Vous êtes sur la page 1sur 314

THSE

En vue de l'obtention du

DOCTORAT DE LUNIVERSIT DE TOULOUSE


Dlivr par l'Universit Toulouse III - Paul Sabatier Discipline : Mathmatiques Appliques

Prsente et soutenue par Christophe Baehr Le 23 septembre 2008 Titre : Modlisation probabiliste des coulements atmosphriques turbulents afin d'en filtrer la mesure par approche particulaire

JURY Franois le Gland INRIA Rennes Prsident Denis Talay INRIA Sophia-Antipolis Rapporteur Etienne Mmin Universit de Rennes I Rapporteur Pierre Del Moral INRIA Bordeaux Directeur Dominique Bakry Universit Toulouse III Directeur Jean-Louis Brenguier Mto-France Toulouse Directeur Jean Pailleux Mto-France Toulouse Examinateur Komla Domelevo Universit Toulouse III Examinateur

Ecole doctorale : Mathmatiques, Informatique, Tlcommunications de Toulouse Unit de recherche : Institut de Mathmatiques de Toulouse Directeur(s) de Thse : Pierre Del Moral, Dominique Bakry et Jean-Louis Brenguier

Avant-propos et remerciements
Cette thse en Mathmatiques Appliques, mme si elle sinscrit dans mon travail de recherche au Centre National de Recherches Mtorologiques (CNRM) de Mto-France Toulouse, marque pour moi une tape importante dans un parcours universitaire commenc il y a bien longtemps. En nous attaquant un problme rput inabordable, nous avons pu dfricher un domaine, le formaliser mathmatiquement, au moins partiellement, donner des premires solutions et des pistes pour des dveloppements futurs. La route est encore longue et pleine de chausse-trappe, avec des problmes nouveaux qui simposeront nous. Ce travail mathmatique passionnant nous occupera encore pour un bon nombre danne, cette thse nest en fait quun commencement. Une recherche mme quand elle est luvre dune personne et en fait celle de toute une quipe qui il faut exprimer une reconnaissance et une relle gratitude. Sans faire un chantillonnage dimportance, je commencerai tout de mme par remercier chaleureusement Pierre Del Moral, Directeur de Recherche lINRIA de Bordeaux-Sud Ouest, qui a accept la direction scientique de ce travail de thse et a su minitier la conduite dune exploration autonome. Jai beaucoup appris auprs de Pierre, je lui dois aussi une grande libert de rexion et de choix qui ont permis de marmer dans cette recherche. Je remercie de manire gale Dominique Bakry, Professeur de lUniversit Toulouse III - Paul Sabatier et Responsable du Laboratoire de Statistique et Probabilits (IMT/LSP) qui a co-dirig avec un rle plus administratif, ce qui ne nous a pas empch davoir de longues conversations o je pouvais progresser par son propre questionnement, et aussi Jean-Louis Brenguier, Directeur du Groupe de Mtorologie Exprimentale et Instrumentale (GMEI) du CNRM, qui a t codirecteur pour Mto-France et ma en permanence rappel limportance dtre audible des non-spcialistes.

ii Tout ceci a abouti une soutenance, je tiens signier mon respect et ma gratitude Denis Talay, Directeur de Recherche lINRIA de Nice-Sophia Antipolis et Etienne Mmin, Matre de Confrences Habilit lUniversit de Rennes I pour leur rapport dvaluation encourageant, ainsi qu Franois Le Gland, Directeur de Recherche lIRISA de Rennes, qui a accept dtre prsident du Jury, assist de Jean Pailleux Directeur Adjoint du CNRM Toulouse et de Komla Domelevo, Matre de Confrence Habilit lUniversit Toulouse III - Paul Sabatier qui ensemble ont form un jury devant lequel il a t agrable de prsenter. Je voudrais ici exprimer ma reconnaissance Jean Pailleux qui a fait une lecture scrupuleuse et prcieuse du manuscrit.

Il mest aussi agrablement de remercier les diverses personnes avec qui jai pu avoir des discussions pleines denseignements, Mireille Bossy de lINRIA de Sophia, Franois Bolley de lUniversit Paris-Dauphine, Serge Cohen de lUniversit Paul Sabatier, Anne Cuzol de lUniversit de Bretagne Sud, et surtout, et de nouveau Franois Le Gland avec qui jai dmarr ltude des processus champ moyen. De leurs propos sont nes quelques-unes des ides prsentes dans ce mmoire.

Il est essentiellement de confronter ses ides au jugement des autres, mais aussi dtre attentif aux conceptions dautrui. Je remercie pour cela le groupe de travail sur la mcanique des uides conjoint lIMT/MIP et lINSA de Toulouse et essentiellement Violaine Rousset-Michon, Philippe Villedieu et de nouveau Komla Domelevo. Dans ces rencontres, lIMT/LSP nest pas en reste avec son groupe de travail modlisation probabiliste et son sminaire de probabilits et je remercie particulirement Franck Barthe, Fabrice Baudoin et Thierry Delmotte.

Jai pour le moment beaucoup parl du monde universitaire mais il est convenant que jadresse maintenant un hommage appuy Mto-France, son Centre de Recherches, de mavoir permis, dans le cadre de mes fonctions et pour rpondre une problmatique de recherche, de repartir sur les bancs de lUniversit, dabord pour le DEA de Mathmatiques Appliques puis pour cette thse de doctorat. Je remercie en premier lieu Jol Poitevin, Directeur Adjoint du CNRM de mavoir encourag dans cette dmarche et Jean-Louis Brenguier et Bruno Piguet, responsable de lquipe de traitement du signal pour le GMEI, davoir accept cet axe de travail que javais propos et lobligation de formation qui allait avec. Bruno est un spcialiste du traitement des donnes exprimentales en mtorologie, le

iii dialogue permanent qui sest instaur entre nous a t un atout majeur dans laboutissement de cette thse.

Jadresse un remerciement chaleureux Olivier Pannekoucke du groupe de modlisation du CNRM qui ma pass son code de generation dun champ turbulent 2D sous Scilab qui illustre la n du chapitre 7, et pour les discussions enthousiastes que jai pu avoir avec lui.

Je remercie sans retenue 4M, lquipe de GMEI qui opre les capteurs dont les mesures ont servis dans ce mmoire, et nommment Dominique Legain, Jol Barri, Eric Moulin, Gilles Bouhours, David Suquia qui allient comptence, ecacit et bonne humeur. Je noublie pas de saluer lquipe de support informatique du Centre de Recherche, CTI, qui se dvouent pour ses usagers et nous permet de travailler dans des conditions optimales.

Je noublie pas de saluer et remercier Nobert Krief dont le phras, le gnie et les crations ont ponctu tous les moments de mon existence depuis 30 ans.

Je terminerai par un tmoignage emprunt destime, daection et dadmiration Valrie, ma compagne, Gatan et Yann, mes garons, qui plus que les autres mont autoris, encourag, assist et ont conditionn un moment de leur vie an que je russisse cette thse dont vous allez lire le mmoire.

A mes Garons, Gatan et Yann A ma Valrie

Quil me soit permis ici dexprimer ma reconnaissance au Professeur Gilles Fourtanier et au Docteur Jacques Moreau qui mont donn une seconde vie durant laquelle ce travail a t possible.

Table des matires


Avant-propos et remerciements Table des matires Liste des tableaux Table des gures 1 Introduction 1.1 Contexte et apport du ltrage non-linaire en mcanique des uides 1.2 Objectifs et Innovations . . . . . . . . . . . . . . . . . . . . . . . 1.3 Filtrage dobservations bruites . . . . . . . . . . . . . . . . . . . 1.3.1 Filtrage linaire des mesures atmosphriques . . . . . . . . 1.3.2 Filtrage non-linaire dun signal perturb . . . . . . . . . . 1.4 Les applications nouvelles obtenues dans ce travail . . . . . . . . . 1.4.1 Filtrage de mesures unidimensionnelles . . . . . . . . . . . 1.4.2 Cas de mesures atmosphriques 3D relles . . . . . . . . . 1.5 Les nouveaux outils thoriques dvelopps . . . . . . . . . . . . . 1.5.1 Filtrages non-linaires de processus champ moyen et leur convergence . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5.2 Processus dacquisition dun champ alatoire multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6 Organisation du mmoire . . . . . . . . . . . . . . . . . . . . . . . i viii x xvi 1 4 5 6 6 7 10 10 13 14 17 20 23

Prsentation probabiliste de la mcanique des uides 24


. . . . . . . . . . . . . . turbulents . . . . . . . . . . . . 25 26 33 38 40

2 Introduction ltude de la turbulence 2.1 Prsentation de la turbulence . . . . . . . . . . . . 2.2 Description statistique de la turbulence . . . . . . . 2.3 Simulations numriques dterministes dcoulements 2.4 Modlisations probabilistes de la turbulence . . . .

vi 3 Modles Lagrangiens stochastiques de Pope 3.1 Formulation du modle Lagrangien . . . . . . . . . . . . . . . . . 3.2 Techniques Lagrangiennes en simulation des ots turbulents . . . 4 Mesures et traitement du signal en Micro-Mtorologie 4.1 Mesures exprimentales des vitesses dun uide turbulent . . . . . 4.2 Les spcicits de latmosphre relatives aux mesures exprimentales 4.3 Etat des lieux en mesures atmosphriques . . . . . . . . . . . . . 4.4 Les techniques de ltrage actuelles . . . . . . . . . . . . . . . . . 4.4.1 Filtrage linaire des mesures mtorologiques . . . . . . . . 4.4.2 Estimation des grandeurs Eulriennes en mtorologie . . . 44 46 52 55 59 61 63 69 70 80

II Techniques de Filtrage Stochastique des processus 83 champ moyen


5 Le Filtrage non linaire 5.1 Filtrage Stochastique pour les processus non-linaires 5.1.1 Le ltrage temps continu . . . . . . . . . . . 5.1.2 Le ltrage trajectoriel temps discret . . . . . 5.2 Approximation particulaire du ltrage non-linaire . . 5.3 Filtrage trajectoriel et approximations particulaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 87 87 94 99 105 111 113 117 119 120 123 126 127 128 130 133 134 138

6 Filtrage de processus champ moyen 6.1 Cadre gnral du ltrage de processus champ moyen . . . . . . 6.1.1 Lemmes techniques . . . . . . . . . . . . . . . . . . . . . . 6.2 Filtrage particulaire pour des lois de champ moyen exactes n . . 6.2.1 Erreurs destimations dans la squence de ltrage . . . . . 6.3 Filtrage particulaire dun processus de Markov champ moyen du type Loi(Xn ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4 Filtrage particulaire dun processus de Markov champ moyen conditionn aux observations . . . . . . . . . . . . . . . . . . . . . 6.4.1 Filtrage dun champ moyen du type Loi(Xn | Y0 . . . Yn1 ) . 6.4.2 Filtrage dun champ moyen du type Loi(Xn | Y0 . . . Yn ) . . 1 champ moyen 6.5 Filtrage dun processus avec commande alatoire Xn 1 1 2 Loi(Xn | X0 . . . Xn ) . . . . . . . . . . . . . . . . . . . . . . . . . . 6.5.1 Cas de la commande avec modle Markovien . . . . . . . . 6.5.2 Cas de la commande sans modle Markovien . . . . . . . . 6.6 Filtrage dun processus command et conditionn de champ moyen 1 2 | X[0 Loi(Xn ,n] , Y[0,n] ) . . . . . . . . . . . . . . . . . . . . . . . . .

vii

III Applications au ltrage des mesures de vitesses du uide atmosphrique 145


7 Acquisition dun champ le long dun chemin alatoire 146 7.1 Estimations de lacquisition dun champ vectoriel stochastique . . 148 7.1.1 Dnitions et premires applications . . . . . . . . . . . . 149 7.1.2 Systmes dacquisitions dobservations . . . . . . . . . . . 154 7.1.3 Acquisition sur un milieu localement homogne en loi . . . 155 7.2 Processus dacquisition discret dans un milieu homogne en loi . . 156 7.2.1 Interprtation de lacquisition discrte comme processus champs moyens en interaction . . . . . . . . . . . . . . . . 157 7.3 Approximation particulaire pour lestimation du processus dacquisition discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162 7.4 Echantillonnage de lacquisition dun champ de vecteur . . . . . . 164 7.4.1 Acquisition dun champ une rsolution donne . . . . . . 164 7.4.2 Exemple dacquisition sur une simulation de champ turbulent167 8 Filtre non-linaire pour les mesures mobiles dun uide 174 8.1 Discrtisation et fermeture du modle Lagrangien pour les uides turbulents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175 8.1.1 Approximation des moyennes Eulriennes . . . . . . . . . . 176 8.1.2 Discrtisation du systme Lagrangien . . . . . . . . . . . . 178 8.1.3 Couplage micro-macro pour le systme Lagrangien discrtis 180 8.1.4 Comportement du modle de Pope adapt en rgime laminaire184 8.1.5 Simulations dcoulements de uides laide du modle de Pope discrtis adapt . . . . . . . . . . . . . . . . . . . . 186 8.2 Filtrage dobservations bruites dun uide turbulent homogne . 188 8.2.1 Conditionnement aux observations du systme Lagrangien 191 8.2.2 Comportement du signal-uide conditionnel . . . . . . . . 192 8.2.3 Localisation du processus de ltrage comme acquisition dune dynamique Lagrangienne . . . . . . . . . . . . . . . . . . . 194 8.3 Rsolution particulaire du ltre adapt aux uides turbulents . . . 196 8.4 Adaptation dun modle de turbulence strati pour les mesures atmosphriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199 8.4.1 Modle Lagrangien de dispersion de Das et Durbin pour un rgime de turbulence stratie . . . . . . . . . . . . . . . . 200 8.4.2 Modle Lagrangien de turbulence dduit pour latmosphre sche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202 8.4.3 Adaptation de lalgorithme particulaire de ltrage pour les uides atmosphriques . . . . . . . . . . . . . . . . . . . . 204

