Depuis ces trente dernières années, les systèmes d'observation de la Terre et les modèles numériques se sont perfectionnés et complexifiés pour nous fournir toujours plus de données, réelles et numériques. Ces données, de nature très diverse, forment maintenant un ensemble conséquent d'informations précises mais hétérogènes sur les structures et la dynamique des fluides géophysiques. Dans les années 1980, des méthodes d'optimisation, capables de combiner les informations entre elles, ont permis d'estimer les paramètres des modèles numériques et d'obtenir une meilleure prévision des courants marins et atmosphériques. Ces méthodes puissantes, appelées assimilation variationnelle de données, peinent à tirer profit de la toujours plus grande complexité des informations de par le manque de puissance de calcul disponible. L'approche, que nous développons, s'intéresse à l'utilisation des méthodes multigrilles, jusque là réservées à la résolution de systèmes d'équations différentielles, pour résoudre l'assimilation haute résolution de données. Les méthodes multigrilles sont des méthodes de résolution itératives, améliorées par des corrections calculées sur des grilles de plus basses résolutions. Nous commençons par étudier dans le cas d'un modèle linéaire la robustesse de l'approche multigrille et en particulier l'effet de la correction par grille grossière. Nous dérivons ensuite les algorithmes multigrilles dans le cadre non linéaire. Les deux types d'algorithmes étudiés reposent d'une part sur la méthode de Gauss Newton multigrille et d'autre part sur une méthode sans linéarisation globale : le Full Approximation Scheme (FAS). Ceux-ci sont appliqués au problème de l'assimilation variationnelle de données dans le cadre d'une équation de Burgers 1D puis d'un modèle Shallow-water 2D. Leur comportement est analysé et comparé aux méthodes plus traditionnelles de type incrémentale ou multi-incrémentale. / For these last thirty years, earth observation and numerical models improved greatly and provide now a huge amount of accurate, yet heterogeneous, information on geophysics fluids dynamics and structures. Optimization methods from the eighties called variational data assimilation are capable of merging information from different sources. They have been used to estimate the parameters of numerical models and better forecast oceanic and atmospheric flows. Unfortunately, these powerful methods have trouble making benefit of always more complex information, suffering from the lack of available powerful calculators. The approach developed here, focuses on the use of multigrid methods, that are commonly used in the context of differential equations systems, to solve high resolution data assimilation. Multigrid methods are iterative methods improved by the use of feedback corrections evaluated on coarse resolution. First in the case of linear assimilation, we study the robustness of multigrid approach and the efficiency of the coarse grid correction step. We then apply the multigrid algorithms on a non linear 1-D Burgers equation and on a 2-D Shallow-Water model. We study two types of algorithms, the Gauss Newton Multigrid, which lays on global linearization, and the Full Approximation Scheme. Their behavior is compared to more traditional approaches as incremental and multi-incremental ones.

No description available.

L'algorithme de Levenberg-Marquardt (LM) est parmi les algorithmes les plus populaires pour la résolution des problèmes des moindres carrés non linéaire. Motivés par la structure des problèmes de l'assimilation de données, nous considérons dans cette thèse l'extension de l'algorithme LM aux situations dans lesquelles le sous problème linéarisé, qui a la forme min||Ax - b ||^2, est résolu de façon approximative, et/ou les données sont bruitées et ne sont précises qu'avec une certaine probabilité. Sous des hypothèses appropriées, on montre que le nouvel algorithme converge presque sûrement vers un point stationnaire du premier ordre. Notre approche est appliquée à une instance dans l'assimilation de données variationnelles où les modèles stochastiques du gradient sont calculés par le lisseur de Kalman d'ensemble (EnKS). On montre la convergence dans L^p de l'EnKS vers le lisseur de Kalman, quand la taille de l'ensemble tend vers l'infini. On montre aussi la convergence de l'approche LM-EnKS, qui est une variante de l'algorithme de LM avec l'EnKS utilisé comme solveur linéaire, vers l'algorithme classique de LM ou le sous problème est résolu de façon exacte. La sensibilité de la méthode de décomposition en valeurs singulières tronquée est étudiée. Nous formulons une expression explicite pour le conditionnement de la solution des moindres carrés tronqués. Cette expression est donnée en termes de valeurs singulières de A et les coefficients de Fourier de b. / The Levenberg-Marquardt algorithm (LM) is one of the most popular algorithms for the solution of nonlinear least squares problems. Motivated by the problem structure in data assimilation, we consider in this thesis the extension of the LM algorithm to the scenarios where the linearized least squares subproblems, of the form min||Ax - b ||^2, are solved inexactly and/or the gradient model is noisy and accurate only within a certain probability. Under appropriate assumptions, we show that the modified algorithm converges globally and almost surely to a first order stationary point. Our approach is applied to an instance in variational data assimilation where stochastic models of the gradient are computed by the so-called ensemble Kalman smoother (EnKS). A convergence proof in L^p of EnKS in the limit for large ensembles to the Kalman smoother is given. We also show the convergence of LM-EnKS approach, which is a variant of the LM algorithm with EnKS as a linear solver, to the classical LM algorithm where the linearized subproblem is solved exactly. The sensitivity of the trucated sigular value decomposition method to solve the linearized subprobems is studied. We formulate an explicit expression for the condition number of the truncated least squares solution. This expression is given in terms of the singular values of A and the Fourier coefficients of b.

