Caractérisation de régimes océaniques à partir de dynamiques de fronts océaniques Données interpolées Détection/suivi structures frontales Statistiques des structures frontales: régimes océaniques assimilation
• Inversion du modèle Notre approche: • Assimilation variationnelle multimodale, multi-résolution t t t t X P Y η + = observation bruit Gaussien état non observé Convolution-Projection
Traditionnelles • Approches par Kriggeage basée sur la modélisation du variogramme spatial - Limites: hypothèse de stationnarité, pas de modélisation explicite de la dynamique temporelle • Filtres de Kalman: - Limites: hypothèse de linéarité et de Gaussianité, dimensionnalité de la matrice de covariance • Méthodes par échantillonnage: ensemble de filtre de Kalman, filtrage particulaire - Limites: dimensionalité de l’espace d’état, temps d’échantillonnage
+ = + + ∂ + + ∂ ∆ − ∇ = t t g a g g a t X X u u M u u M u u M ϑ ω ω ω ω θ θ ξ κ ξ ξ 0 g t 0 )) ( , ( )) ( , ( ) , ( ) ( ) ( ) , , ( ) , ( ) , , ( θ ω ω θ ω θ ω θ geom g Dynamic a g Dynamic g Obs a g E E u E E u J + + + = observation consistance temporelle a g a g u u X ω θ ω θ ) , , ( = SST multi-resolution, CHL vorticité géostrophique (altimétrie) vitesse a-géostrophique Coût variationel: Espace d’état: Modèle dynamique: contrainte géométrique
dynamique Problème variationel ∫ ∫ ∫ − − − ∂ + − ∂ + = f f f t t Q g g t t t Q t t t g t a g u M dt u M dt E u J 0 1 0 1 0 2 2 ) , ( ) , ( ) , ( ) , , ( ω θ ω ω θ θ ω θ ω θ modèle d’observation modèle dynamique 2 2 1 2 2 1 ) , ( g g P Y P Y E ω σ θ σ ω θ ω ω ω θ θ θ − + − = − − observation SST observation altimétrie
Dynamique sous jacentes commune • Variables géophysiques toutes soumises à la circulation océanique • Structures grandes échelles visibles: marqueurs de la dynamique sous jacente - Principales structures frontales similaires Contrainte géométrique sur les structures frontales • SST REMSS: peu dégradée, référence • SST METOP, CHL MERIS: très dégradées - variables contraintes Contrainte géométrique: dp w E geom ∫ Ω ⊥ > ∇ ∇ ∇ ∇ < ∇ = 1 1 2 2 1 2 1 , ) ( ) , ( θ θ θ θ θ θ θ seule la géométrie est similaire, pas la valeur
directe: • Calculer les dérivées directionnelles du coût • Trouver la solution qui annule les dérivées directionnelles • Limite: très couteux dans les espaces dans grandes dimensions Solution indirecte: • Assimilation variationnelle de données Principe: • introduction de la variable adjointe • Calcul du gradient équivaut à faire: - Une intégration arrière de la variable adjointe - Suivie d’une intégration avant des variations de l’état )) ( ( ) ( 1 X M X Q t t + ∂ = − λ
intégration avant à partir d’un état initial 2. Intégration arrière des variables adjointes 3. Valeur initiale du gradient du coût 4. Intégration avant des variations de l’état 5. Mise à jour de l’état 6. Retourner à 2 et itérer jusqu’a convergence 0 ) ~ ( ~ ) ( , 0 0 = + ∂ = X M X X t X t E M X X t ~ * ~ ) ( δ λ δ λ − = + ∂ ) ( ) ( 0 0 t B t dX λ = ) ( ) ( ~ t Q dX M dX X t λ δ = + ∂ t t t dX X X α + = ~ ~ Adjoint gradient modèle dynamique Gradient modèle dynamique
IGARSS 2010,2012; IEEE ICIP 2010,2011; RFIA 2012 • Revues: IEEE GSRS Letter 2012, Traitement du Signal 2012, IEEE transactions on GSRS • Cf site web Telecom Bretagne/Publications Travaux futurs: • Modèles dynamiques et contraintes géométriques plus sophistiqués - Modèle spécifique pour chaque variable (température, chlorophylle) • Analyse géophysiques des variables obtenues - Décomposition de la vitesse: vent, gravité-topographie, pression, température (régimes océaniques) • Construction de relations directes entre variables par apprentissage statistique Merci pour votre attention Question & Commentaires
scee_team
datascientistsociety
skydats
matsumooon
nttcom
shunk031
kohei_1979
sokikatayama
mela_dayo
prinlab
.png){kind=avatar}
satai
rikkabotan7
fr0gger
ryanjones
baasie
marktimemedia
cromwellryan
aleyda
techseoconnect
kimpetersen
ipullrank
codingconduct
pwiseman
gurzu
ivargrimstad