viii 9 Applications aux mesures du vent atmosphrique 9.1 Filtrage de vitesses unidimensionnelles simules . . . . . . . . . . 9.1.1 Simulation des vitesses dun uide en coulement unidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1.2 Filtrage des vitesses dun uide 1D simul . . . . . . . . . 9.2 Filtrage dune composante de vent rel . . . . . . . . . . . . . . . 9.2.1 Les donnes anmomtriques exprimentales en atmosphre relle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.2.2 Filtrage de donnes unidimensionnelles relles . . . . . . . 9.3 Filtrage dun vent bidimensionnel rel . . . . . . . . . . . . . . . . 9.3.1 Filtrage dun vent horizontal dans un cas standard . . . . 9.3.2 Variations sur le ltrage du vent en dimension 2 . . . . . . 9.4 Filtrage de la temprature et dun vent rel tridimensionnel . . . . 9.5 Estimations numriques des erreurs du ltrage particulaire unidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.5.1 Ecarts au vent de rfrence simul ou rel . . . . . . . . . 9.5.2 Modications du modle et erreurs correspondantes . . . . 9.5.3 Essais de ltrage utilisant le modle sans champ moyen . . 10 Conclusions et Perspectives Bibliographie A Filtrage Stochastique dune dynamique linaire Gaussienne A.1 Le ltre de Kalman-Bucy . . . . . . . . . . . . . . . . . . . . . . . A.2 Filtres de Kalman en interaction . . . . . . . . . . . . . . . . . . A.3 Filtre de Kalman densemble . . . . . . . . . . . . . . . . . . . . . A.3.1 Le Filtre de Kalman densemble dEvensen . . . . . . . . . A.3.2 Interprtation de lEnKF par un ltrage de processus champ moyen . . . . . . . . . . . . . . . . . . . . . . . . . B Tableaux des carts entre les vents de rfrence et ltrs C Code Scilab Filtrage dun vent 1D Simul Abstract Rsum 208 209 209 213 217 217 218 221 221 223 229 236 240 243 245 249 255 269 269 272 273 273 274 277 288 294 295

Liste des tableaux


6.1 Tableau des erreurs de lapproximation particulaire du ltrage dun processus champ moyen pour les diverses lois de champ moyen examines dans ce chapitre . . . . . . . . . . . . . . . . . . . . . . 143 B.1 Ecart entre le vent de rfrence simul et le vent ltr en utilisant le modle complet. Erreur en moyenne absolue pour un nombre croissant de particules en fonction du niveau de bruit . . . . . . . B.2 Ecart entre le vent de rfrence simul et le vent ltr en utilisant le modle complet. Variance de lerreur pour un nombre croissant de particules en fonction du niveau de bruit . . . . . . . . . . . . B.3 Ecart entre le vent de rfrence rel et le vent ltr en utilisant le modle complet. Erreur en moyenne absolue pour un nombre croissant de particules en fonction du niveau de bruit . . . . . . . B.4 Ecart entre le vent de rfrence rel et le vent ltr en utilisant le modle complet. Variance de lerreur pour un nombre croissant de particules en fonction du niveau de bruit . . . . . . . . . . . . . . B.5 Ecart entre le vent de rfrence simul et le vent ltr en utilisant le modle complet, le modle sans frquence turbulente et sans champ moyen. Erreur en moyenne absolue pour un nombre croissant de particules en fonction du niveau de bruit . . . . . . . . . . . . . . B.6 Ecart entre le vent de rfrence simul et le vent ltr en utilisant le modle complet, le modle sans frquence turbulente et sans champ moyen. Variance de lerreur pour un nombre croissant de particules en fonction du niveau de bruit . . . . . . . . . . . . . . . . . . . . B.7 Ecart entre le vent de rfrence rel et le vent ltr en utilisant le modle complet, le modle sans frquence turbulente et sans champ moyen. Erreur en moyenne absolue pour un nombre croissant de particules en fonction du niveau de bruit . . . . . . . . . . . . . . B.8 Ecart entre le vent de rfrence rel et le vent ltr en utilisant le modle complet, le modle sans frquence turbulente et sans champ moyen. Variance de lerreur pour un nombre croissant de particules en fonction du niveau de bruit . . . . . . . . . . . . . . . . . . . .

278

279

280

281

282

283

284

285

x B.9 Ecart entre le vent rel ou simul et le vent ltr en utilisant le modle complet ou sans champ moyen et 2 niveaux de bruit. Erreur en moyenne absolue pour un nombre croissant de particules . . . . 286 B.10 Ecart entre le vent rel ou simul et le vent ltr en utilisant le modle complet ou sans champ moyen et 2 niveaux de bruit. Variance de lerreur pour un nombre croissant de particules . . . . . . . . . 287

Table des gures


1.1 Sries temporelles et densits spectrales de puissance, en noir dune composante de vent, en bleu de la composante bruite par un bruit blanc et en rouge du signal ltr par un ltre numrique moyenne glissante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Filtrage dun vent 1D simul ltr par algorithme particulaire conditionnel avec 100 particules. En cyan le signal bruit, en noir le signal de rfrence et en rouge le vent estim. A gauche la srie temporelle, droite la densit spectrale de puissance . . . . . . . . . . . . . . 1.3 Filtrage dun vent rel 3D et de la temprature par algorithme particulaire conditionnel avec 500 particules. En pointill bleu les signaux bruits, en noir ceux de rfrence et en rouge les valeurs estimes par lalgorithme. En haut les composantes horizontales du vent, en bas, la vitesse verticale et la temprature . . . . . . . . . 1.4 Srie de taux de dissipation estim en haut. Pseudo-trajectoire dacquisition en bas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5 Schma dvolution discrte du processus dacquisition pour une dynamique Lagrangienne . . . . . . . . . . . . . . . . . . . . . . .

12

15 16 22

4.1 En haut srie temporelle et spectre de puissance dune composante du vent mesure la frquence dacquisition de 50 Hz sur le site de Toulouse-mto le 12/05/2006 de 09h00 09h30. En bas, srie des incrments et histogramme empirique des incrments pour cette composante du vent, avec en rouge une courbe gaussienne thorique 64 4.2 Spectres de puissance de vents atmosphriques 2D/3D . . . . . . 65 4.3 Srie de donnes et densit spectrale de puissance pour une mesure de temprature ralise Toulouse le 7 Avril 2006 entre 09h00 et 19h00 par un anmomtre sonique. Le signal de base doit respecter un spectre de type Kolmogorov, on note la prsence de bruit structur devenant prpondrant au-del de 8 Hz avec prsence de pics dharmoniques aprs 5 Hz dues au systme dacquisition de la mesure exprimentale. . . . . . . . . . . . . . . . . . . . . . . . . 67

xii 4.4 Spectres de puissance 25 Hz calculs sur 1024 points pour les 3 composantes du vent dduits de mesures avion entre 12h07 et 12h10. On voit la prdominance des bruits dans les DSP qui devraient suivre la pente en 5/3 trace en rouge. . . . . . . . . . . 4.5 Densits spectrales de puissance du signal brut, du bruit blanc et de signal bruit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6 Densits spectrales de puissance des donnes brutes, bruites et ltres par moyenne glissante. . . . . . . . . . . . . . . . . . . . . 4.7 Densits spectrales de puissance des donnes brutes, bruites et ltres par mthode Fourier. . . . . . . . . . . . . . . . . . . . . . 4.8 Densits spectrales de puissance des donnes brutes, bruites et ltres par un ltre de Butterworth du 2me ordre. . . . . . . . . 4.9 Sries de donnes brutes, bruites, ltres par moyenne glissante et par mthode Fourier. . . . . . . . . . . . . . . . . . . . . . . . . . 4.10 Densits spectrales de puissance des donnes brutes, bruites, ltres par un ltre particulaire prsent dans la partie III de ce mmoire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.11 Dtail sur les densits spectrales de puissance des donnes brutes, bruites, ltres par un ltre particulaire montrant le respect des structures prsentes dans la donne initiale. . . . . . . . . . . . . 7.1 Reprsentation de la trajectoire dacquisition ponctuelle dans un champ multidimensionnel dont lvolution est symbolise par ses lignes de courant en supposant stationnaire lvolution du champ dintrt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2 Exemple sur une trajectoire dacquisition de lensemble des boules dhomognit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3 Couplage de systmes dacquisitions Lagrangiennes et dune acquisition le long dun chemin indpendant . . . . . . . . . . . . . . . 7.4 Schma dvolution discrte du processus dacquisition pour une dynamique Lagrangienne . . . . . . . . . . . . . . . . . . . . . . . 7.5 Champ de turbulence 2D en reprsentation tourbillon et sa fonction de courant aprs 1 seconde de simulation . . . . . . . . . . . . . . 7.6 Champ de turbulence 2D ltr des chelles nes en reprsentation tourbillon et sa fonction de courant aprs 1 seconde de simulation 7.7 Acquisition dun champ de turbulence bidimensionnel le long dun chemin alatoire. En haut gauche le chemin dacquisition avec pour fond le champ turbulent original aprs 4 secondes de simulation, droite le mme chemin avec pour fond le champ 4 secondes ltr des petites chelles. En bas les acquisitions totale AT n en cyan, e f ltr des chelles nes An en rouge et chantillonne An en noir .

68 76 77 77 78 79

80

81

148 156 157 159 169 170

172

xiii 8.1 Couplage et Fermeture des chelles micro et macro dans le cas de la simulation et pour le ltrage des uides turbulents . . . . . . . 182 8.2 En bas, simulation des trajectoires dun coulement avec des commandes particulires. En haut gauche le champ de gradient de la pression moyenne utilis et droite celui du taux de dissipation turbulente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 8.3 On simule les trajectoires dun coulement uide lors du contournement dun obstacle avec une forme choisie du gradient de pression et du taux de dissipation turbulente. . . . . . . . . . . . . . . . . 189 9.1 Exemple de simulation dun processus de Lvy -stable de paramtre = 1 et du processus E(n ). En haut la srie temporelle du 2 processus de Lvy croissant et au milieu celle de ses incrments En et en bas une srie pour la commande An . . . . . . . . . . . . . . 211 9.2 Exemple de simulation des vitesses dun uide en coulement unidimensionnel. En haut la srie temporelle complte et en bas un dtail montrant des passages intermittents. . . . . . . . . . . . . . 212 9.3 En haut le spectre de puissance des vitesses du uide que lon a simul avec en bleu fonc la pente en 5/3 caractristique de la turbulence homogne isotrope. En bas lhistogramme empirique des incrments des vitesses superpos en vert de la courbe dune loi normale centre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214 9.4 En haut une srie temporelle de vent simul avec droite le bruit dobservation rajout en cyan. En bas, en rouge, le rsultat du ltrage sur le dernier tiers de la srie avec un dtail montrant le bon suivi du ltre particulaire malgr les fortes perturbations. . . 215 9.5 Densit spectrale de puissance pour le signal bruit en cyan, le signal de rfrence retrouver en noir et le signal ltr en rouge. La droite verte correspond la pente en 5/3 de K41. . . . . . . 217 9.6 Filtrage dun vent 1D rel 20 Hz mesur sur le site de Saint-Sardos le 10 janvier 2005 entre 12h00 et 12h03 UTC ltr par algorithme particulaire conditionnel avec 300 particules. En pointill bleu le signal bruit, en noir le signal de rfrence et en rouge le vent estim.219 9.7 Densit spectrale de puissance pour le signal bruit en cyan, le signal rel retrouver en noir et le signal ltr en rouge. La droite verte correspond la pente en 5/3 de K41. . . . . . . . . . . . . 220 9.8 Sries temporelles et densit spectrale de puissance pour un signal bidimensionnel. En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Sur le diagramme des DSP est rajout une droite de couleur verte de pente en 5/3. Le ltrage utilise 300 particules. . . . . . . . . . . . . . . . . . . . . . . . . 222

xiv 9.9 Spectres de puissance des bruits autorgressifs pour chacune des composantes horizontales U et V . . . . . . . . . . . . . . . . . . . 9.10 Sries temporelles et densit spectrale de puissance pour un signal bidimensionnel avec un bruit autorgressif. En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Le ltrage utilise 300 particules. . . . . . . . . . . . . . . . . . . . . . 9.11 Sries temporelles et densit spectrale de puissance pour un bruit dpendant du niveau de turbulence. En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Le ltrage utilise 300 particules. . . . . . . . . . . . . . . . . . . . . . . . . 9.12 Sries temporelles et densit spectrale de puissance pour des vitesses bidimensionnelles traites par le ltre usant de mutation de loi a priori. Le ltrage utilise 70 systmes de 300 particules. . . . 9.13 Sries temporelles et densit spectrale de puissance pour des vitesses bidimensionnelles traites par le ltre conditionnel. Le ltrage utilise 300 particules. . . . . . . . . . . . . . . . . . . . . . 9.14 Sries temporelles et densit spectrale de puissance pour un coulement laminaire puis devenant turbulent. En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Le ltrage utilise 300 particules . . . . . . . . . . . . . . . . . . . . . 9.15 Sries temporelles et densit spectrale de puissance pour le vent horizontal dans un coulement atmosphrique de dimension 3 (composante U en haut, V en bas). En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Le ltrage utilise 800 particules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.16 Sries temporelles et densit spectrale de puissance pour le vent vertical et la temprature dans un coulement atmosphrique de dimension 3(composante W du vent en haut, temprature en bas). En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Le ltrage utilise 800 particules . . . . . . 9.17 Sries temporelles des paramtres estims par le ltre conditionnel avec 800 particules. En haut le taux de dissipation turbulente total n et un extrait des vecteurs h < p > dt le long de la trajectoire. n n En bas gauche les gradients verticaux dU et dV et droite le dz dz dn gradient dz et le coecient de ottabilit n . . . . . . . . . . . . 9.18 Trajectoire dacquisition du systme coupl au capteur pour 1 particule entre les instants 840 et 1040. . . . . . . . . . . . . . . . . .

