Une nouvelle méthode d'assimilation de données : le Back and Forth Nudging

par Patrick Bansart

Thèse de doctorat en Mathématiques

Sous la direction de Jacques Blum et de Jacques Verron.

Soutenue en 2011

à Nice .


  • Résumé

    Le Back and Forth Nudging (BFN) est un nouvel algorithme d’assimilation de données. A l’instar des algorithmes d’assimilation de données préexistants, son rôle est de combiner de façon optimale deux sources d’information d’un système physique : les observations disponibles d’une part et les équations du modèle d’autre part. Un des principaux objectifs de l’assimilation de données est l’estimation de la condition initiale qui est une phase nécessaire pour obtenir des prévisions, notamment en géophysique, domaine dans lequel les modèles sont régis par des phénomènes chaotiques. Ce travail s’inscrit dans une démarche comparative visant à mettre en évidence les atouts et les carences potentiels du BFN. Les deux premiers modèles sur lesquels le BFN a été appliqué dans notre travail sont le système de Lorenz et l’équation unidimensionnelle de Burgers. Ces modèles sont des modèles simples couramment utilisés comme premiers tests car ils sont tous deux non linéaires et chaotiques. Sur ces modèles, les résultats du BFN ont été comparés à ceux fournis par un algorithme de type variationnel. La seconde phase de travail a consisté en l’application du BFN à un modèle réaliste aux équations primitives de l’océan. La mise en œuvre a été effectuée sur NEMO (Nucleus for European Modelling of the Ocean), modèle actuellement utilisé pour l’océanographie opérationnelle. Les différentes méthodes d’assimilation de données étaient encore en phase de développement sur NEMO, la comparaison a simplement été effectuée entre le BFN et le nudging standard.

  • Titre traduit

    ˜A œnew method for data assimilation : the Back and Forth Nudging


  • Résumé

    The Back and Forth Nudging (BFN) is a new data assimilation algorithm. Like preexisting data assimilation algorithms, its goal is to combine optimally two sources of information o a physical system : available observations on the one hand and model equations on the other hand. One of the main purposes of data assimilation is the estimation of the initial condition which is an essential step in order to get forecasts, particularly in geophysics where the models are ruled by chaotic phenomena. This work is based on comparative study aiming at highlighting the potentials advantages and lacks of the BFN. The first two models on which the BFM has been applied in this work are the Lorenz system and the unidimensional Burger’s equation. These models are simple models ordinarily used as initial tests since they are both nonlinear and chaotic. On these models, the results of the BFM have been compared to the one provided by a variational algorithm. The second part of this work has consisted in applying the BFM to a realistic primitive equation ocean circulation model. The implementation has been made on NEMO (Nucleus for European Modeling of the Ocean), which is currently used for operational oceanography. The different data assimilation methods still being in process on NEMO, the comparison has merely been carried out between the BFN and the standard nudging.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (162 p.)
  • Annexes : Bibliogr. p. 159-162. Résumés en français et en anglais

Où se trouve cette thèse ?

  • Bibliothèque : Université Nice Sophia Antipolis. Service commun de la documentation. Section Sciences.
  • Non disponible pour le PEB
  • Cote : 11NICE4066
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.