La Mer d’Iroise est observée depuis 2006, par des radars à haute fréquence (HF) qui estiment les courants de surface. Ces mesures ont une finesse temporelle et spatiale pour permettre de capturer la dynamique fine du domaine côtier. Ce travail de thèse vise à la conception et l’application d’une méthode d’assimilation de ces données dans un modèle numérique réaliste pour optimiser le frottement sur le fond et corriger l’état du modèle afin de mieux représenter la circulation résiduelle de marée et les positions des fronts d’Ouessant en mer d’Iroise. La méthode d’assimilation de données utilisée est le Filtre de Kalman d’Ensemble dont l’originalité est l’utilisation d’une modélisation stochastique pour estimer l’erreur du modèle. Premièrement, des simulations d’ensemble ont été réalisées à partir de la perturbation de différents paramètres du modèle considérés comme sources d’erreur : le forçage météo, la rugosité de fond, la fermeture turbulente horizontale et la rugosité de surface. Ces ensembles ont été explorés en termes de dispersion et de corrélation d’ensemble. Un Lisseur de Kalman d’Ensemble a ensuite été utilisé pour optimiser la rugosité de fond (z0) à partir des données de courant de surface et d’un ensemble modèle réalisé à partir d’un z0 perturbé et spatialisé. La méthode a d’abord été testée en expérience jumelle puis avec des observations réelles. Les cartes du paramètre z0, optimisés, réalisées avec des observations réelles, ont ensuite été utilisées dans le modèle sur une autre période et les résultats ont été comparés avec des observations sur la zone. Enfin, des expériences jumelles ont été mises en place pour corriger l’état modèle. Deux méthodes ont été comparées, une prenant en compte la basse fréquence en filtrant la marée des données et du modèle pour réaliser l’analyse ; l’autre prenant en compte tout le signal. Avec ces expériences, on a tenté d’évaluer la capacité du filtre à contrôler à la fois la partie observée du vecteur d’état (courant de surface) et la partie non-observée du système (température de surface). / The Iroise Sea has been observed since 2006 by High Frequency (HF) radars, which estimate surface currents. These measurements offer high resolution and high frequency to capture the dynamics of the coastal domain. This thesis aims at designing and applying a method of assimilation of these data in a realistic numerical model to optimize the bottom friction and to correct the model state in order to improve the representation of the residual tidal circulation and the positions of the Ushant fronts in the Iroise Sea. The method of data assimilation used is the Ensemble Kalman Filter. The originality of this method is the use of a stochastic modeling to estimate the model error. First, ensemble simulations were carried out from the perturbation of various model parameters which are the model error sources: meteorological forcing, bottom friction, horizontal turbulent closure and surface roughness. These ensembles have been explored in terms of dispersion and correlation. An Ensemble Kalman smoother was used to optimize the bottom friction (z0) from the surface current data and from an ensemble produced from a perturbed and spatialized z0. The method is tested with a twin experiment and then with real observations. The optimized maps of parameter z0, produced with the real currents, were used in the model over another period and the results were compared with independent observations. Finally, twin experiments were conducted to test the model state correction. Two approaches were compared; first, only the low frequency, by filtering the tide in the data and in the model, is used to perform the analysis. The other approach takes the whole signal into account. With these experiments, we assess the filter's ability to control both the observed part of the state vector (currents) and the unobserved part of the system (Sea surface Temperature).

