L'erreur de prédiction d'une trajectoire avion peut être expliquée par différents facteurs. Les incertitudes associées à la prévision météorologique sont l'un d'entre-eux. Qui plus est, l'erreur de prévision de vent a un effet non négligeable sur l'erreur de prédiction de la position d'un avion. En regardant le problème sous un autre angle, il s'avère que les avions peuvent être utilisés comme des capteurs locaux pour estimer l'erreur de prévision de vent. Dans ce travail nous décrivons ce problème d'estimation à l'aide de plusieurs processus d'acquisition d'un même champ aléatoire. Quand ce champ est homogène, nous montrons que le problème est équivalent à plusieurs processus aléatoires évoluant dans un même environnement aléatoire pour lequel nous donnons un modèle de Feynman-Kac. Nous en dérivons une approximation particulaire et fournissons pour les estimateurs obtenus des résultats de convergence. Quand le champ n'est pas homogène mais qu'une décomposition en sous-domaine homogène est possible, nous proposons un modèle différent basé sur le couplage de plusieurs processus d'acquisition. Nous en déduisons un modèle de Feynman-Kac et suggérons une approximation particulaire du flot de mesure. Par ailleurs, pour pouvoir traiter un trafic aérien, nous développons un modèle de prédiction de trajectoire avion. Finalement nous démontrons dans le cadre de simulations que nos algorithmes peuvent estimer les erreurs de prévisions de vent en utilisant les observations délivrées par les avions le long de leur trajectoire. / Aircraft trajectory prediction error can be explained by different factors. One of them is the weather forecast uncertainties. For example, the wind forecast error has a non negligible impact on the along track accuracy for the predicted aircraft position. From a different perspective, that means that aircrafts can be used as local sensors to estimate the weather forecast error. In this work we describe the estimation problem as several acquisition processes of a same random field. When the field is homogeneous, we prove that they are equivalent to random processes evolving in a random media for which a Feynman-Kac formulation is done. Then we give a particle-based approximation and provide convergence results of the ensuing estimators. When the random field is not homogeneous but can be decomposed in homogeneous sub-domains, a different model is proposed based on the coupling of different acquisition processes. From there, a Feynman-Kac formulation is derived and its particle-based approximation is suggested. Furthermore, we develop an aircraft trajectory prediction model. Finally we demonstrate on a simulation set-up that our algorithms can estimate the wind forecast errors using the aircraft observations delivered along their trajectory.

Le filtrage non-linéaire des mesures ponctuelles d'un fluide turbulent était un sujet vierge, nous donnons ici des modélisations stochastiques et des filtres pertinents. Nous avons défini et étudié le processus d'acquisition d'un champ vectoriel le long d'un chemin aléatoire. Nous avons proposé des algorithmes de filtrage non-linéaire pour les processus à champ moyen et démontré la convergence des approximations particulaires. Nous avons remanié les modèles Lagrangiens du fluide proposés par les physiciens en fermant ces équations par un conditionnement en les couplant à l'observation et au processus d'acquisition. Nos algorithmes permettent alors de filtrer les mesures de vitesses d'un fluide turbulent simulées ou réelles en écoulement 1D à 3D.