The primal and dual forms of variational data assimilation in the presence of model error
Amal El Akkraoui · container not stated · 2010
Not cached yet. This record was fetched live for this request and is stored after the lookup. Reopening the page should serve the cached copy.
· OpenAlex · dissertation · 2010
Abstract
L'objectif de l'assimilation de données est de trouver une estimation optimale de l'état de l'atmosphère à un moment donné en utilisant toute l'information disponible à travers et les observations et les connaissances sur les lois dynamiques et physiques qui gouvernent l'atmosphère. Différentes méthodes sont utilisées à cette fin, dont la majorité sont basées sur les principes de l'estimation statistique. Les méthodes variationnelles en sont un exemple et sont actuellement implémentées dans les grands centres de prévision numérique du temps.
Deux formes peuvent être utilisées pour résoudre le problème d'assimilation variationnelle : la primale (3D/4D-Var) qui est définie dans l'espace du modèle et la duale (3D/4D-PSAS) qui est définie dans l'espace des observations. Les deux variantes sont en théorie équivalentes à la convergence et dans le cas linéaire, et sont supposées avoir un comportement de convergence similaire. Dans cette thèse, l'équivalence est confirmée dans un cadre opérationnel, et les propriétés de la convergence étudiées pour les cas tri- et quadri-dimensionnels (3D et 4D).
Alors que les résultats à la convergence confirment l'équivalence théorique, la convergence de la méthode duale présente un comportement étrange pendant les premières itérations de la minimisation, ce qui produit des états moins probables que l'ébauche et cela prend quelques iterations avant de retrouver des états dont la probabilité est comparable à celle de l'ébauche. Ce comportement est inquiétant puisque les implémentations opérationnelles ne peuvent se permettre qu'un nombre limité d'itérations.
L'examen de ce problème a montré qu'il peut être évité en utilisant des schémas de minimisation tels que les méthodes à résidu minimum (Minres) qui réduisent monotoniquement la norme du gradient au lieu de la fonction objective elle même. Ainsi, les itérés de la minimisation duale avec Minres conduisent à des états de plus en plus probables. Une relation est formulées montrant que la fonction primale est liée à la valeur de la fonction duale ainsi que celle de la norme de son gradient. Cela est valide pour les formes incrémentales dans les cas 3D et 4D.
Aussi, la comparaison entre les formes primale et duale a-t-elle été effectuée dans le cadre d'un système bi-dimensionnel en contrainte faible pour tenir compte des erreurs modèle dans le processus d'assimilation. Une forme duale du 4D-Var contrainte faible a été formulée et les résultats montrent que les deux méthodes convergent à la même solution et avec un taux de convergence similaire. Comme dans les autres cas précédents, l'algorithme dual est encore sensible au choix du minimiseur, et profite des propriétés de Minres pour éviter de produire des incréments non physiques pendant les premières itérations.
Les vecteurs singuliers des Hessiennes des méthodes primales et duales sont utilisés pour améliorer le pré-conditionnement de la minimisation et pour établir un lien entre les Hessiennes, ce qui s'avère être déterminant dans la solution de cyclage de la Hessienne duale à la fenêtre d'assimilation suivante. Cette propriété reste aussi valide dans le cas de la contrainte faible où la dimension réduite de la variable de contrôle dans le cas dual peut être bénéfique. Cela est d'autant plus intéressant que la fenêtre d'assimilation est appelée à s'élargir.
Open the resolved locator · 10.82308/45877
Metadata licence: OpenAlex metadata (CC0)