{"id":1299,"date":"2026-08-21T14:31:12","date_gmt":"2026-08-21T14:31:12","guid":{"rendered":"https:\/\/matforge.org\/?p=1299","raw":"https:\/\/matforge.org\/?p=1299"},"modified":"2026-08-21T14:31:12","modified_gmt":"2026-08-21T14:31:12","slug":"data-assimilation-methods-scientific-modeling","status":"publish","type":"post","link":"https:\/\/matforge.org\/fr\/data-assimilation-methods-scientific-modeling\/","title":{"rendered":"M\u00e9thodes d’assimilation des donn\u00e9es\u00a0: un guide pour les scientifiques informatiques","raw":"M\u00e9thodes d'assimilation des donn\u00e9es\u00a0: un guide pour les scientifiques informatiques"},"content":{"rendered":"Reading Time: <\/span> 15<\/span> minutes<\/span><\/span>

Qu’est-ce que l’assimilation des donn\u00e9es ?<\/h2>\n

L’assimilation des donn\u00e9es est la discipline math\u00e9matique consistant \u00e0 fusionner de mani\u00e8re optimale les pr\u00e9visions de mod\u00e8les num\u00e9riques avec des donn\u00e9es d’observation pour produire des estimations d’\u00e9tat pr\u00e9cises et une am\u00e9lioration des caract\u00e9risations. \u00c0 la base, il combine ce que votre mod\u00e8le pr\u00e9dit avec ce que vous mesurez r\u00e9ellement – en utilisant l’inf\u00e9rence bay\u00e9sienne pour affiner en continu \u00e0 la fois l’\u00e9tat et les param\u00e8tres de votre simulation.<\/p>\n

Si vous travaillez avec des mod\u00e8les de calcul, vous avez probablement \u00e9t\u00e9 confront\u00e9 \u00e0 cette situation : votre simulation produit une dynamique raisonnable, mais les conditions ou param\u00e8tres initiaux sont incertains. Les donn\u00e9es d’observation existent quelque part – \u00e0 partir de mesures de laboratoire, de lectures de capteurs ou d’observations exp\u00e9rimentales – mais votre mod\u00e8le n’en apprend jamais de mani\u00e8re fond\u00e9e des principes. Les m\u00e9thodes d’assimilation des donn\u00e9es comblent cet \u00e9cart.<\/p>\n

DA est mieux compris gr\u00e2ce au Cycle de mise \u00e0 jour des pr\u00e9visions-pr\u00e9visions et de la mise \u00e0 jour<\/strong> :<\/p>\n

    \n
  1. Pr\u00e9visions :<\/strong> Ex\u00e9cutez votre mod\u00e8le \u00e0 partir de l’estimation de l’\u00e9tat actuel<\/li>\n
  2. observez :<\/strong> Comparez la sortie du mod\u00e8le avec les mesures r\u00e9elles \u00e0 ce moment-l\u00e0<\/li>\n
  3. Mise \u00e0 jour :<\/strong> Combinez les pr\u00e9visions et les observations \u00e0 l’aide d’un cadre statistique pour produire une estimation d’\u00e9tat raffin\u00e9e<\/li>\n<\/ol>\n

    Ce cycle se r\u00e9p\u00e8te \u00e0 chaque pas de temps d’observation, cr\u00e9ant une cha\u00eene d’estimations am\u00e9lior\u00e9es dans le temps. Le r\u00e9sultat n’est pas seulement une meilleure estimation de l’\u00e9tat, c’est une quantification de l’incertitude qui se propage \u00e0 travers le mod\u00e8le.<\/p>\n

    L’assimilation des donn\u00e9es se situe \u00e0 l’intersection de deux sujets fondamentaux d\u00e9j\u00e0 abord\u00e9s sur Matforge. Il \u00e9tend les probl\u00e8mes inverses<\/strong> (post 513) en ajoutant la nature s\u00e9quentielle et temporelle de l’estimation de l’\u00e9tat, et s’appuie sur la quantification d’incertitude<\/strong> (post 479) en produisant non seulement des param\u00e8tres. Estimations mais distributions compl\u00e8tes dans le temps. La compr\u00e9hension de DA est donc naturelle apr\u00e8s avoir parcouru ces messages.<\/p>\n

    Les m\u00e9thodes appartiennent \u00e0 quatre grandes familles. Les m\u00e9thodes variationnelles minimisent les fonctions de co\u00fbt formelles. Les m\u00e9thodes d’ensemble utilisent l’\u00e9chantillonnage de Monte Carlo pour approximer les mises \u00e0 jour bay\u00e9siennes. Les filtres \u00e0 particules traitent des probl\u00e8mes fortement non gaussiens gr\u00e2ce \u00e0 un \u00e9chantillonnage d’importance s\u00e9quentielle. Les approches hybrides combinent plusieurs familles ou int\u00e8grent l’apprentissage automatique pour g\u00e9rer les erreurs de mod\u00e8le et les observations clairsem\u00e9es. Ce guide explique chaque famille, montre les impl\u00e9mentations concr\u00e8tes de Python et introduit un domaine d’application \u00e9mergent dans la science des mat\u00e9riaux informatiques.<\/p>\n