224

224

225

226

227

228

231

232

234 235

xv 9.19 Sries temporelles et DSP pour le ltrage des donnes du 30 Aot 2006 03h00 UTC sur le site de Toulouse. Le ltrage utilise 800 particules. De haut en bas les 2 composantes horizontales du vent, la vitesse verticale W puis la temprature T . . . . . . . . . . . . . 9.20 Sries temporelles et DSP pour le ltrage des donnes du 30 Aot 2006 12h00 UTC sur le site de Toulouse. Le ltrage utilise 800 particules. De haut en bas les 2 composantes horizontales du vent, la vitesse verticale W puis la temprature T . . . . . . . . . . . . . 9.21 Sries temporelles et DSP pour le ltrage des donnes du 30 Aot 2006 16h00 UTC sur le site de Toulouse. Le ltrage utilise 800 particules. De haut en bas les 2 composantes horizontales du vent, la vitesse verticale W puis la temprature T . . . . . . . . . . . . . 9.22 Ecart entre le vent de rfrence simul et le vent estim. Moyenne et variance sur un chantillon de 5 ralisations en fonction du nombre de particules et du niveau de bruit. . . . . . . . . . . . . . . . . . 9.23 Ecart entre le vent de rfrence rel et le vent estim. Moyenne et variance sur un chantillon de 5 ralisations en fonction du nombre de particules et du niveau de bruit . . . . . . . . . . . . . . . . . 9.24 Ecarts entre le vent estim et le vent simul avec les 3 sortes de modles. A gauche les moyennes sur un jeux de 5 sries de simulation, , 2- Modle sans fr droite la variance. 1- Modle exact, = 3 2 3 3 , 4quence turbulente, = 2 , 3- Modle sans champ moyen, = 2 1 Modle exact, = 4 , 5- Modle sans frquence turbulente, = 1 , 4 1 6- Modle sans champ moyen, = 4 . . . . . . . . . . . . . . . . 9.25 Ecarts entre le vent estim et le vent rel avec les 3 sortes de modles. A gauche les moyennes sur un jeux de 5 sries de simulation, , 2- Modle sans fr droite la variance. 1- Modle exact, = 3 2 3 3 quence turbulente, = 2 , 3- Modle sans champ moyen, = 2 , 41 Modle exact, = 4 , 5- Modle sans frquence turbulente, = 1 , 4 1 6- Modle sans champ moyen, = 4 . . . . . . . . . . . . . . . . 9.26 Comparaison entre le modle exact et le modle sans champ moyen, pour les carts entre le vent estim et les vents rel ou simul. A gauche les moyennes sur un jeux de 5 sries de simulation, droite la variance. 1- Modle exact vent rel, = 3 , 2- Modle exact vent 2 3 simul, = 2 , 3- Modle sans champ moyen vent rel, = 3 , 42 3 Modle sans champ moyen vent simul, = 2 , 5- Modle exact 1 vent rel, = 5 , 6- Modle exact vent simul, = 1 , 7- Modle 5 1 sans champ moyen vent rel, = 5 , 8- Modle sans champ moyen vent simul, bruit 1 , 9- Courbe de tendance de la srie n 1 . . . . 5

237

238

239

241

242

243

244

245

xvi 9.27 Sries temporelles et DSP pour le ltrage de Saint-Sardos utilisant un ltre particulaire gntique avec 500 particules . . . . . . . . . 246 9.28 Sries temporelles et DSP pour le ltrage de Saint-Sardos utilisant 1000 ltres de Kalman en intraction . . . . . . . . . . . . . . . . 248 10.1 Calculs eectus sur lensemble de la priode pour estimer : E(w T ) < w T > et < u w >2 + < v w >2 . . . . . . . . . . . . . . . 253

Chapitre 1 Introduction
Modliser la turbulence pour ltrer des mesures relles ralises dans latmosphre en utilisant des estimations probabilistes des paramtres du milieu observ est un sujet lintersection de 3 domaines de la science. Les sciences de lingnieur pour le volet sur la mesure exprimentale et le ltrage des donnes, la physique pour ltude et la modlisation de la turbulence et son application latmosphre, les mathmatiques appliques pour le corps thorique probabiliste permettant de poser rigoureusement les problmes, de fonder la rsolution et donner des algorithmes consistants. Dans ce mmoire nous allons tenter de nous adresser aux 3 communauts nourrissant notre texte des acquis de chacune delle et plus modestement de notre travail plus spcique sur le ltrage non-linaire des mesures bruites dun uide turbulent.

La mcanique statistique initie par Boltzmann et Gibbs permet de passer de lanalyse dynamique des molcules dun uide au comportement des volumes lmentaires rgi par les quations de lhydrodynamique. Le passage sopre par un changement dchelle et se trouve tre une consquence de rsultats fondamentaux des probabilits, le thorme de la limite centrale et le principe des grandes dviations (voir Ellis (1985)).

Rappelons ces rsultats de mcanique statistique. Sur lespace des phases E R on considre le vecteur dtat (x, p, t) o les positions x = (xi )1i3 sont dans R3 ainsi que les impulsions p = (pi )1i3 , la dernire dimension est donne par
7

Chapitre 1. Introduction

le temps. Pour le systme physique dcrit par son Hamiltonien H on suppose lexistence dune fonction de distribution de probabilit f , fonction de x de p et de t et solution de lquation de Liouville f + [H, f ] = 0 t (1.1)

o [H, f ] est le crochet de Poisson de H et de f . Cette quation avec un Hamiltonien particulier correspondant aux chocs entre 2 molcules mne lquation de Boltzmann (voir Mlard (1996)). En intgrant formellement en p lquation de Boltzmann contre une fonction invariante par collision (comme la masse, la quantit de mouvement, lnergie interne) on dduit les quations de conservation des uides classiques, lquation dEuler pour les coulements inviscides puis introduisant de la viscosit avec une approximation du premier ordre de f , on aboutit lquation bien connue de Navier-Stokes, valable pour le champ de vitesse u sur un domaine D R3 : u + uu + p u = 0 t (1.2)

o p est cette fois la force de pression qui est solution de lquation de Poisson, sur i U j le mme domaine D, p = U , cris ici en notation Einstein. On se donne xj xi alors des conditions initiales et aux bords D pour complter le jeu dquation. Cette quation pose des problmes de rsolution, le terme de transport uu amne des non-linarits, un nombre de degrs de libert inni. Elle contient intrinsquement les rgimes laminaires dterministes et les rgimes turbulents chaotiques dallure alatoires. Pour prciser les caractristiques des coulements turbulents, A.N. Kolmogorov a propos une description statistique des incrments de vitesses base sur une analyse heuristiques des transferts dnergies dans les cascades tourbillonnaires en 1941 (Kolmogorov (1941)). Du cot des mathmatiques, la reprsentation probabiliste des quations aux drives partielles est arrive bien plus tard et repose sur les travaux de K. It, A.N. Kolmogorov, M. Kac et H.P. McKean. On trouvera dans Karatzas et Shreve (1998) les dmonstrations des rsultats qui suivent. Soient d > 0, x Rd , t > 0, a, b et c des fonctions de x Lipschitziennes bornes avec a = et L loprateur elliptique donn par 1 2 L= aij (x) i j + 2 i,j =1 x x
d d

bi (x)
i=1

xi

(1.3)

Chapitre 1. Introduction

Soit le problme de Cauchy dni par lquation aux drives partielles (EDP) : = Lu(t, x) + c(x)u(t, x) u(0, x) = u0 (x)
u(t, x) t

(1.4)

avec u0 une fonction borne C . Lexistence, lunicit des solutions de cette EDP et leur calcul (numrique) peuvent tre obtenus par des techniques danalyse classique mais possdent aussi des reprsentations en terme de processus alatoires. Soit maintenant le processus de diusion dni par lquation direntielle stochastique (EDS) sur lespace de probabilit (, F , Ft , P) dXtx0 = b(Xtx0 )dt + (Xtx0 )dWt x0 X0 = x0 avec Wt un processus de Wiener standard par rapport la ltration Ft . On sait que (Xtx0 , P) est un processus de Feller-Markov continu, et que Tt donn pour une fonction C borne par Tt f (x0 ) = E[f (Xtx0 ) exp(
t 0 x0 c(Xs )ds)] = Ex0 [f (Xt ) exp( t

(1.5)

c(Xs )ds)]
0

(1.6)

est un semi-groupe de gnrateur innitsimal L. Pour terminer, on peut montrer que la formule de Feynman-Kac
t

u(t, x) = Tt f (x) = Ex [f (Xt ) exp(


0

c(Xs )ds)]

(1.7)

donne la solution au problme de Cauchy. La reprsentation des quations aux drives partielles en terme de processus stochastique que lon vient de voir dans le cas dune diusion est un retour de lchelle macroscopique, lEDP, lchelle microscopique, lEDS, et permet par la simulation de lvolution de systmes de particules en interaction, comme les a tudi Sznitman (1991), de donner des solutions numriques au problme de Cauchy 1.4 et de reprsenter le semi-groupe dvolution Tt . Notre travail va donc se placer dans cette interface, o les quations dcoulement dun uide ou bien celles venant des problmes de ltrage vont trouver des reprsentations probabilistes avec lesquelles on va pouvoir piloter des systmes de particules en interaction donnant des solutions numriques approches rpondant ainsi lattente de la communaut scientique.

Chapitre 1. Introduction

1.1

Contexte et apport du ltrage non-linaire en mcanique des uides

Latmosphre dans le domaine de la turbulence, notamment dans la couche limite de surface, pose des problmes dobservation car les phnomnes y sigeant sont rapides, de lordre de quelques diximes de seconde, et dchelle spatiale de lordre du mtre. Au sol il existe pour certains paramtres (vent, temprature, humidit, ...) des capteurs rapides. Mais les moyens de mesures pour les phnomnes en altitude sont en revanche limits, constitus de capteurs embarqus sur des plates-formes voluant in-situ (avion, ballon sonde ou captif), ou dinstruments de tldtection comme les radars ou les sodars. Quels que soient les systmes de mesures, ils posent le problme de la reprsentativit de la mesure qui est gnralement perturbe par lcoulement du uide atmosphrique autour du senseur ou par lenvironnement lectromagntique du capteur et il est dicile dtablir une relation entre les variables observes et les variables dtat. Lamlioration des observations de petite chelle dans latmosphre passe par trois voies : un axe instrumental pour dvelopper des capteurs peu bruits, un axe mtorologique permettant une meilleure modlisation ne de la dynamique du uide gophysique et un axe mathmatique par la conception dalgorithmes de ltrage non-linaire adapts au problme spcique de la mesure dans latmosphre et permettant terme une assimilation des observations ltres et des paramtres turbulents appris dans les modles de simulation mtorologique. Le Centre National de Recherche Mtorologique de Mto-France a un rle particulier dans la recherche atmosphrique en France puisquil doit conduire une recherche nalise pour rpondre, moyen ou long terme, aux besoins du service mtorologique et amener une prospective amont an de comprendre plus profondment les mcanismes en jeux dans latmosphre, mieux reprsenter les interactions entre latmosphre et les autres composantes de la biosphre, de lhydrosphre et de la lithosphre (au moins dans un sens). Le but de ces recherches fondamentales ou appliques est de faire progresser constamment les modles de prvision du temps et du climat, an dassurer la protection des personnes et des biens sur le court et le long terme. Dans ce contexte la turbulence amenant des couplages non-linaires avec la thermodynamique des coulements et les phnomnes microphysiques de latmo-

Chapitre 1. Introduction

sphre prend une part de plus en plus grande dans les proccupations de la communaut mtorologique qui a une demande forte sur la production de donnes rapides de haute qualit. La mesure de la turbulence sest faite jusqu prsent sur des pas de temps de plusieurs minutes, voire dizaines de minutes. Toute amlioration technique ou thorique permettant de produire des donnes caractrisants la turbulence haute cadence sera alors un apport consquent ce domaine de mesure. Le ltrage nonlinaire des observations propos ici pourra la fois fournir des mesures rapides nettoyes des perturbations et des estimations des paramtres caractristiques du milieu turbulent.

1.2

Objectifs et Innovations

Le ltrage des mesures de la turbulence, quelles soient xes ou mobiles, ncessite une estimation non-linaire quun ltre de Kalman classique nest pas en capacit de raliser. En outre le ltrage non-linaire se fait traditionnellement avec une modlisation du signal suivi par le ltre. Pour le problme de la mesure en atmosphre, surtout si le capteur se dplace dans celle-ci, nous navons pas accs de tels modles comportementaux. Le travail de cette thse commence alors par la formalisation du problme de ltrage dune mesure excute sur un champ de vecteur stochastique le long dun chemin alatoire indpendant de la ralisation du milieu. Pour la modlisation stochastique, nous allons dnir un nouvel objet, lacquisition dun champ le long dun chemin, en donner les premires proprits et il pourra tre appliqu de manire plus large notamment pour dcrire les ots stochastiques (Lagrangiens) des EDS. Localement un uide peut tre vu comme un milieu alatoire dpendant de la ralisation de grandeurs moyennes de large chelle. De manire naturelle les processus alatoires dcrivant le milieu auront des termes de champs moyens ramenant lvolution sur les moyennes de grandes chelles. Le ltrage non-linaire aura une solution avec des systmes de particules en interactions par leur champ moyen. On proposera et on tudiera lasymptotique dalgorithme de ltrage pour les processus champ moyen dont les lois corres-

Chapitre 1. Introduction

pondent des cas particuliers que lon peut croiser en physique ou en mcanique des uides. On proposera alors de nouvelles dmonstrations de convergence du ltrage pour les processus champ moyen. Les modles dvolution du uide que lon utilisera pour conduire les estimations du ltrage, pour sadapter au processus dacquisition le long du chemin du capteur, seront locaux et on propose de considrer des modles Lagrangiens plutt que des reprsentations probabilistes de lEDP de Navier-Stokes. On proposera alors des mthodes dadaptation de ces modles. De plus nous proposerons une nouvelle mthode de fermeture par lobservation du uide, technique nouvelle en modlisation stochastique. De ces analyses thoriques et appliques, nous pourrons dduire des ltres valables pour les coulements uni, bi ou tridimensionnels que nous appliquerons des donnes simules ou relles. Ces applications innovantes permettent un ltrage non-linaire de haute cadence des mesures turbulentes mobiles. Arrivs ce point, les premiers objectifs de cette tude, sur la modlisation de la turbulence an den ltrer la mesure, seront raliss.

