Q 2 = P 1 = P 2 = 0
,R 1 = S 2 = 0
etS 2 = R 1 = h − ˆ h
. En eet, les mesures de la hauteur d'eau étant généraleme nt bruitées,on nesouhaitepaslesdériver, equiamplierait onsidérablement lebruit.Sans perdre en généralité, on peut également simplier les équations du modèle
(pas de fore de Coriolis, pas de frition ou dissipation par visosité, pas de forçage
parle vent,...). L'observateurpour lesystèmesimpliéest alors :
∂ ˆ h
∂t = −∇ (ˆ hˆ v) + φ h ∗ (h − ˆ h),
(3.57)∂ˆ v
∂t = − v ˆ ∇ v ˆ − g ∇ ˆ h + φ v ∗ ∇ (h − ˆ h).
(3.58)Dans le as dégénéré où
φ h = K h δ 0 et φ v = K v δ 0, K h et K v étant dessalaires
K h et K v étant dessalaires
positifset
δ 0représentantlamesuredeDiraen0
,leséquations(3.57-3.58)deviennent
laformulation lassique dunudging(ou observateur deLuenberger).
Onsuppose par ailleursque lesystème estprohe d'un état d'équilibre, et on ne
onsidèreraquedespetitesvitesses
δv = v − v ¯ ≪ p
g ¯ h
etδh = h − h ¯ ≪ h ¯
,où¯ h
et¯ v = 0
représententrespetivement lahauteurd'eauetvitesseduuideaupointd'équilibre.
En notant
˜ h
etv ˜
l'éart (sur la hauteur d'eau et la vitesse respetivement) entre l'observateur et la solution réelle du système simplié et linéarisé, alors es erreursd'estimation vérient leséquations linéairessuivantes:
∂ ˜ h
∂t = − ¯ h ∇ ˜ v − φ h ∗ h, ˜
(3.59)∂ v ˜
∂t = − g ∇ ˜ h − φ v ∗ ∇ ˜ h.
(3.60)Un hoix raisonnable pour les fontions
φ h et φ v onsiste à prendre des noyaux
gaussiensde laforme :
φ h (x, y) = β h exp( − α h (x 2 + y 2 )),
(3.61)φ v (x, y) = β v exp( − α v (x 2 + y 2 )),
(3.62)puisqu'onsupposegénéralementquelesmesuressontentahéesd'unbruitblan
gaus-sien.Toutefois, les résultats de onvergene obtenus i-dessous peuvent s'étendre au
asdenoyaux quis'érivent sousla forme:
φ h (x, y) = (f (x) ∗ f (x)) (f (y) ∗ f (y)),
(3.63)φ v (x, y) = (g(x) ∗ g(x)) (g(y) ∗ g(y)),
(3.64)(3.65)
où
f
etg
sontdesfontionslisses(parexempleC ∞),etdontles÷ientsdeFourier
En éliminant la vitesse du système d'équations (3.59-3.60), la hauteur vérie
l'équation suivante :
∂ 2 ˜ h
∂t 2 = g ¯ h∆˜ h + ¯ h φ v ∗ ∆˜ h − φ h ∗ ∂ ˜ h
∂t ,
(3.66)qui s'apparente à une équation des ondes amortie, ave un amortissement visqueux
externe. Cetteéquation peut être réérite souslaforme suivante :
∂ 2 ˜ h
Dansesonditions, nousavonslerésultatsuivant [25℄ :
Théorème 3.7
quimontrelaonvergenefortedel'erreur vers
0
pourlesystèmelinéarisé,et dondel'observateurverslasolutionréelle. Laonvergeneestalors étenduesansdiulté à
lavitesse
v
.Une analysedimensionnelle permet également de prédire les valeurstypiques des
÷ientsde gaindesfontions
φ h et φ v (féquations (3.61) et (3.68)) :
β h = 2ξ 0 ω 0 , ¯ hβ v = L 2 0 ω 0 2 − g h, ¯
(3.70)où
ω 0 et L 0 représentent respetivement la pulsation et la taille aratéristiques de
l'éoulement ,et ξ 0 représentele÷ientd'amortissementdusystème.Demême,les
ξ 0 représentele÷ientd'amortissementdusystème.Demême,les
÷ients
α h et α v peuvent être déterminés a priori, en imposant α −2 h = α −2 v , ette
α −2 h = α −2 v , ette
valeurétantégale à lataillearatéristique de larégion d'inuenedesobservations.
Cette dernière dépend essentiellement de la quantité de bruit sur les mesures, mais
ausside larépartitionspatiale desdonnées.
3.5.4 Expérienes numériques
Nousavonstesté numériquement lalasse d'observateurs dénis par l'ajout d'un
terme de rappel égal à
φ h ∗ (h − ˆ h)
pour la hauteur d'eau, etφ v ∗ ∇ (h − ˆ h)
pourla vitesse, où les fontions
φ h et φ v sont dénies par les équations (3.61) et (3.62).
Diérents tests ont été réalisés sur un modèle shallow water, d'abord sur la version
simpliée etlinéarisée autourde l'étatd'équilibre, puissurlemodèleomplet et non
linéaire. Nousavonségalement testé diérentes valeursdes paramètres
α h, α v, β h et
β v, ave des données plus ou moins bruitées. Nous avons notamment omparé et
β h et
β v, ave des données plus ou moins bruitées. Nous avons notamment omparé et
observateur ave lenudginglassique, ouobservateur de Luenberger, enprenant des
valeurstrès grandes pour les ÷ients
α
[25℄.Les onlusions de es expérienes numériques sont doubles. D'une part, grâe
à laonvolution ave un noyau gaussien, il est possible d'améliorer sensiblement les
résultats du nudging lassique, en ltrant beauoup mieux les erreurs de mesure et
en répartissant spatialement l'information ontenue dans les observations. D'autre
part,les simulations numériquesmontrent quele terme de rappel dansles équations
surlavitessepermet deorrigerette dernièreasseznettement,en utilisantpourtant
uniquementdesmesuressurlahauteurd'eau.Deplus,ommelavitesseestbeauoup
plusorrigéequelorsqu'auuntermederappeln'estajouté,lahauteurd'eausetrouve
êtreelle aussimieuxorrigée, grâe au ouplageentre lesvariables d'état.
Ilfautnoterqueetteméthodeestàpeineplusoûteusequelenudgingstandard,
puisqu'ilsutenpratiquedetronquerlaonvolutionavelenoyaugaussienendehors
d'undisquedequelquespointsautourdehaqueobservation(aveunrayondel'ordre
de
5
à10
dansnosexpérienes).Une perspetive à ourt terme onsiste à tester ette méthode sur le système
rétrograde, e qui permettrait par la suite d'améliorer l'algorithme BFN en le
ren-dant enore moins sensible aux bruits sur les observations, et surtout en orrigeant
davantageles variables non observéesgrâes auxvariables observées.
3.6 Conlusion
L'algorithmedunudgingdiret etrétrogradequenousavonsintroduits'avèreêtre
uneméthoded'assimilationdedonnéesextrêmementprometteuse.Cetteméthodeest
en eet partiulière ment faile à mettre en ÷uvre puisqu'elle ne néessite auune
linéarisationd'opérateurs, pasd'état adjoint, et pasd'algorithme d'optimisation. La
seule tâhe qui inombe à l'utilisateur est d'ajouter le terme de relaxation dans les
équationsdu modèle.
Le BFN a été omparé ave la méthode variationnelle sur beauoup de modèles
Le BFN a été omparé ave la méthode variationnelle sur beauoup de modèles