L’évolution libre des fluides géostrophiques turbulents bidimensionnels fait apparaitre des tourbillons présentant une grande cohérence spatio-temporelle. Les écoulements atmosphériques tridimensionnels présentent également ce genre de structures cohérentes, notamment dans les champs de tourbillon potentiel. Certains aspects de la cyclogenèse semblent gouvernés, ou très sensibles, à la position et à l’intensité de ces anomalies. Les images des satellites géostationnaires permettent par ailleurs de visualiser les signatures de ces phénomènes, appelées intrusions sèches. Une première partie du travail adapte des outils de traitement d’image à la détection et au suivi des intrusions sèches sur les images vapeur d’eau. On utilise une approche basée sur des multi-seuillages et le suivi automatisé de structures (logiciel RDT). Le développement de caractéristiques supplémentaires s’avère nécessaire afin de sélectionner les intrusions associées à des événements dynamiques importants. L’une d’entre elles utilise l’information sur le courant-jet à partir de vents d’altitude de l’ébauche. Un deuxième volet s’applique à dégager une méthodologie de correction des structures en tourbillon potentiel à partir de ces informations. L’assimilation de données conventionnelle ne permet pas d’initialiser spécifiquement les structures. Nous décrivons les méthodes alternatives et étudions les possibilités, et limitations, d’une méthodologie basée sur l’assimilation de pseudo-observations. Cela débouche en particulier sur une version renouvelée de la relation entre vapeur d’eau et tourbillon potentiel. Les outils développés sont appliqués à la prévision de la tempête des Landes (2006). L’utilisation de données de concentration d’ozone est finalement évoquée comme une méthode alternative d’initialisation du tourbillon potentiel à la tropopause / Isolated vortices have been shown to emerge in two-dimensional and geostrophic turbulent flows. Coherent structures are apparent in three-dimensional atmospheric flows as well, and may share the property to determine the non-linear evolution and the predictability of the flow. Potential vorticity anomalies have indeed been shown to be of primary importance for cyclogenesis of mid-latitude storms. Their signature can be detected in satellite water vapour images and are known as dry intrusions. The first part of this work proceeds the tracking of dry intrusions on images. We use image processing tools based on thresholding algorithm, and develop additional filters to select relevant cells. One of this filters uses dynamical information on the jet from the background upper-level wind. We highlight the fact that conventional data assimilation does not handle coherent structures, and describe alternative procedures. We focus then on the assimilation of bogussed potential vorticity observations. This leads to a new vision of the relationship between water vapour and potential vorticity. The case study of the storms that has affected the Landes region in 2006 is then presented. We finally pinpoint ozone data as an alternative way to improve the initialization of upper-level potential vorticity

La caractérisation de la neige est un enjeu important pour la gestion des ressources en eau et pour la prévision des risques d'avalanche. L'avènement des nouveaux satellites Radar de Synthèse d'Ouverture (RSO) bande X à haute résolution permet d'acquérir des données de résolution métrique avec une répétitivité journalière. Dans ce travail, un modèle de rétrodiffusion des ondes électromagnétiques de la neige sèche est adapté à la bande X et aux fréquences plus élevées. L'algorithme d'assimilation de données 3D-VAR est ensuite implémenté pour contraindre le modèle d'évolution de la neige SURFEX/Crocus à l'aide des observations satellitaires. Enfin, l'ensemble de ces traitements sont évalué à partir de données du satellite TerraSAR-X acquises sur le glacier d'Argentière dans la vallée de Chamonix. Cette première comparaison montre le fort potentiel de l'assimilation des données RSO bande X pour la caractérisation du manteau neigeux. / Characterization of snowpack structure is an important issue for the management of water resources and the prediction of avalanche risks. New Synthetic Aperture Radar (SAR) satellites in X-band at high-resolution allow us to acquire image data with metric resolution and daily observations. In this work, an electromagnetic backscattering model applicable for dry snow is adapted for X-band and higher frequencies. The 3D-VAR data assimilation algorithm is then implemented to constrain the evolution of the snow metamorphisme model SURFEX/Crocus using satellite observations. Finally, the algorithm is evaluated using image data acquired from TerraSAR-X satellite on the Argentiere glacier in the Chamonix Valley of the French Alps. This first comparison shows the high potential of the data assimilation assimilation method using X-band SAR data for characterization of the snowpack.