1.3
1.3.1

Filtrage dobservations bruites


Filtrage linaire des mesures atmosphriques

Dcrire mme succinctement le phnomne de la turbulence doit se faire avec un esprit de grande humilit car les dicults conceptuelles sont trs nombreuses et nos connaissances bien minces, en tmoigne labsence de thorie uniant lensemble des points de vue. Nous nallons alors prsenter aux chapitres 2 et 3 que les ides et modles dont nous aurons besoin ainsi que les dnitions qui nous seront utiles. Les mthodes classiques de traitement de la mesure sont bases sur le ltrage linaire et la dcomposition de la srie temporelle en coecient de Fourier. Nous verrons au chapitre 4 les dirents ltres numriques et les rponses quils peuvent avoir notamment sur les densits spectrales de puissance. Quoiquil en soit, toutes suppriment les composantes rapides pour ne garder que les structures de grandes chelles avec comme inconvnient de garder les composantes basses frquences

Chapitre 1. Introduction

2.35 2.30 2.25 2.20 2.15

10 15 20 25 30

2.10

35
2.05 2.00 1.95 1.90 1.85 1.80 2800

40 45 50 55 60
2900 3000 3100 3200 3300 3400
3 2 1 0

10

10

10

10

Fig. 1.1 Sries temporelles et densits spectrales de puissance, en noir dune composante de vent, en bleu de la composante bruite par un bruit blanc et en rouge du signal ltr par un ltre numrique moyenne glissante des bruits de mesures. Ces ltres ont lavantage dtre rapides et de se passer de toute modlisation du signal traiter. Cest galement de l que vient leur nonoptimalit. Labsence de modle ne permet pas de raliser une sparation ecace du bruit et de ltat mesur. Sur la gure 1.1 on trouve les sries temporelles et densits spectrales de puissance pour un exemple de vent unidimensionnel simul et servant de rfrence en noir, en bleu ce vent bruit articiellement avec un processus blanc Gaussien et en rouge le signal ltr par un ltre numrique moyenne glissante centre (ce ltre est alors un lisseur). On note que le signal ltr permet de suivre les grandes chelles du signal mais que les variations rapides sont gommes. Sur le spectre dnergie, droite de la gure 1.1, il est clair que les cascades nergtiques sont rompues au dessus de 0.05 Hz. Ce ltre ne permet pas de sparer proprement et compltement un vent turbulent dun bruit blanc. Il faut procder diremment avec un estimateur non-linaire.

1.3.2

Filtrage non-linaire dun signal perturb

On prsente ici un rsultat classique de ltrage pour une diusion Xt dtermine par la solution dune EDS observe par un processus bruit Yt . Ce rapide survol sera complt largement au chapitre 5. Soit (, F , Ft , P) un espace de probabilit ltr. Pour rsoudre le problme de ltrage cherchant calculer la Loi(X[0,t] | Yt ), Yt tant la ltration engendre par le processus dobservation, on suppose que le couple (Xt , Yt ) Rd Rd volue

Chapitre 1. Introduction pour tout temps t 0 selon le systme : dXt = B (t, Xt )dt + A(t, Xt )dWt dYt = Ht (Xt )dt + dVt

(1.8)

o les Vt et Wt sont des processus de Wiener standard relativement Ft et est un paramtre positif. Les fonctions A sont valeurs dans Rd Rd , B et H dans Rd . Alors, le problme de ltrage revient calculer pour toute f mesurable borne, E(ft ((Xs )st )/Yt ) = o le facteur de normalisation est
t t

E0 (ft ((Xs )st )Zt (X, Y )/Yt ) E0 (Zt (X, Y )/Yt )

(1.9)

Zt (X, Y ) = exp(
0

Hs (Xs )dYs
0

Hs (Xs )Hs (Xs )ds)

(1.10)

Lindice 0 de lesprance indique que lon parle du processus ltr issu de (X0 , Y0 ) avec une loi de probabilit de rfrence, de plus Yt est indpendant de Xt en tout temps t (voir le thorme 5.1.2). Cette esprance est lestimateur optimal t (f ) = E(f (X[0,t] )/Yt ) et lgalit 1.9 est lquation de Kallianpur-Striebel.

La mesure de probabilit t est un semi-groupe et est solution de lquation du ltrage non-linaire de Kushner-Stratonovitch : d t (f ) = t (Lt (f ))dt + t ((H t (H )) f )(dYt t (H )dt)

Il faut saranchir de ce point de dpart par un changement de probabilit appliquant le thorme de Girsanov. On obtient les quations robustes du ltrage que nous prsenterons au chapitre 5. Les quations intgrales que lon vient dcrire ont une expression analytique dans le cas o les fonctions A, B et H ont des formes linaires ou localement linarisables et les bruits de dynamique et dobservation sont Gaussiens. Lestimateur est optimal au sens du maximum de vraisemblance, et les estimes se calculent par le ltre de Kalman-Bucy. Lannexe A prsente ce ltre ainsi que des extensions permettant dtendre les rsultats aux fonctions non-linaires.

Chapitre 1. Introduction

Hors de ce cas linaire-Gaussien, lestimateur optimal du ltrage non-linaire est donn par une formule de Feynman-Kac, qui peut-tre approche par des systmes de particules en interaction. Il y a alors des algorithmes permettant dapprendre les lois du ltrage. On va crire rapidement ces quations, laissant au chapitre sur le ltrage la prsentation complte. On se place dans le cadre de processus de dynamique et dobservation discret. Il faut supposer que pour tout pas de temps n > 0 lquation dobservation Yn = H (Xn ) + Vn est telle que Yn et H (Xn ) + Vn ont une densit. On suppose que P(H (xn ) + Vn dyn | Xn = xn ) = gn (xn , yn )n (dyn ). Par un abus de def notation on pose Gn (xn ) = gn (xn , yn ) oubliant yn . On dnit pour toute fonction f mesurable borne, les 2 estimateurs, celui du ltrage et celui de la prdiction, de cette manire n (f ) = E[f (X0 , . . . , Xn ) | Y0 = y0 , . . . Yn = yn ] n (f ) = E[f (X0 , . . . , Xn ) | Y0 = y0 , . . . Yn1 = yn1 ] qui scrivent n (fn ) n (1) n (fn ) n (fn ) = n (1) n (fn ) = avec
n

(1.11) (1.12)

(1.13) (1.14)

n (fn ) = E0 (fn (X0 , . . . , Xn )


p=0 n1

Gp (X0 , . . . , Xp )) Gp (X0 , . . . , Xp ))
p=0

(1.15) (1.16)

n (fn ) = E0 (fn (X0 , . . . , Xn )

Lalgorithme de ltrage qui se dduit de cet ensemble dquations utilise le noyau de Markov Mn associ lquation de dynamique Xn+1 = Xn + Bn (Xn )t + An (Xn )Wn et le noyau de slection gntique des tats (qui est un choix non unique) Sn,n (xn , dx) = Gn (xn )xn (dx) + [1 Gn (xn )] Gn (x) n (dx) n (Gn ) (1.17)

Chapitre 1. Introduction Ce qui donne lalgorithme du ltrage non-linaire


n n n = n Sn,n n+1 = n Mn+1

10

Sn,

Mn+1

(1.18)

Cet algorithme a une interprtation particulaire, pour un ensemble de N pari i ticules (Xn )1iN ensemenc ltape intiale par X0 selon la loi 0 , qui possde comme les mthodes de Monte-Carlo une convergence asymptotique en 1N quand le nombre de particules tend vers linni : pour tout instant n et p 1, il existe des constantes C (p) telles que pour toute fonction mesurable borne
1 C (p) N sup E(|n (f ) n (f )|p ) p f n0 N

Ce sont ces techniques classiques de ltrage particulaire que nous avons reprises dans notre travail, et nous avons tendu ces rsultats aux ltrage des processus champ moyen donnant alors des dmonstrations de convergence nouvelles.

1.4

Les applications nouvelles obtenues dans ce travail

A linstar des cas usuels, pour arriver ltrer pleinement et sans dgrader lnergie contenue dans les signaux estimer, nous avons mis au point un algorithme de ltrage innovant bas sur la dynamique de particules stochastiques mises en interaction. Le ltre utilise des modles de dynamique Lagrangienne dvelopps par les turbulenciers pour simuler des coulements turbulents. Notre traitement prend en compte galement le processus dacquisition pour suivre le capteur dans son dplacement alatoire, et intgre la dynamique Lagrangienne sur des boules localises autour du capteur. La slection des particules est de type gntique, comme on vient de le voir, avec des branchements sur les processus historiques, ce qui correspond un ltrage par arbres gnalogiques (Del Moral (2003, 2004)). La prsentation de ces ltres est lobjet des chapitres 8 et 9.

1.4.1

Filtrage de mesures unidimensionnelles

Le ltrage non-linaire repose sur un modle de comportement du signal ltrer. Pour les uides, il faut donc fournir un modle pertinent. Dans le cas du

Chapitre 1. Introduction

11

ltrage dimage 2D dun champ de vitesses turbulents (voir Cuzol (2006)), on peut proposer comme modle comportemental lquation de Navier-Stokes. Dans notre cas, le uide doit tre modlis localement autour du capteur, et nous avons avantage prendre un modle Lagrangien intgr autour de la position du capteur. S.B. Pope a dvelopp (voir Pope (2000)) une classe de modles Lagrangiens utilisant les grandeurs Eulriennes du uide an de modliser le comportement des suies dans les phnomnes de combustion. Ces modles sont des quations de Langevin faites pour relcher la vitesse Lagrangienne vers le champ moyen Eulrien. Lexpression du temps Lagrangien TL a t recherche pour correspondre la fois lquation de Navier-Stokes et aux lois statistiques de Kolmogorov pour la turbulence localement homogne. On obtient des EDS champ moyen. Dans le cas de la turbulence isotrope en coulement incompressible le modle de Pope simpli scrit en temps continu : 1 3 t dVt = x < p > dt ( + C0 ) (Vt < v >) dt + 2 4 kt C0 t dBt

o les quantits < > sont les moyennes Eulriennes du paramtre, Vt est la vitesse Lagrangienne, x < p > le gradient spatial de pression moyenne, kt lnergie cintique turbulente moyenne, t le taux moyen de dissipation turbulente, Bt est un processus de Wiener et enn C0 la constante de Kolmogorov que nous expliciterons en dtail aux chapitres 3 et 8.

Les modles Lagrangiens de Pope sont des cas particuliers des quations de McKean-Vlasov qui ont largement t tudies par exemple par S. Mlard (1996) et A.S. Sznitman (1991), mais ces EDS sont mal poses. Rcemment M. Bossy, J.F. Jabir et D. Talay ( article en prparation Bossy et al. (2009) ) ont tabli pour un modle approch lexistence et lunicit des solutions en trajectoire et la proprit de propagation du chaos qui permet darmer quun systme particulaire ni se comporte comme le systme rel de taille innie. On pourra aussi mettre prot la lecture de la thse de doctorat de J.F Jabir (Jabir (2008)) portant sur les modles stochastiques Lagrangiens de type McKean-Vlasov conditionnels.

Notre algorithme destimation a dabord t test sur des mesures simules en dimension 1. Pour bruiter ce signal de rfrence nous avons pris un bruit blanc Gaussien de variance connue. Notons que laspect gaussien du bruit nest pas ncessaire au fonctionnement du ltre, il pourrait avoir une loi de probabilit quelconque. Notre ltre utilise alors 100 particules pour ses estimations. Pour intgrer la dynamique Lagrangienne et suivre le processus dacquisition une tape de

Chapitre 1. Introduction

12

conditionnement une boule centre sur la position du capteur a t rajoute. On verra le comportement de ce conditionnement au chapitre 7. Ltape dexploration de lespace des phases utilise pour la vitesse du uide Vt le modle de Pope, mais pour coupler le systme dacquisition lobservation, le processus de Markov a t conditionn au processus dobservation. Des fermetures de lquation de Pope par lobservation ont ainsi pu tre ralises. On voit sur la gure (1.2) en noir le signal de rfrence retrouver, en bleu clair le signal bruit, et en rouge les valeurs estimes. La dirence avec le ltre numrique moyenne mobile est agrant, on peut remarquer que les structures de grandes chelles ont t parfaitement retrouves, que le bruit articiel a t limin et sur le spectre de puissance que la structure nergtique du signal original a t retrouv, suivant la pente en 5/3 de la loi de Kolmogorov pour la turbulence (voir chapitre 2)
Densit Spectrale de Puissance 1024 points
2.25 2.20 2.15

0 5 10 15

2.10
DSP (dB)

20 25 30 35

2.05 2.00 1.95

40
1.90 1.85 300

45
350 400 450 500 550 600

50 10

Vent original 10 Vent filtr Vent bruit

1
frquence (Hz)

5/3 10

10

Fig. 1.2 Filtrage dun vent 1D simul ltr par algorithme particulaire conditionnel avec 100 particules. En cyan le signal bruit, en noir le signal de rfrence et en rouge le vent estim. A gauche la srie temporelle, droite la densit spectrale de puissance

Les mmes essais ont t raliss sur des composantes de vent rellement mesures puis bruits articiellement. Ces rsultats sont montrs dans le chapitre 9

Chapitre 1. Introduction

13

1.4.2

Cas de mesures atmosphriques 3D relles

Ltape suivante a t plus dlicate et a mrit dy consacrer plus de temps, en passant au ltrage du vent en dimension 3. Latmosphre est un uide pesant (les lments uides subissent lattraction gravitationnelle de la terre) avec une certaine ottabilit (les lments uides sont en suspension et subissent la pousse dArchimde), il faut alors changer de modle de comportement, et nous avons choisi un modle de turbulence stratie o lchelle verticale est couple par la ottaison au travers de terme de gradient verticaux de vitesse et surtout de temprature. On doit alors adjoindre au systme une quation dvolution sur cette temprature qui est alors mesure. On verra que mme en 3D, le ltre est oprationnel mais comporte une faiblesse sur cette temprature qui est moins bien perue.