    \n

    Comparaison des m\u00e9thodes DA<\/h2>\n

    Avant de plonger dans les d\u00e9tails, voici une comparaison pratique des principales approches d’assimilation des donn\u00e9es :<\/p>\n\n\n\n\n\n\n\n\n\n\n\n
    M\u00e9thode<\/th>\ndimensionnalit\u00e9 typique<\/th>\nAdjoint requis ?<\/th>\nCo\u00fbt de calcul<\/th>\nAssistance non gaussienne<\/th>\n<\/tr>\n<\/thead>\n
    3d-var<\/td>\nFaible-mod\u00e9r\u00e9<\/td>\nNon<\/td>\nFaible-mod\u00e9r\u00e9<\/td>\nLimit\u00e9 (pr\u00e9c\u00e9dent gaussien)<\/td>\n<\/tr>\n
    Var 4D<\/td>\nFaible-mod\u00e9r\u00e9<\/td>\nOui<\/td>\nHaut<\/td>\nLimit\u00e9 (pr\u00e9c\u00e9dent gaussien)<\/td>\n<\/tr>\n
    ENKF \/ LETKF<\/td>\nHaut<\/td>\nNon<\/td>\nMod\u00e9r\u00e9\u2013\u00c9lev\u00e9<\/td>\nLimit\u00e9 (gaussien)<\/td>\n<\/tr>\n
    ES-MDA<\/td>\nHaut<\/td>\nNon<\/td>\nMod\u00e9r\u00e9\u2013\u00c9lev\u00e9<\/td>\nLimit\u00e9 (gaussien)<\/td>\n<\/tr>\n
    filtre \u00e0 particules<\/td>\nTout<\/td>\nNon<\/td>\nTr\u00e8s haut<\/td>\nExcellent<\/td>\n<\/tr>\n
    PF group\u00e9<\/td>\nHaut<\/td>\nNon<\/td>\nHaut<\/td>\nExcellent<\/td>\n<\/tr>\n
    EN4DVAR \/ 4DENVAR<\/td>\nHaut<\/td>\nNon (g\u00e9n\u00e9ralement)<\/td>\nMod\u00e9r\u00e9\u2013\u00c9lev\u00e9<\/td>\nLimit\u00e9<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

    Cl\u00e9 \u00e0 retenir :<\/strong> Le choix n’est pas de savoir quelle m\u00e9thode est la \u00ab\u00a0meilleure\u00a0\u00bb : il s’agit de faire correspondre la m\u00e9thode \u00e0 la dimensionnalit\u00e9 de votre probl\u00e8me, de savoir si vous avez la capacit\u00e9 adjointe et si vos quantit\u00e9s sont bien approximatives par les distributions gaussiennes. Les sections suivantes expliquent chaque famille en d\u00e9tail.<\/p>\n

    \n

    M\u00e9thodes variationnelles : 3D-Var et 4D-Var<\/h2>\n

    Les m\u00e9thodes variationnelles formulent l’assimilation des donn\u00e9es comme un probl\u00e8me d’optimisation. Au lieu d’\u00e9chantillonner des membres d’ensemble, ils recherchent l’\u00e9tat du mod\u00e8le (et \u00e9ventuellement des param\u00e8tres) qui minimise une fonction de co\u00fbt formelle :<\/p>\n

    J(x) = (x - x_b)\u1d40 P\u207b\u00b9 (x - x_b) + (y - H(x))\u1d40 R\u207b\u00b9 (y - H(x))\n<\/code><\/pre>\n
    Le premier terme mesure l’inad\u00e9quation de l’estimation de l’arri\u00e8re-plan (prioritaire), pond\u00e9r\u00e9e par la covariance de l’erreur de fond. Le deuxi\u00e8me terme mesure l’inad\u00e9quation des observations, pond\u00e9r\u00e9e par la covariance des erreurs d’observation. Le minimiseur de J(x)<\/code> est l’estimation maximale a posteriori (carte) sous les hypoth\u00e8ses gaussiennes.<\/p>\n
    3d-var<\/h3>\n
    L’assimilation variationnelle tridimensionnelle (3D-Var) suppose que les observations sont assimil\u00e9es en un seul temps et que la covariance de fond est statique. Il minimise la fonction de co\u00fbt par rapport \u00e0 l’\u00e9tat initial uniquement. Le r\u00e9sultat est plus l\u00e9ger en termes de calcul que 4D-Var car il ne tient pas compte de la dynamique du mod\u00e8le entre les temps d’observation.<\/p>\n
    3D-VAR est attrayant lorsque :<\/p>\n