Les phénomènes éruptifs du Soleil sont souvent accompagnés par l'accélération de particules chargées qui peuvent avoir des impacts significatifs sur la Terre. Toutefois, le mécanisme responsable de ces phénomènes n'est pas suffisamment bien compris pour qu’on puisse en prédire l'occurence. Les satellites et les observatoires terrestres sondent la photosphère, la chromosphère et la couronne du Soleil et sont essentiels pour l'étude de l'activité solaire. Les simulations numériques tentent de faire le pont entre la physique décrivant l'intérieur de l'étoile et de telles observations. La prochaine étape pour des simulations réalistes serait la prévision à court terme des structures à la surface du Soleil. Les travaux présentés dans cette thèse explorent comment des notions empruntées de la météorologie (e.g., l'assimilation des données) et de l'intelligence artificielle (e.g., les réseaux de neurones) pourraient être utilisées pour la prédiction à court terme de l'activité solaire dans le contexte de la météorologie spatiale. En particulier, nous présentons notre implémentation de l'assimilation des données dans un modèle magnétohydrodynamique (MHD) radiatif du Soleil calme (i.e., en l'absence d'activité magnétique) afin de prédire l'évolution de la granulation solaire durant une courte période de temps. Toutefois, ce ne sont pas toutes les variables du modèle qui peuvent être observées ou mesurées à l'aide d'instruments. Par exemple, les mesures directes des mouvements du plasma à la surface du Soleil sont limitées à la composante le long de la ligne de visée. Plusieurs algorithmes ont donc été développés afin de reconstruire la composante transverse à partir de mesures de l'intensité de la lumière ou du champ magnétique. Nous comparons les champs de vitesse inférés par différentes méthodes, dont un réseau de neurones, afin d'identifier la méthode la mieux adaptée pour générer des observations synthétiques dans une chaîne de réduction des données qui pourraient ensuite être introduites dans notre système pour l'assimilation des données. / Eruptive events of the Sun, which often occur in the context of flares, convert large amounts of magnetic energy into emission and particle acceleration that can have significant impacts on Earth's environment. However, the mechanism responsible for such phenomena is not sufficiently well understood to be able to predict their occurrence. Satellites and ground-based observatories probe the Sun's photosphere, chromosphere and corona and are key in studying solar activity. Numerical models have attempted to bridge the gap between the physics of the solar interior and such observations. The next step for realistic simulations would be to forecast the short term evolution of the Sun's photosphere. The following work explores how notions borrowed from meteorology (e.g., data assimilation) and artificial intelligence (e.g., neural networks) could be used to forecast short term solar activity for space-weather modelling purposes. More specifically, we present an implementation of data assimilation in a radiative MHD model of the Quiet Sun (i.e., in the absence of significant magnetic activity) to forecast its evolution over a short period of time. However, not all model variables are directly observable. For example, direct measurements of plasma motions at the photosphere are limited to the line-of-sight component. Multiple algorithms were consequently developed to reconstruct the transverse component from observed continuum images or magnetograms. We compare velocity fields inferred by different methods, including a neural network, to identify the method best suited to generate instantaneous synthetic observations in a data reduction pipeline that would included in our data assimilation framework.