Pour un uide pesant et strati comme dans latmosphre, il faut adapter le modle de Pope et on sinspira du modle de dispersion turbulente de Das et Durbin (2005). Le modle que lon propose est coupl sur la verticale et utilise la temprature locale du uide. Il a pour expression continue a priori : 1 t dVh,t = h < p > .dt C (Vh,t < V >h,t ).dt 2 kt 1 d<V > Vh +(C2 1).(Wt < W >t ). dz h,t .dt + (C0 .t ) 2 dBt dWt = d < W >t C1 t (Wt < W >t ).dt 2 kt
W +(1 C5 )..g.(t < >t ).dt + (C0 .t ) 2 dBt
1

dt = d < >t C1

C1 2

t ( kt t

< >t ).dt


1

t (Wt < W >t ). d<> .dt + (C ) 2 dBt dz

o Vh,t est la vitesse 2D horizontale, W la vitesse verticale, la temprature, comme plus haut les autres paramtres locaux de la turbulence seront dtaills au chapitre 8.

Usant de la mme technique, notamment avec les localisations et le conditionnement lobservation, le signal est ltr et nous approchons les grandeurs caches de lobservation, comme les gradients verticaux, ou le coecient de ottabilit, par des estimes sur le systme de particules. Cest au cours de ltape de slection en retenant les particules les mieux adaptes que lon garde celles qui prsentent les bonnes caractristiques dynamiques. Alors lestim de ces grandeurs

Chapitre 1. Introduction

14

Eulriennes caches sur le systme de particules prend un sens physique. Lapplication se fait sur des mesures relles du vent tridimensionnel et de temprature en un point. Nous avons perturb le signal de rfrence par un bruit gaussien dont la variance augmente avec le niveau de turbulence. Sur la gure 1.3 nous retrouvons les signaux de rfrence en noir, les signaux bruits en bleu ciel et ltrs en rouge.

Comme dans le cas 1D, il existe un bon accord entre les signaux de rfrence et les signaux ltrs. On peut alors considrer que lalgorithme est utilisable pour ltrer les mesures turbulentes. Lun des avantages de la technique est de permettre la restitution a posteriori des grandeurs caches (gradients divers, taux de dissipation, coecient de ottabilit, etc) qui ont t calcules pour ajuster le modle de dynamique. Sur la gure 1.4 on peut examiner, par exemple, le taux de dissipation correspondant aux mesures ltres prcdemment ainsi que la pseudotrajectoire dacquisition du capteur dans le uide considr l comme stationnaire (turbulence ge). Dans ces exemples que lon confronte, qui des donnes simules, qui des donnes relles, nous pouvons exprimentalement eectuer des calculs derreurs en moyenne absolue ou en moyenne quadratique. Les rsultats sont prsents et comments dans le chapitre 9. Ces erreurs montrent un comportement attendu du ltre avec une dcroissance par un nombre de particules qui augmente, ou un bruit dobservation qui diminue. Nous pouvons aussi voir limportance dune bonne modlisation de la dynamique en mesurant limpact de modles (volontairement) dgrads.

Ces erreurs fournies par les expriences numriques peuvent tre galement tudies mathmatiquement en analysant le ltrage de processus champ moyen.

1.5

Les nouveaux outils thoriques dvelopps

Dans cette introduction, pour comparer au ltrage linaire actuellement en vigueur dans le traitement des signaux atmosphriques, nous avons ach en premier lieu les rsultats numriques et graphiques de nos ltres. Cela nous permet de motiver les outils mathmatiques nouveaux mettre en place pour arriver ces productions. Dans ce mmoire lexpos du cadre thorique ne se fera pas dans

Chapitre 1. Introduction

15

4 3 2 1 0 1 2 3 17001800190020002100220023002400250026002700

20 10 0 10 20
3 2 1 0 1

10 15 10 5 0 5 10 15 20 25 10

10

10

10

10

4 3 2 1 0 1 2 3 4 17001800190020002100220023002400250026002700

10

10

10

10

5 4 3 2 1 0 1 2 3 4 5 17001800190020002100220023002400250026002700

10 5 0 5 10 15 20 25 30 3 10

10

10

10

10

302 300 298 296 294 292 290 288 286 284 17001800190020002100220023002400250026002700

10 0 10 20 30
3 2 1 0 1

10

10

10

10

10

Fig. 1.3 Filtrage dun vent rel 3D et de la temprature par algorithme particulaire conditionnel avec 500 particules. En pointill bleu les signaux bruits, en noir ceux de rfrence et en rouge les valeurs estimes par lalgorithme. En haut les composantes horizontales du vent, en bas, la vitesse verticale et la temprature

Chapitre 1. Introduction

16

0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0 0 500 1000 1500 2000 2500 3000

0 20 40 60 80 100 120 140 160 0 467 933 300 1400 250 200 150 100 50 0

Fig. 1.4 Srie de taux de dissipation estim en haut. Pseudo-trajectoire dacquisition en bas

Chapitre 1. Introduction cet ordre avec :

17

1. au chapitre 6, les algorithmes de ltrage des processus champ moyen avec des dmonstrations de convergence. 2. au chapitre 7, la dnition et ltude des processus dacquisition dun champ de vecteurs le long dun chemin alatoire. Le chapitre 8 donnera les algorithmes des ltres particulaires pour les mesures dun uide turbulent qui ne seront que la combinaison de ces 2 techniques.

1.5.1

Filtrages non-linaires de processus champ moyen et leur convergence

On sintresse chaque pas de temps n 0 au ltrage de processus dont la dynamique est dpendante dune loi de probabilit n , connue ou non. Lalgorithme de ltrage aura alors 2 fonctions, apprendre les lois du ltrage et apprendre la loi du champ moyen. Le systme dquations servant au ltrage scrit :
X X Xn+1 = Xn + b(Xn , n )t + n .Wn Y Y Yn = h(Xn ) + n .Wn

(1.19)

On montrera au chapitre 6 dirents algorithmes selon que la loi n est connue ou pas et avec plusieurs mthodes pour apprendre cette mesure selon quelle est indpendante du ltrage (loi a priori), quelle est la loi du prdicteur n ou quelle est la loi du ltre n . On sintressera galement au cas o le champ moyen est conditionn la ralisation dun processus de commande. On peut rapidement esquisser ces algorithmes dans trois cas typiques. Tout dabord plaons-nous dans la situation dune loi de champ moyen a priori et n est apprendre. Pour se faire, il est ncessaire duser dun systme de particules auxiliaire indpendant du ltrage. La dynamique de ce systme reproduit ainsi lvolution de n . Pour prciser les choses, on suppose que pour tout instant n 0, le couple

Chapitre 1. Introduction

18

dynamique/observation (Xn , Yn ) suit le systme :


X X Xn+1 = Xn + b(Xn , n )t + n .Wn Y Y .Wn Yn = h(Xn ) + n

(1.20)

o n est la loi de Xn . On suppose que la fonction b est de la forme b(Xn , n ) = A(Xn ) + B (Xn , x)n (dx)

o B est linaire en sa seconde variable et K -Lipschitzienne borne et An est mesurable borne.


i Pour apprendre n , on forme un second systme de particules (Zn )1id , avec i d > 0. Chacune des particules Zn volue en interagissant avec les autres, sans subir de slection par le ltre i i N X X i Zn +1 = Zn + b(Zn , n )t + n .Wn N i o n est la loi empirique approche par les (Zn )1id

Une fois la loi n approche, le ltrage est classique et pour tout n 0 et tout p 1, il existe des constantes Cn (p) et Cn (p) telles que
N E( n n
1 p p H)

Cn (p) Cn (p) [ + ]I (H) N d

o I (H) est lentropie intgrale sur une sous-classe de fonctions que lon prcisera dans le chapitre 6. On rappelle que la semi-norme de Zolotarev sur la famille de fonctions H pour 2 mesures et est dnie par
H

= sup{| (h) (h)| tel que h H}

Autre type dalgorithme, pour se rapprocher du ltre utilis pour dbruiter les mesures issues dun champ turbulent, considrons la loi de champ moyen donne par la loi du ltre lui-mme n = Loi(Xn |Y0 . . . Yn ). Le systme servant au ltrage nest modi que pour lquation de dynamique X X . .Wn qui scrit Xn+1 = Xn + b(Xn , n )t + n Pour estimer le champ moyen et les lois du ltrage cette fois un seul systme de N particules est ncessaire. Lalgorithme de ltrage est simple et lestime

Chapitre 1. Introduction

19

derreur pour tout instant n 0 est directe et assure pour tout p 1, lexistence de constantes Cn (p) telles que
N E( n n
1 p p H)

Cn (p) I (H) N

Le couplage des systmes dacquisition que lon va prsenter dans la section suivante nous ramnera dans cette situation. Si lon navait pu leectuer on se serait trouv dans le cas plus dlicat qui vient, avec pour tout n 0, un 2 1 processus de dynamique Xn command par la ralisation du processus Xn notamment au travers du champ moyen. On dnit alors la mesure de probabilit 2 1 1 n = Loi(Xn | X0 , . . . , Xn ). Lquation de dynamique est pour tout instant n 0
X X 2 2 2 1 Xn +1 = Xn + b(Xn , Xn , n )t + n .Wn 2 et on nobserve que le processus Xn par lquation de transfert 2 Y Y Yn = h(Xn ) + n .Wn 2 Avec ce systme le problme du ltrage consiste trouver la Loi(Xn | Y0 . . . Yn ).

1 (Xn , n ),

Sans rien changer au problme, on va dnir par Bn la variable alatoire 2 2 2 X X lquation de dynamique est alors Xn +1 = Xn + b(Xn , Bn )t + n .Wn

A la n-ime itration, lalgorithme que lon propose dmarre par le tirage au 1 hasard selon une loi xe n (dx) que lon espre proche de PXn de M commandes 1,i (Xn )1iM . Pour chaque 1 i M , on fait voluer a priori chaque pas de temps M systmes de particules auxiliaires Z i,k avec 1 k d :
i,k i,k 1,i i,k i,d X X Zn +1 = Zn + b(Xn , Zn , n )t + n Wn+1

(1.21)

Ces systmes auxiliaires permettent dapprocher la loi de champ moyen condii,d 1,i . Le tirage de . On note cette loi empirique n tionne par la ralisation de Xn 1,i Xn et leur systme de particules associs chantillonnent quant eux la loi de i,d )1iM . Bn en (Bn On tire alors parmi ces M chantillons, N milieux selon une loi uniforme pour j,N ,1jN retenir les chantillons nots Bn

Chapitre 1. Introduction

20

2,j )1j N , en supposant par hypothse que la fonction Utilisant N particules (Xn b est Lipschitzienne borne avec une forme que lon explicitera au chapitre 6, on rsout le problme de ltrage de manire standard maintenant en utilisant pour ltape de mutation lquation de dynamique approche : 2,j 2,j 2,j j,N X X,j Xn +1 = Xn + b(Xn , Bn )t + n Wn

Cet algorithme particulaire permet davoir pour tout instant n 0 et pour tout p 1, un contrle des erreurs de lapproximation et lexistence de constantes N d M Cn (p), Cn (p) et Cn (p) telles que
N E( n n
1 p p H)

N M d Cn (p) Cn (p) Cn (p) [ + + ]I (H) N M d

Ces trois exemples montrent le type de rsultats auxquels on doit sattendre pour le ltrage de processus champ moyen. Les algorithmes sont nouveaux et sont plus ou moins lourds en fonction du niveau dinformation dont on dispose pour la loi du champ moyen et les dmonstrations des rsultats de convergence compltent notre apport.

