AbstractsBiology & Animal Science

Cette thèse a développé et mis en œuvre des algorithmes itératifs d'assimilation de données pour un modèle d'océan aux équations primitives, et les a comparés avec d'autres méthodes d'AD bien établis tels que le 4Dvar et le Singular Evolutive Extended Kalman (SEEK) Filtre /lisseur. Le modèle numérique utilisé est le modèle NEMO. Il a été configuré pour simuler la circulation typique subtropicale en double gyre. Les nouveaux algorithmes itératifs proposés, semblables au Nudging direct et rétrograde - BFN, sont tous basés sur une séquence d'intégrations alternées du modèle direct et rétrograde. Ce sont le ``Backward Smoother'' (BS), qui utilise le modèle rétrograde pour propager librement des observations "futures" en rétrograde dans le temps, et le ``Back and Forth Kalman Filter'' (BFKF), qui utilise également le modèle rétrograde pour propager les observations en arrière dans le temps, mais qui à chaque fois qu'un lot d'observations est disponible, réalise une étape de mise à jour du système similaire à l'étape de mise à jour du filtre SEEK. Le formalisme Bayésien a été utilisé pour dériver ces méthodes, ce qui signifie qu'ils peuvent être utilisés avec n'importe quelle méthode qui estime la probabilité postérieure du système par des méthodes séquentielles. Les résultats montrent que l'avantage principal des méthodes basées sur le BFN est l'utilisation du modèle rétrograde pour propager les informations des observations en arrière dans le temps. This thesis developed and implemented iterative data assimilation algorithms for a primitive equation ocean model, and compared them with other well established DA methods such as the 4Dvar and the Singular Evolutive Extended Kalman (SEEK) Filter/Smoother. The new proposed iterative algorithms, similarly to the Back and Forth Nudging (BFN), are all based on a sequence of alternating forward and backward model integrations. Namely, they are the Backward Smoother (BS), which uses the backward model to freely propagate “future” observations backward in time, and the Back and Forth Kalman Filter, which also uses the backward model to propagate the observations backward in time but, at every time an observation batch is available, an update step similar to the SEEK filter step is carried out. The Bayesian formalism was used to derive these methods, which means that they may be used with any algorithm that estimates the “a posteriori” conditional probability of the model state by means of sequential methods. The results show that the main advantage of the methods based on the BFN is the use of the backward model to propagate the observation informations backward in time. By this way, it avoids the use of the adjoint model, needed by the 4Dvar, and of unknown temporal correlations, needed by the Kalman Smoother, to produce initial states or past model trajectories. The advantages of using the Back and Forth (BF) idea rely on the implicit use of the unstable forward subspace, which became stable when stepping backwards, that allows the errors components projecting onto this…