[pt] A incorporação de dados de produção a modelos de reservatórios é uma etapa fundamental para se estimar adequadamente a recuperação de uma jazida de petróleo e, na última década, o método ensemble smoother with multiple data assimilation (ES-MDA) tem se destacado dentre as estratégias disponíveis para realizar tal tarefa. Entretanto, este é um método que apresenta melhores resultados quando os parâmetros a serem ajustados no modelo são caracterizados por uma distribuição de probabilidades próxima à gaussiana, apresentando um desempenho reduzido ao lidar com o ajuste de parâmetros categóricos, como por exemplo as fácies geológicas. Uma proposta para lidar com esse problema é recorrer a redes de aprendizado profundo, em particular redes para tradução imagem-imagem (I2I), valendo-se da analogia existente entre a representação matricial de imagem e a estrutura em malha das propriedades de um modelo de reservatórios. Assim, é possível adaptar a arquitetura de redes I2I disponíveis e treiná-las para, a partir de uma matriz de parâmetros contínuos que serão ajustados pelo método ES-MDA (como porosidade e permeabilidade), gerar a representação matricial do parâmetro categórico correspondente (fácies), de forma similar à tarefa de segmentação semântica no contexto de imagens. Portanto, o parâmetro categórico seria atualizado de maneira indireta pelo método ES-MDA, sendo a sua reconstrução realizada pela rede I2I. / [en] Reservoir model data assimilation is a key step to properly estimate the final recovery of an oil field and, in the last decade, the ensemble smoother with multiple data assimilation method (ES-MDA) has stood out among all available strategies to perform this task. However, this method achieves better results when model parameters are described by an approximately Gaussian distribution and hence presents reduced performance when dealing with categorical parameters, such as geological facies. An alternative to deal with this issue is to adopt a deep learning based approach, particularly using image-to-image translation (I2I) networks and taking into account the analogy between the matrix representation of images and the reservoir model grid properties. Thus, it is possible to adapt I2I network architectures, training them to generate the categorical parameter (facies) from its correlated continuous properties modified by the ES-MDA method (such as porosity and permeability), similar to semantic segmentation tasks in an image translation context. Therefore, the categorical parameter would be indirectly updated by the ES-MDA method, with its reconstruction carried out by the I2I network.

A deep scientific understanding of complex physical systems, such as the atmosphere, can be achieved neither by direct measurements nor by numerical simulations alone. Data assimilation is a rigorous procedure to fuse information from a priori knowledge of the system state, the physical laws governing the evolution of the system, and real measurements, all with associated error statistics. Data assimilation produces best (a posteriori) estimates of model states and parameter values, and results in considerably improved computer simulations. The acquisition and use of observations in data assimilation raises several important scientific questions related to optimal sensor network design, quantification of data impact, pruning redundant data, and identifying the most beneficial additional observations. These questions originate in operational data assimilation practice, and have started to attract considerable interest in the recent past. This dissertation advances the state of knowledge in four dimensional variational (4D-Var) - data assimilation by developing, implementing, and validating a novel computational framework for estimating observation impact and for optimizing sensor networks. The framework builds on the powerful methodologies of second-order adjoint modeling and the 4D-Var sensitivity equations. Efficient computational approaches for quantifying the observation impact include matrix free linear algebra algorithms and low-rank approximations of the sensitivities to observations. The sensor network configuration problem is formulated as a meta-optimization problem. Best values for parameters such as sensor location are obtained by optimizing a performance criterion, subject to the constraint posed by the 4D-Var optimization. Tractable computational solutions to this "optimization-constrained" optimization problem are provided. The results of this work can be directly applied to the deployment of intelligent sensors and adaptive observations, as well as to reducing the operating costs of measuring networks, while preserving their ability to capture the essential features of the system under consideration. / Ph. D.

The thermally-driven rotating annulus is a laboratory experiment used to study the dynamics of planetary atmospheres under controlled and reproducible conditions. The predictability of this experiment is studied by applying the same principles used to predict the atmosphere. A forecasting system for the annulus is built using the analysis correction method for data assimilation and the breeding method for ensemble generation. The results show that a range of flow regimes with varying complexity can be accurately assimilated, predicted, and studied in this experiment. This framework is also intended to demonstrate a proof-of-concept: that the annulus could be used as a testbed for meteorological techniques under laboratory conditions. First, a regime diagram is created using numerical simulations in order to select points in parameter space to forecast, and a new chaotic flow regime is discovered within it. The two components of the framework are then used as standalone algorithms to measure predictability in the perfect model scenario and to demonstrate data assimilation. With a perfect model, regular flow regimes are found to be predictable until the end of the forecasts, and chaotic regimes are predictable over hundreds of seconds. There is a difference in the way predictability is lost between low-order chaotic regimes and high-order chaos. Analysis correction is shown to be accurate in both regular and chaotic regimes, with residual velocity errors about 3-8 times the observational error. Specific assimilation scenarios studied include information propagation from data-rich to data-poor areas, assimilation of vortex shedding observations, and assimilation over regime and rotation rate transitions. The full framework is used to predict regular and chaotic flow, verifying the forecasts against laboratory data. The steady wave forecasts perform well, and are predictable until the end of the available data. The amplitude and structural vacillation forecasts lose quality and skill by a combination of wave drift and wavenumber transition. Amplitude vacillation is predictable up to several hundred seconds ahead, and structural vacillation is predictable for a few hundred seconds.