1.5.2

Processus dacquisition dun champ alatoire multidimensionnel

Le ltrage que lon vient dvoquer demande une modlisation stochastique du signal poursuivre. Mais un tel modle nexiste pas forcment en particulier pour un uide prsentant un coulement bi ou tridimensionnel. Cependant on dispose de reprsentations des champs de vitesses Eulriens de grandes chelles ou de modles Lagrangiens possdant une dynamique plus locale. En tous les cas, aucune ne propose de solution pour modliser le signal que prendrait un capteur mobile dans lcoulement. Pour y parvenir, nous devons dabord dnir une quantit nouvelle, lacquisition dun champ multidimensionnel le long dun chemin alatoire. Cette acquisition est une notion assez gnrale pouvant servir en ltrage mais aussi en modlisation ponctuelle des champs alatoires. Soit E Rd , d N un espace de points muni de la tribu E et E Rd , d N lespace des phases muni de la tribu E . On se donne galement (, F , (Ft )t0 , P) un

Chapitre 1. Introduction

21

espace de probabilit ltr complet. Soient T < un rel, x E , Xt un processus valeurs dans (E, E ) et Xt,x un champ de vecteurs de (E , E ). On appellera le couple dapplications Ft -mesurables (Xt , Xt,x ) un systme dacquisition du champ de vecteur alatoire, Xt est appel le chemin du processus dacquisition, la famille def Xt,x est le champ dacquisition et pour terminer le processus At = Xt,Xt est appel le processus dacquisition de Xt,x le long de Xt . Nous pouvons donner un exemple touchant au uide en prenant le champ Ut,x de vitesses Eulriennes du uide alatoire et en considrant Xtx0 le ot stochastique partant au temps initial dune position x0 E . La vitesse Lagrangienne dun lment de uide Vt = Ut,Xtx0 est alors une acquisition. On sintressera lestimation de lesprance E(f (Xt , At )|Xt ) =
E

f (Xt , a)pAt |Xt (a|Xt ) da

On peut noter que, voir le paragraphe 7.1.2, lobservation Yt de la quantit Xt est un systme dacquisition du champ gnr par la fonction dobservation H . Le problme de ltrage est alors symtrique celui de lacquisition. Pour appliquer cette notion au problme de ltrage, on va coupler 2 systmes dacquisition, le premier correspond une acquisition Lagrangienne partant du x0 point x0 : (Xn , Xn,Xn x0 ) = (Xn , Xn ), lautre est le relev de lacquisition Lagrangienne le long dun chemin indpendant du milieu Zn : (Zn , An = Xn,Zn ). On se donne des boules suivant le chemin dacquisition Bn (Zn ) = {x E : |x Zn | n } et on demande destimer les 2 mesures de probabilits, telles que pour toute fonction test f ,
n (f ) = E(f (Xn , Xn ) | X0 B0 (Z0 ), . . . , Xn Bn (Zn )) et n (f ) = E(f (Xn , Xn ) | X0 B0 (Z0 ), . . . , Xn1 Bn 1 (Zn1 ))

Ces 2 mesures ont une structure de semi-groupe de Feynman-Kac et


(Z ) (Xp )) E(f (Xn , Xn ) n p p=0 1Bp n (f ) = n (Z ) (Xp )) E( p=0 1Bp p

(1.22)

n (f ) =

E(f (Xn , Xn ) E(
n1 p=0

n1 p=0

(Z ) (Xp )) 1Bp p

(Z ) (Xp )) 1 Bp p

(1.23)

La gure 1.5 rsume ce que montre le chapitre 7, on dispose dun algorithme

Chapitre 1. Introduction

22

Fig. 1.5 Schma dvolution discrte du processus dacquisition pour une dynamique Lagrangienne destimation itratif de n et n avec le schma
n n n+1 n+1

Mn+1,

Z Sn +1,

n+1

qui correspond des tapes de mutation-slection des tats o lon a pos Mn+1,n ((x, x ), d(z, z )) = P((Xn+1 , Xn+1 ) d(z, z )|(Xn , Xn ) = (x, x )) et
Z Sn +1,n+1 (x, x ), d(y, y )
= 1 Bn (x, x )(x,x ) (d(y, y )) +1 (Zn+1 )E

1 1 Bn (x, x ) +1 (Zn+1 )E

1 Bn (y, y )n+1 (d(y, y )) +1 (Zn+1 )E

n+1 (Bn +1 (Zn+1 ) E )

(1.24)

Ce processus de prdiction/correction du ot discret nous ouvre alors la possibilit de raliser des estimations sur un uide turbulent par un ltrage stochastique, mais il conviendra dajouter un couplage supplmentaire avec le systme dobservation. Ce dernier couplage conditionne le modle lobservation et permettra les fermetures du modle Lagrangien.

Le champ dapplication du ot discret dacquisition est plus large que le seul ltrage. En eet en modlisation dcoulement sur grille de Gauss, en utilisant une modlisation sous-maille Lagrangienne et des chemins dacquisition stationnaires, son utilisation rend possible la restitution sur ces points de grille de lensemble des moments de paramtres du uide. Lvolution Lagrangienne se fait selon le modle de transition et dans un second temps on conditionne au point de grille les particules permettant ainsi dchantillonner les fonctions de distribution de probabilit.

Chapitre 1. Introduction

23

1.6

Organisation du mmoire

Pour dtailler ce que lon vient de prsenter dans lintroduction et complter certains points, nous avons scind ce manuscrit en 3 parties. La premire compose de 3 chapitres est une revue (partielle, forcment) des connaissances sur ltude de la turbulence et sa modlisation mathmatique au chapitre 2, un expos des modles Lagrangiens au chapitre 3 et un tat de lart en mesures et traitement du signal en Micro-Mtorologie donn chapitre 4. La seconde partie plus mathmatique a trait au ltrage avec au chapitre 5 un rappel de la thorie du ltrage non-linaire et au chapitre 6 le dtail de nos travaux sur le ltrage de processus champ moyen. La dernire partie est plus tourne vers lingnierie stochastique avec la prsentation et ltude des processus dacquisition au chapitre 7, leur application au chapitre 8 dans le cadre du problme de ltrage de la mesure sur un champ alatoire le long dun chemin en prenant le cas spcique des uides. Le chapitre 9 concerne la partie numrique de notre travail avec le ltrage de donnes bruites simules ou relles pour des coulements uni, bi ou tridimensionnels. Ce chapitre se conclut par un premier travail sur les estimes derreur approches numriquement. Dans la conclusion de ce mmoire, chapitre 10, on donnera les perspectives maintenant attendues de ce mmoire de thse.

Premire partie Prsentation probabiliste de la mcanique des uides

24

Chapitre 2 Introduction ltude de la turbulence


Intuitivement la notion de turbulence est aise comprendre, mais dicile prsenter rigoureusement. En eet, pour un mme coulement on peut rencontrer un tat ordonn, plutt linaire, reproductible, semblant tre un systme dynamique dterministe, on nomme cet tat le rgime laminaire, et par moment ou localement dans un uide on peut avoir un systme sans ordre apparent, trs tourbillonnaire, dallure alatoire et dun comportement nergtique tout dirent, le rgime turbulent. Comme le font remarquer de nombreux physiciens, le vrai problme pos par la turbulence ne tient pas dans sa description par telle ou telle mthode mais dans le sentiment que lon narrive pas poser la bonne question qui permettrait dans sa rponse de comprendre son mergence et de prvoir son volution.

Les deux tats dont on vient de parler sont rgis par le mme systme dquations, dit de Navier-Stokes, et pourtant toutes les caractristiques dynamiques dirent entre le rgime laminaire et le rgime turbulent. Il est alors dicile de dcrire proprement le phnomne de turbulence avec une limite prcise du domaine dapplication et avec des quations spciques. Qui plus est, les lois de la mcanique semblent tre rompues par la turbulence mais se trouvent tre restaures par les statistiques des mouvements du uide. Cette remarque constitue la premire hypothse de Kolmogorov dans ces premiers travaux pour dcrire le phnomne (Frisch, 1995, p74). Nous en reparlerons ci-aprs.

Chapitre 2. Introduction ltude de la turbulence

26

Si les contours du domaine de la turbulence paraissent ous, on peut nanmoins en dresser des caractristiques qui permettent de classer les coulement turbulents en direntes familles (Chassaing, 2000, p7) : Existence dchelles spatiales spciques. Comportement alatoire. Spectres dnergie caractristiques. Structure bi ou tridimensionnelle des coulements. Phnomnes intermittents. Cinmatique Rotationnelle. Dynamique non-linaire. Energtique Dissipative. Ce sont ces dirents aspects que lon va balayer dans le paragraphe suivant consacr la prsentation de la turbulence.

2.1

Prsentation de la turbulence

Parler de la turbulence de manire exhaustive ncessiterait un texte dune longueur hors de propos ici. Nous allons juste exposer les ides-forces prsentent dans une vision moderne de la turbulence en essayant de porter une ligne directrice qui tend montrer lintrt des mthodes probabilistes dans ltude de ce phnomne.

Evoquer ainsi lintrt de lalatoire touche de suite un sujet sensible pour les physiciens. En eet la dynamique des uides tout comme son quation phare, lquation aux drives partielles (EDP) de Navier-Stokes, sont tout fait dterministes. Mais dans le phnomne de turbulence, qui est contenu dans lEDP de Navier-Stokes, on peut voir, selon lcole laquelle on appartient, soit la manifestation dun nombre inni de degrs de libert dans lespace des phases, soit la prsence dun attracteur trange dun systme dynamique non-linaire dans son espace des phases. Dans les deux cas, cela expliquerait lhypersensibilit aux conditions limites ou initiales et/ou structures de petites chelles dont font montre les uides dans certains coulements. Cest avec cette ide, que lon gagne utiliser une formulation probabiliste du problme dcoulement dun uide. En eet on peut loisir placer lala soit dans les conditions initiales, soit dans lEDP de

Chapitre 2. Introduction ltude de la turbulence

27

rsolution en lui enjoignant un bruit simulant lerreur due aux petites structures.

Commenons par dresser un panorama des concepts classiques. Toute introduction la turbulence (par exemple lire Falkovich (2006)) commence par un rappel de cette grandeur caractristique quest le nombre de Reynolds. Nous ne drogeons pas cette rgle. Le nombre de Reynolds Re est dni par Re = L.V o L est la longueur caractristique de lcoulement (celle dun objet prsent dans le ot par exemple), V sa vitesse, et le coecient de viscosit cinmatique. Ce nombre Re est important car de ses valeurs dpendent les caractristiques de lcoulement, laminaire (Re infrieur une valeur critique) ou non, et niveau de turbulence (dautant plus marque que le nombre de Reynolds augmente) et avec lintensit des intermittences (signaux transitoires rapides). Ce nombre peut se lire comme le rapport entre le transport moyen du uide et le frottement moyen d la viscosit. On considre que la turbulence apparat au del dun seuil dinstabilit caractris par un nombre de Reynolds que lon note Rel . Pour des nombres de Reynolds infrieurs Rel les non-linarits sont ngligeables et lcoulement est considr comme laminaire. Au del de ce Reynolds critique les symtries mathmatiques de lquation de Navier-Stokes sont rompues et lon se place dans le domaine turbulent. En gnral ce nombre limite est autour de Rel = 100. Pour se xer des ordres de grandeurs, dans les coulements atmosphriques turbulents, les nombres de Reynolds peuvent atteindre 109 alors que dans des expriences numriques on peut se trouver limit 105 et selon les capacits de calcul se contraindre des Reynolds de quelques centaines. Dans les grandes souferies, il est possible de produire des coulements turbulents jusqu des nombres de Reynolds de 106 , ce qui permet de reprsenter nement les coulements arodynamiques. Reprsent par son nombre de Reynolds (voir Favre et al. (1976)), on qualie lcoulement en fonction de la taille des phnomnes prpondrants. Si ce sont les grandes structures qui apportent lnergie, on dit que lon est dans le domaine incrmental, a contrario si ce sont les eets de petites chelles qui dissipent lnergie on parle de domaine dissipatif. Entre les deux, se place le domaine inertiel dans lequel se font les transferts dnergie et autres cascades. Cest le domaine par excellence pour tudier la turbulence. Ce sera celui de notre travail.

Chapitre 2. Introduction ltude de la turbulence

28

On le sait, la vitesse dun objet dpend du point de vue. En mcanique, les vitesses sont soit Eulriennes, soit Lagrangiennes. Au chapitre 7 nous allons lier ces 2 points de vue considrant la vitesse Lagrangienne comme lacquisition du champ Eulrien le long du ot. Lacquisition dun champ multidimensionnel est une notion que lon introduira alors dans ce chapitre et pour laquelle on prcisera le comportement dans le cas dune acquisition discrte. Pour une description plus physique on peut lire Pope (2000). Disons simplement Eulrien quand lobservateur est xe par rapport au uide (vitesse du uide en un point xe), et Lagrangien quand il est port par une particule uide (vitesse du uide en un point mobile).

De manire heuristique, le point de vue Lagrangien correspond pour chaque instant t, la donne du couple position/vitesse : (Xt , Vt ) et on cherche des modles dvolution du type : dXt = Vt dt dVt = At (Xt , Vt , t )dt + Bt (Xt , Vt , t )dMt o Mt est un processus alatoire, t une loi donne, At et Bt sont des oprateurs supposs non-linaires.

Le cas Eulrien est dirent, il correspond la donne dun champ de vitesse Ut,x pour chaque point x et pour chaque instant t. Les quations dvolution correspondantes seront alors des EDP comme lest lquation de Navier-Stokes.

On peut dire que les vitesses Eulriennes sont plus souvent associes des descriptions macroscopiques alors que les vitesse Lagrangiennes sont plutot rserves aux descriptions microscopiques attaches la dynamique particulaire.

Venons-en lquation de Navier-Stokes. Elle dcrit, pour t 0, lvolution dun champ de vitesses Eulriennes Ut,x dun uide dans un domaine D de Rd , avec d = 1..3, et des conditions initiales U0,x = U0 (x) et des conditions aux bords que lon suppose ici de Dirichlet Ut,x = f (t, x) sur D, o f est une fonction dnie chaque instant sur les points du bord :

Chapitre 2. Introduction ltude de la turbulence

29

1 + Ut,x x .Ut,x = x pt,x + .Ut,x Ut,x = f (t, x) U0,x = U0 (x)

dans le domaine D sur D

(2.1)

Pour un uide incompressible, on rajoute la condition de divergence nulle du champ Eulrien div (Ut,x ) = 0 dans D.

Le terme de pression pt,x est donn par une quation de Poisson en rsolvant : pt,x
j i Ut,x Ut,x = xj xi

(2.2)

o 1 i d et 1 j d, avec d la dimension de lcoulement, quation que lon complte de conditions aux bords.

