Cette these etudie des methodes d'assimilation de donnees par filtrage particulaire a l'estimation d'ecoulements fluides observes au travers de sequences d'images. Nous nous appuyons sur un filtre particulaire specifique dont la distribution de proposition est donnee par un filtre de Kalman d'ensemble, nomme filtre de Kalman d'ensemble pondere. Deux variations a celui-ci sont introduites et etudiees. La premiere consiste a utiliser un bruit dynamique (permettant de modeliser l'incertitude du modele et de separer les particules entre elles) dont la forme spatiale suit une loi de puissance, coherente avec la theorie phenomenologique de la turbulence. La deuxieme variation repose sur un schema d'assimilation multi-echelles introduisant un mecanisme de raffinements successifs a partir d'observations a des echelles de plus en plus petites. Ces deux methodes ont ete testees sur des sequences synthetiques et experimentales d'ecoulements 2D incompressibles. Ces resultats montrent un gain important sur l'erreur quadratique moyenne. Elles ont ensuite ete testees sur des sequences d'images satellite reelles. Sur les images reelles, une bonne coherence temporelle est observee, ainsi qu'un bon suivi des structures de vortex. L'assimilation multi-echelles montre un gain visible sur le nombre d'echelles reconstruites. Quelques variations additionnelles sont aussi presentees et testees afin de s'affranchir de problemes importants rencontres dans un contexte satellitaire reel. Il s'agit notamment de la prise en compte de donnees manquantes sur les images de temperature de surface de l'ocean. En dernier lieu, une experience d'un filtre de Kalman d'ensemble pondere avec un modele oceanique complet est presentee pour une assimilation de champs de courants de surface en mer d'Iroise, a l'embouchure de la Manche. Quelques autres pistes d'amelioration sont egalement esquissees et testees.
This paper proposes a novel multi-scale fluid flow data assimilation approach, which integrates and complements the advantages of a Bayesian sequential assimilation technique, the Weighted Ensemble Kalman filter (WEnKF) [27].The data assimilation proposed in this work incorporates measurement brought by an efficient multiscale stochastic formulation of the well-known Lucas-Kanade (LK) estimator.This estimator has the great advantage to provide uncertainties associated to the motion measurements at different scales.The proposed assimilation scheme benefits from this multiscale uncertainty information and enables to enforce a physically plausible dynamical consistency of the estimated motion fields along the image sequence.Experimental evaluations are presented on synthetic and real fluid flow sequences.
This study proposes an extension of the Weighted Ensemble Kalman filter (WEnKF) proposed by Papadakis et al. (2010) for the assimilation of image observations. The main focus of this study is on a novel formulation of the Weighted filter with the Ensemble Transform Kalman filter (WETKF), incorporating directly as a measurement model a non-linear image reconstruction criterion. This technique has been compared to the original WEnKF on numerical and real world data of 2-D turbulence observed through the transport of a passive scalar. In particular, it has been applied for the reconstruction of oceanic surface current vorticity fields from sea surface temperature (SST) satellite data. This latter technique enables a consistent recovery along time of oceanic surface currents and vorticity maps in presence of large missing data areas and strong noise.
This paper presents a novel, efficient scheme for the analysis of Sea Surface Temperature (SST) ocean images. We consider the estimation of the velocity fields and vorticity values from a sequence of oceanic images. The contribution of this paper lies in proposing a novel, robust and simple approach based on Weighted Ensemble Transform Kalman filter (WETKF) data assimilation technique for the analysis of real SST images, that may contain coast regions or large areas of missing data due to the cloud cover.
