Modèles stochastiques de mesures archéomagnétiques

Stochastic modeling of archeomagnetic measurements

• Auteur / Autrice : Gabrielle Hellio
• Direction : Dominique Jault, Nicolas Gillet, Claire Bouligand
• Type : Thèse de doctorat
• Discipline(s) : Terre solide
• Date : Soutenance le 29/01/2015
• Etablissement(s) : Université Grenoble Alpes (ComUE)
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre, de l’environnement et des planètes (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Institut des sciences de la Terre (Grenoble) - Institut des sciences de la Terre (Grenoble)
• Jury : Président / Présidente : Gauthier Hulot
• Jury : Examinateurs / Examinatrices : Dominique Jault, Nicolas Gillet, Claire Bouligand
• Jury : Rapporteurs / Rapporteuses : Philippe Lanos, Mathieu Dumberry

Mots clés

Mots clés contrôlés

Géomagnétisme

Mots clés libres

Géomagnétisme

Dynamique du noyau

Problème inverse

Archéomagnétisme

Geomagnetism

Core dynamics

Inverse problem

Archeomagnetism

Résumé

Cette thèse porte sur la construction de modèles stochastiques, régionaux et globaux du champ magnétique sur les quatre derniers millénaires à l'aide de mesures archéomagnétiques. Ces données présentent une répartition spatiale et temporelle très inhomogène, et sont caractérisées par de fortes incertitudes sur la mesure et sur la date. La reconstruction du champ constitue alors un problème inverse mal posé. Afin de déterminer la solution la plus adaptée, une information a priori sur le modèle doit être choisie. Elle consiste généralement en une régularisation arbitraire du champ magnétique (lissage en temps et en espace). Contrairement aux études précédentes, nous utilisons les statistiques temporelles du champ magnétique, dérivées des données d'observatoires, satellitaires et paléomagnétiques pour définir l'information a priori via des fonctions d'auto-covariances. Ces statistiques sont confirmées par des résultats issus de simulations numériques. Cette méthode bayésienne permet de s'affranchir de l'utilisation de fonctions supports arbitraires comme les splines pour l'interpolation temporelle. Le résultat final consiste en un ensemble de réalisations possibles du champ magnétique dont la dispersion caractérise l'incertitude sur le modèle. Afin de prendre en compte les erreurs de datation, nous développons par ailleurs une méthode basée sur l'utilisation de Markov Chain Monte Carlo (MCMC). Elle nous permet d'explorer de manière efficace l'espace des dates possibles et ainsi de sélectionner les modèles les plus probables. Cette méthode est une amélioration de la méthode de bootstrap classique, qui donne le même poids à des tirages aléatoires de dates présentant des probabilités très variables. Les ensembles de réalisations sélectionnés par la méthode MCMC aboutissent à la construction d'une densité de probabilités en lieu et place d'une courbe unique. La méthode bayésienne combinée à la méthode Markov Chain Monte Carlo nous a permis de construire des courbes régionales présentant des variations plus rapides que celles obtenues par d'autres études. Les courbes représentées sous forme de densités de probabilités ne sont pas nécessairement gaussiennes, et la méthode permet d'affiner l'estimation de l'âge de chacune des observations. La méthode bayésienne a été utilisée pour la construction de modèles globaux pour lesquels le dipôle axial présente des variations plus rapides que celui obtenu par de précédentes études. D'autre part, le champ magnétique obtenu pour les époques les plus récentes est raisonnablement similaire à celui construit à partir de mesures directes (satellites, observatoires, historiques) malgré des données beaucoup moins nombreuses et une répartition beaucoup moins homogène. Les modèles issus de cette étude offrent une alternative aux modèles existants régularisés, et pourront servir dans un objectif d'assimilation de données avec des modèles de la dynamique dans le noyau terrestre.

The aim of this thesis is to build stochastic models of the magnetic field for the last four millenia from archeomagnetic measurements. The sparse repartition of these data in space and time, and their associated large measurement and dating errors lead to an ill-posed problem. To determine the best solution, one needs to choose some prior information which consists usually on arbitrary regularizations in space and time. Instead, we use the temporal statistics of the geomagnetic field available from satellites, observatories and paleomagnetic measurements, and validated by numerical simulations, to define our prior information via auto-covariance functions. This bayesian method allows to get rid of arbitrary support functions, like splines, usually necessary to interpolate the model in time. The result consists in an ensemble of several possible realizations of the magnetic field. The ensemble dispersion represents the model uncertainties. We find that the methodology can be adapted to account for the age uncertainties and we use Markov Chain Monte Carlo to explore the possible dates of observations. This method improves the bootstrap method which gives the same weight to every draws of dates presenting very disparate probabilities. Each ensemble of realizations is then constructed from each selected model and the result is presented as a probability density function. The bayesian method together with the Markov Chain Monte Carlo provides regional time series with rapid variations compared to previous studies. We find that the possible values of geomagnetic field elements are not necessarily normally distributed. Another output of the model is better age estimates of archeological artefacts. The bayesian method has been used to build global models for which the axial dipole presents more rapid variations than for previous studies. Moreover, the obtained magnetic field displays reasonably similar behavior than models obtained from direct measurements (satellites, observatories, historical), despite very few data and sparser repartition. Models obtained from this study offer an alternative to published regularized models and can be used in a purpose of data assimilation together with dynamical models in the Earth's core.