Ds prsent et pour le reste de ce manuscrit, nous allons nous placer dans le cas dune densit volumique constante et gale 1. Sil nen tait pas ainsi, il nous faudrait adjoindre lquation de Navier-Stokes une quation dite de continuit dcrivant lvolution de la masse et par l de la densit : + div (Ut,x ) = 0 t (2.3)

Lquation de Navier-Stokes (NSE) est dallure simple, et permet une modlisation facile, mais elle recle bien des dicults mathmatiques. En eet en dimension 3, il y a une comptition entre le terme de diusion linaire .Ut,x , et le terme de non-linarit (Ut,x x ) Ut,x , qui rend dlicat le choix dun espace fonctionnel adapt, et de ce fait il ny a aucun rsultat dexistence de solutions fortes globales, dunicit, de rgularit et de comportement asymptotique. On dispose de rsultats partiels dexistence locale de solutions fortes, dunicit de solution avant un temps ni T , ou dexistence et dunicit de solutions faibles dans le cas incompressible. On pourra mettre prot la lecture de Gibbon et Doering (2005) sur la rgularit des solutions et ou de Caarelli et al. (1982) sur lexistence temps ni de singularits. Les espaces fonctionnels sont alors du type (Cannone 1 ou plus gnralement (1995)) Lp (R3 ) avec p > 3, de Sobolev H s (R3 ) avec s > 2 3 ,q des espaces de Besov Bp (R ).

Chapitre 2. Introduction ltude de la turbulence

30

En dimension 2 la situation est tout autre, en eet, on tire prot du noyau de Leray qui permet de rgulariser NSE. Depuis les travaux de Jean Leray en 1933 on a obtenu peu de rsultats sur lexistence et lunicit de solutions de NSE incompressible. Prsentons alors le thorme de Jean Leray ( pour un expos complet des autres rsultats, on peut lire Cannone (1995)) : Thorme 2.1.1 (Jean Leray 1933). Soit U0 L2 (D) un champ de vecteurs de divergence nulle. 1 Alors il existe une solution de NSE, Ut,x L (R+ , L2 (D)) L2 (R+ , H0 (D)) qui vrie lingalit dnergie t 0 Ut,x
2 L2 (D) t

+ 2
0

Us,x

2 L2 (D) ds

U0

2 L2 (D)

Dans le cas o D R2 , alors Ut,x est unique, Ut,x C 0 (R+ , L2 (D)) et lingalit dnergie est une galit. Pour la dimension 2, la formulation intgrale de la solution faible de NSE est : Ut,x = et. .U0,x
0 t

e(ts) P.[Us,x Us,x ] ds

(2.4)

o P est le projecteur de Leray sur les champs de vecteurs divergence nulle.

Nous nirons pas plus loin dans la prsentation de NSE qui requerrait bien plus, mais nous complterons un peu plus loin par un expos sur la version stochastique de NSE. Nanmoins, lcoulement de uides mme en rgime turbulent relve toujours de NSE.

La notion suivante aborde en mcanique des uides est plus dlicate, elle concerne la moyenne densemble. Avec lide quun uide est un systme dynamique trs chaotique, on dnit la moyenne empirique dun ensemble de ralisations de lexprience avec des conditions initiales et aux bords de mme nature (idalement elles devraient tre identiques). Cette moyenne empirique est qualie de moyenne densemble. La moyenne densemble, limite innie, est inaccessible lexprience mais lespoir du mcanicien est de lapprocher par une moyenne sur un ensemble ni de mesures temporelles, conjecturant que son systme est ergodique et que sa moyenne

Chapitre 2. Introduction ltude de la turbulence

31

empirique va converger vers la moyenne densemble (cf Pope (2000)). On en reparlera un peu plus loin. Pour une quantit eulrienne lie au uide Qt,x , la moyenne densemble est note < Q >t,x ou plus simplement < Q >. On peut interprter cette moyenne de manire probabiliste en considrant le systme alatoire et en dnissant la moyenne densemble < Q > comme lespdef rance du processus Qt,x ( ) : < Q >t,x = Qt,x ( )P(d ). Dans les exemples dutilisation des moyennes densemble on peut citer la dnition de lnergie cintique moyenne E =< 1 U 2 > et sintresser, toujours en 2 exemple, son comportement, son transport par les tourbillons (vortex) prsents dans la turbulence, on peut lire ce sujet Favre et al. (1976). Dans la suite du travail on utilisera cette moyenne densemble, pour dnir par exemple lnergie de dissipation turbulente : t =def 1 def < i,i . t >= 2 <
i,j

(Ut,x < U >)i (Ut,x < U >)i . > xj xj

(2.5)

avec 1 i d et 1 j d, o d est la dimension de lcoulement.

Lquation de Navier-Stokes possde une version simplie bien connue, lqua +Ut,x x .Ut,x = .Ut,x que lon munira de conditions initiales tion de Burgers t ou aux bords similaires celle de NSE. Cela mne une notion de turbulence spcique qui a t dcrite par Polyakov (1995) o il montre lexistence dune intermittence associe ces coulements sans gradient de pression.

Cette quation de Burgers est utile, car cest en quelque sorte un prototype de Navier-Stokes. U. Frisch (voir par exemple Frisch (1995) ) nous fait dailleurs remarquer que dexprience, les ides ou schmas numriques qui ne fonctionnent pas sur Burgers, ne fonctionneront pas sur Navier-Stokes. En quelque sorte, si on dispose dune mthode pour traiter lquation de Navier-Stokes, il peut tre judicieux de la tester dabord sur lquation de Burgers qui est plus simple et si la mthode est en chec, point nest la peine daller plus loin . . .

Comme on vient de le dire avec ltude de Polyakov, il existe une thorie de la turbulence associe lquation de Burgers. On pourra lire en dtail le mmoire de thse de Jrmie Bec (2002).

Chapitre 2. Introduction ltude de la turbulence

32

Pour le probabiliste, lquation de Burgers est connue et a conduit une interprtation particulaire bien tudie, Sznitman (1991) ou Mlard (1996), par exemple, ou Funaki et Woyczynski (1998) pour une version 1D avec un laplacien fractionnaire en bruit de dynamique. A la suite de ces travaux pionniers, a t formule une interprtation particulaire pour NSE dabord en dimension 1 Bossy et Talay (1996b), Bossy et Talay (1996a) et Bossy et al. (1997), puis en dimension 2 voir Mlard (2001), puis plus rcemment en dimension 3 avec Fontbona (2006).

Ces interprtations particulaires reposent sur lcriture en vortex de NSE. En dnissant un vortex t,x par le rotationnel de la vitesse, en prenant le rotationnel de NSE on obtient lquation en tourbillon associe lcoulement du uide incompressible :
t,x t

0,x

+ Ut,x .x t,x = t,x .x Ut,x + t,x dans le domaine D = 0 (x) sur D

(2.6)

Cette formulation est importante pour caractriser un coulement turbulent composante fortement tourbillonnaire. On note qu prsent le terme de pression a disparu. Nanmoins pour reconstituer le champ de vitesse il faut inverser le rotationnel et pour retrouver le terme de pression inverser lquation de Poisson.

Nous avons volontairement omis de dcrire ltat des connaissances et des interrogations sur lquation dEuler valable pour la limite des uides inviscides. Cette absence de viscosit donne des coulements extrmements turbulents avec une analyse mathmatiquement plus dicile par labsence de rgularisation que permet le terme de diusion reprsent dans lquation de Navier-Stokes par le Laplacien de la vitesse. Pour plus de dtails on pourra nanmoins se reporter aux travaux de L. Onsager (Onsager (1949)) ou plus rcemment de J. Duchon et R. Robert (Duchon et Robert (2000)). Quittant un peu lanalyse au travers des EDP, la turbulence peut tre aussi dcrite par des proprits dchelle, Bensi et al. (1996), de hirarchie de structure She (1997) avec des interactions entre les incrments de vitesse et lnergie, des cascades nergtiques Renner et al. (2002) .

Ces aspects mnent une description multifractale de lintermittence en turbulence pleinement dveloppe dans Frisch (1980) ou Frisch (1995), Balkovsky

Chapitre 2. Introduction ltude de la turbulence

33

et al. (1997); Kolokolov (2000)

Mais les descriptions comportementales que lon vient dvoquer ncessitent en premier lieu une analyse statistique des coulements uides.

2.2

Description statistique de la turbulence

Pour tudier la turbulence, et au moins la dcrire, soit il faut analyser un trs grand nombre de ralisations du mme coulement pour dgager les modes propres dominants, soit on observe les structures formes sous leet de la dynamique turbulente. La premire approche correspond ltude des moments, la seconde la description des fonctions de structure et de leur apparence multifractale.

Les quations des moments de la turbulence passent par la commutation entre la moyenne densemble et les oprateurs de drivation. Si cette opration est lvidence mme pour le physicien, on va tout de mme penser considrer les quantits bornes pour assurer mathmatiquement cette commutation. On spare alors toute quantit eulrienne Qt,x en terme moyen et uctuation : Qt,x =< Q >t,x +qt,x Sir Reynolds dans les annes 1880 propose de prendre la moyenne de lquation de Navier-Stokes et dutiliser une dcomposition des paramtres en tat moyen et uctuation. Lquation de Navier-Stokes devient alors lquation de Reynolds : ( + < U >t,x ) < U >t,x = x < P >t,x t + < U >t,x x < u.u >t,x
T

( Pression moyenne ) ( Viscosit moyenne ) ( Tensions de Reynolds ) (2.7)

Le nouveau terme, < u, u >t,x se nomme la tension de Reynolds et est le moment dordre 2 des uctuations, on peut ritrer le procd avec une quation sur < u.uT > mais elle fera apparatre des moments dordre 3, et ainsi de suite sans jamais fermer. On obtient ainsi une cascade dquations portant sur les moments. Pour fermer le systme il faut une tape se donner un modle phnomnologique

Chapitre 2. Introduction ltude de la turbulence

34

pour un de ces moments (voir Degond et Lemou (2002)). Ce sont les fermetures lordre 2 ou 3 qui sont les plus frquentes.

On peut formuler de nombreux jeux dquation sur les moments, ou sur les tensions de Reynolds, notamment en utilisant les corrlations 2 points (cf Chassaing (2000)). Ces ensembles dquations aux moments sont spciques aux problmes mis en valeur, comme les thories cintiques (lire les travaux de Degond et Lemou sur lapplication des coulements turbulents Degond et Lemou (2002)). Mais tous sourent du mme dfaut, on ne les ferme pas sans hypothses supplmentaires, en gnral dordre empirique.

Lautre faon de dcrire statistiquement la turbulence a t initie par le mtorologiste Richardson qui, en 1922, pense aux cascades dnergie entre les chelles, en conjecturant des interactions entre les tourbillons de direntes tailles. En 1926, il dcouvre exprimentalement une loi qui stipule que le taux daccroissement du carr de la distance entre 2 particules places dans un coulement turbulent varie 2 : < l2 >< l2 > 3 . comme la distance entre les particules leve la puissance 4 3 t Une dizaine dannes plus tard, Kolmogorov, inspir par Richardson, travaille dans ce contexte. en 39 puis 41, Kolmogorov crit 2 articles sur les spirales de Wiener, anctres des processus autosimilaires. en 41, il crit un premier texte ( mathmatique ) sur les processus localement homognes. Il rdige alors son clbrissime article sur la turbulence : Kolmogorov (1941). La thorie phnomnologique quil nonce pour la turbulence est universellement cote K41. Dans sa rexion, il considre la turbulence localement homogne et insiste lourdement sur le rle des incrments de vitesse (il prfre laccroissement du processus aux uctuations).

On nomme incrment spatial de vitesse la quantit : ur (x) = U (x + r) U (x) (2.8)

o r est un vecteur auquel on donne une direction particulire, en gnral soit

Chapitre 2. Introduction ltude de la turbulence

35

tangent lcoulement orient dans son sens, soit orthogonal lcoulement avec une direction que lon prcise.

On dnit la fonction de structure spatiale longitudinale (resp. orthogonale) dordre p pour lcoulement comme tant le moment dordre p de lincrment de vitesse longitudinal (resp. orthogonal) : Sp =< (ur )p >
p ( resp. < (u r ) > )

(2.9)

Kolmogorov base sa rexion sur une srie dhypothses que voici (Frisch (1995)) :

- H1 : Pour des nombres de Reynolds innis, toutes les symtries des quations de Navier-Stokes, dtruites par la turbulence, sont restaures dans les statistiques de lcoulement.

- H2 : Sous les hypothses de H1, la turbulence est autosimilaire : u(x, r) = h u(x, r) en loi.

- H3 : Sous les hypothses de H1, la turbulence a un taux moyen de dissipation par unit de masse ni non nul

Kolmogorov se place dans le domaine inertiel compris entre lchelle o les dissipations thermiques prdominent et lchelle intgrale o les grandes structures apportent les incrments dnergie la cascade. Dans ce domaine inertiel, pour Kolmogorov, lnergie est transfre des chelles les plus grandes vers les plus petites sans perte avec un taux quil suppose constant dans tout le domaine.

Loi des deux-tiers

Dans un uide turbulent localement homogne, des nombres de Reynolds tendant linni, la fonction de structure dordre 2, S2 (r), entre deux points distants

Chapitre 2. Introduction ltude de la turbulence

36

de la longueur r est une puissance deux-tiers de cette distance : < (ur )2 >= C0 2/3 r2/3 , o C0 est une constante adimensionnelle universelle, et est le taux moyen de dissipation turbulente.

La dmonstration de cette loi nutilise pas explicitement lquation de NavierStokes mais seulement ses invariances et se trouve par des considrations dimensionnelles.

Loi des quatre-cinquimes .

Dans des coulements turbulents localement homognes, trs grands nombres de Reynolds, la fonction de structure dordre 3, S3 (r), entre deux points distants r o r est comparable la longueur dchelle. de r est < (ur )3 >= 4 5

Des deux lois prcdentes on tire une expression de lnergie pour un nombre donde : E () = C0 .2/3 5/3 .

Cette dernire loi, consquence des prcdentes, est certainement celle qui est la plus utilise lorsquon modlise la turbulence, et que lon fait rfrence un systme avec un spectre de Kolmogorov. En eet on demandera au spectre des dans le domaine inertiel. processus que lon modlise davoir une pente en 5 3 Rappelons ici (Lumley (1970)) que le spectre de puissance est dni comme la transforme de Fourier de la fonction dautocorrlation SXX (f ) = F (RXX ) = R (s) e2i.f.s ds o RXX est la fonction dautocorrlation du processus X R XX et f est une frquence. Il faut alors se prmunir des problmes dexistence en considrant des processus nis stationnaires et dnergie nie et des fonctions de corrlation intgrables.

Les lois de Kolmogorov pour la turbulence homogne localement ont subi des critiques notamment de Landau (Frisch (1995)) mais elles sont trs utiles et rcemment Flandoli et al. (2008) ont montr leur pertinence sous certaines hypothses en les dduisant de la version stochastique de NSE.

Chapitre 2. Introduction ltude de la turbulence

37

Mais dans notre description statistique, il faut aller plus avant en dcrivant le concept dintermittence. Les zones dintermittences ont des comportements nergtiques trs dirents ( Frisch (1995), Novikov (1980), Vincenzi (2003), ou encore Chertkov et al. (1998a) ). On dnira conceptuellement lintermittence comme la prsence dvnements transitoires de forte intensit et dsorganiss. Elles seront caractrises par les fonctions de structures et par lcart la gaussienne de leur fonction de densit de probabilit.

Pour prciser cela il faut complter le travail sur les fonctions de structure. On trouvera dans les travaux de Polyakov (1995) puis Yakhot (2001, 1998) la description des cascades entre les fonctions de structures de dirents ordres (n, m).

En dnissant les incrments longitudinaux ur et orthogonaux u r , on note


m Sn,m (r) = < (ur )n .(u r ) >

(2.10)

les fonctions de structure spatiales gnralises (lire Frisch (1995) ou Chassaing (2000) ).

A partir de NSE en dimension d, aprs quelques manipulations algbriques Yakhot (2001) obtient la relation : S2n,0 d 1 (d 1)(2n 1) + S2n,0 S2n2,2 = (2n 1). < px (ur )2n2 > r r r (2.11) o px est lincrment de pression. On note que les fonctions de structure dpendent des ordres infrieurs et des corrlations entre incrments de pression et incrments de vitesses. L encore la cascade dquations ne ferme pas. Dautres quations sur ces moments sont possibles, Yakhot montre dailleurs dans son article de 98 (Yakhot (1998)) que Sn (r) = An rn + .An3 n(n 1)(n 2) r3+n3 n+B 3 + n3 n (2.12)

o les An , , B sont des paramtres qui ne dpendent pas de r, et n est un exposant dchelle.

Cette relation est intressante pour deux choses. Dabord en prenant n = 3, r + O(r3 ), qui est la loi des quatre-cinquimes quavait on retrouve S3 (r) = 4 5

Chapitre 2. Introduction ltude de la turbulence nonc Kolmogorov en 1941.

38

Lquation 2.12 fait apparatre des puissances de r dans les fonctions de structure dexposant n . Les n sont eux mmes des fonctions et signent un coulement intermittent. De plus leur forme rationnelle suggre la prsence de processus multifractaux par lequel des cascades dnergie particulires apparaissent (voir Frisch (1995) ou pour les cascades multifractales Hunt et al. (1991) Chainais (2001) Chertkov et al. (1998b, 1997); Del Sole (1999), on peut aussi lire Schertzer et al. (2002) pour un expos sur les champs multifractaux).

Cette ide de lois en puissance pour les fonctions de structure nest pas mise en dfaut par lexprience, mais les exposants dchelle mesurs ne varient pas linairement avec lordre p. On parle de lois dchelle anormales et lcart la loi de Kolmogorov p = p/3 marquent la prsence dintermittence et correspondent des processus queues lourdes avec des temps dautocorrlation innis.

On vient de prsenter succinctement les direntes manires de modliser statistiquement la turbulence, nous allons maintenant voquer la modlisation du comportement du uide turbulent travers direntes mthodes.

2.3

Simulations numriques dterministes dcoulements turbulents

Nous allons voquer tout dabord les modlisations dterministes de la turbulence des ns de simulations. Il en existe de plusieurs sortes, chacune utilisant un aspect de nos connaissances sur la turbulence.

Nous dmarrons avec la plus naturelle des mthodes, la Simulation Numrique Directe (DNS) (voir la description dans Pope (2000)). Cette technique est la manire la plus prcise dtudier numriquement un uide turbulent. Dans ce cadre, le champ de vitesse Eulrienne est directement rsolu par lquation de NavierStokes, et il ny a aucun moyennage deectu, ou de modlisation de la turbulence

Chapitre 2. Introduction ltude de la turbulence

39

dutilise. Seules les erreurs dues aux schmas numriques dgradent la solution. La DNS est lapproche la plus directe pour simuler les coulements uides, mais cest de loin la plus coteuse en temps de calcul et en complexit. Dans ce cas, le domaine de calcul doit tre assez grand pour ne pas avoir deet de bord, et le maillage serr pour prendre en compte les phnomnes les plus ns. Utilisant la thorie de linformation, lchelle la plus grande permise par le domaine (correspondant la longueur donde de Rayleigh), et la taille du maillage fourni le nombre de Reynolds de lcoulement (longueur donde de Shannon, lire Shannon (1948) ou les consquences du theorme 4.4.1). Par la lourdeur du procd, la DNS est utile pour tudier certains coulements acadmiques, mais nest pas adapte pour la simulation oprationnelle.

La seconde mthode est la LES (Large Eddy Simulation Chassaing (2000); Pope (2000)). Cest une mthode utilisant 2 techniques. Les chelles les plus grandes sont rsolues par une quation de Navier-Stokes, et linuence des plus petites structures est fournie par un modle empirique forc par lcoulement principal. La sparation opre un ltrage. La LES est rapprocher dune troisime mthode dite RANS (Reynolds Average Navier-Stokes) mais la LES est plus proche de la DNS dans son esprit. Dans la mthode RANS les petites structures de la turbulence sont couples sans tenir compte du maillage alors que dans la mthode LES, ce sont les rsultats sur la grille qui paramtrent le modle sous-grille. La mthode RANS a tendance amortir les plus petites chelles du mouvement quelle que soit la taille du maillage, alors que dans la LES cest la taille de la grille qui dnit lattnuation. Donc plus une grille est ne, moins il y a dattnuation des petites structures et plus on se rapproche de la DNS.

Il existe un nombre important de modles pour calculer des coulements turbulents dans des environnements complexes, mais la fois la DNS et la LES sont trop coteuses dans les applications dingnierie. Du fait de ces problmes de cots numriques rdhibitoires, trs souvent on utilise lapproche RANS avec un modle de turbulence k avec des schmas de fermeture. Le modle en k est compos de 2 quations qui fournissent lnergie cintique turbulente k , et le taux de dissipation turbulente (Chassaing (2000); Pope (2000))

Pour tablir le modle en k , on utilise lquation de Reynolds incompressible (2.7) sur les quantits moyennes, que lon appelle aussi RANS, et on applique

Chapitre 2. Introduction ltude de la turbulence

40

une modlisation ( empirique ) particulire des tensions de Reynolds pour avoir


kt,x + < U >t,x .x kt,x x .(Dk x kt,x ) + k kt,x t t,x + < U >t,x .x t,x x .(D x t,x ) + t,x t

= Fk = F

(2.13)

Les Dk , D , k , , Fk et F sont des fonctions de k et .

Dernire famille de mthodes prsente ici, les mthodes spectrales (Chassaing (2000); Pope (2000)) sont dautres types de technique, o le passage en espace de Fourier permet certaines simplications de calcul notamment lorsque le domaine est priodique comme un cylindre, un tore ou la sphre. Le travail dans lespace de Fourier permet de mieux traiter les modes prsents dans la simulation, notamment en respectant les cascades dnergie, lapproche spectrale permet un traitement simple des corrlations (cest une approche 2 points). Cette mthode permet alors daccder toutes les chelles de la turbulence ainsi qu la gomtrie des structures contribuant lcoulement. Qui plus est, en transformant les EDP par Fourier, on remplace les oprateurs de drivation (numriquement approchs) par des oprations polynomiales (exactes). Comme pour la DNS, son problme essentiel tient dans un cot non ngligeable de calculs. Toutes les mthodes que lon vient de prsenter sourent du mme dfaut, elles ncessitent des quations supplmentaires pour fermer les systmes. Ce problme est intrinsquement due aux non-linarits prsentes dans les quations dvolution des uides. Chacun des modles fait apparatre plus dinconnues que dquations. Il faut alors trouver des quations additionnelles pour fermer algbriquement le systme, ou bien il faut chercher des hypothses physiques simplicatrices fondes sur lexprience. Les quations complmentaires sont souvent empiriques et donnent de manire explicite le paramtre par lequel on veut faire la fermeture ( voir Chassaing (2000); Frisch (1995) ). Par exemple dans la mthode LES avec le modle grande chelle rsolvant le systme k , on adjoint un modle bulle plus simple pour fermer. Pour ce qui est des modles statistiques, en gnral la fermeture se fait pour le moment lordre deux Chassaing (2000); Pope (2000).

2.4

Modlisations probabilistes de la turbulence

Depuis 10 ans des dveloppements substantiels ont t raliss dans ltude probabiliste des uides nous allons rapidement les passer en revue. Deux voies

Chapitre 2. Introduction ltude de la turbulence

41

ont t explores : soit lcriture et ltude dune version stochastique de NSE (voir Debussche et Odasso (2006)), soit la reprsentation des solutions de NSE en processus alatoire ( voir Fontbona (2006) ). Ces travaux nous permettent maintenant de parler de modlisations stochastiques des champs Eulriens turbulents en dimension 2 et 3 Mikulevicius et Rozovskii (2004). Ltude des reprsentations de NSE ou de SNSE a prot des avances faites sur ltude des systmes innidimensionnels (la littrature est nombreuse, on peut lire par exemple les travaux de DaPrato et de ses dirents collaborateurs Da Prato et Zabczyk (1992, 2003) ou bien Krylov et al. (1999) ) et sur lapproche particulaire des quations aux drives partielles stochastiques (SPDE) (comme par exemple, parmi tant dautres, Kurtz et Xiong (1999)). La reprsentation probabiliste des EDP est dcrite dans Revuz et Yor (1990) ou Ethier et Kurtz (1986). Elle permet dassocier une EDP un processus stochastique et/ou une quation direntielle stochastique (SDE) qui, lorsque la solution nest pas explicite, permet de trouver une solution approche de type particulaire.

Pour revenir aux uides, dans Menaldi et Sritharan (2002), les auteurs prouvent pour la dimension 2 lexistence et lunicit de solutions fortes qui dpendent trajectoriellement du problme de martingale associ lquation de Navier-Stokes en lcrivant au sens faible comme une quation de It : d(Ut,x , v ) + (AUt,x + B (Ut,x , v ))dt = (U0,x , v ) = (U0 (x), v )
k (gk (t, x), v )dwk,t

(2.14)

1 pour tout t [0, T ], x D et v V, o V = v : D Rd , v H0 (D)div (v ) = 0 , avec Av = PV v , B (v ) = PV (v.v ) et PV est le projecteur orthogonal de L2 (D) dans (V ) (projecteur de Hodge-Leray) et pour terminer, wk,t est un brownien cylindrique.

Pour NSE en dimension 3, dans Busnello et al. (2005) on trouvera une reprsentation stochastique pour NSE en formulation vorticit et lauteur donne un thorme dexistence et dunicit locale. Plus rcemment Fontbona (2006) toujours pour une reprsentation stochastique en formulation vorticit donne lapproche particulaire correspondante. En outre Busnello montre la convergence de la mthode stochastique du vortex en la considrant comme une extension des modles de type McKean-Vlasov (voir Bossy (2005)) et prouve la convergence de son approche particulaire. Il exprime la solution en terme de ot de vortex stochastique et sapproche de la modlisation Lagrangienne dont nous parlons au chapitre 3 dans une description plus physique ( on peut lire aussi Mikulevicius et Rozovskii

Chapitre 2. Introduction ltude de la turbulence

42

(2004) pour une description du ot stochastique de SNSE en dimension 2). Avant Fontbona et Busnello, LeJan et Sznitman ont explor les cascades nergtiques de NSE-3D Le Jan et Sznitman (1997), Sylvie Mlard (Mlard (2001)) avait ralis le mme travail, mais en dimension 2, en tudiant la SDE
t

Xt = X0 +

2Bt +
0

s (Xs )ds K P

(2.15)

o X0 est une variable alatoire de loi P0 , Xt C (R, R2 ) pour t > 0, K est le 1 noyau de Biot-Savart K (x) = 21 (x2 , x1 ), x R2 , et Ps est la loi de Xs et x (Xs )ds = EP [1dXs (Xt )h(X0 )] et h est la densit de P0 par rapport la mesure P de Lebesgue. On la voqu au dbut de cette section, lautre angle dattaque est ltude de lquation de Navier-Stokes Stochastique (SNSE) qui correspond lajout dun bruit, souvent la drive en temps au sens de Malliavin dun mouvement Brownien Wt , sur NSE classique :
+ Ut,x x .Ut,x = x pt,x + .Ut,x + Wt t

(2.16)

En crivant ce systme on compte sur le bruit blanc additionnel, mme en tant faible, pour rgulariser lquation de Navier-Stokes et ainsi prvenir lirruption de singularits.

Pour la dimension 2, Mikulevicius et Rozovskii (2001) nous ont fourni un thorme de propagation du chaos pour le systme de particules approchant SNSE. Hairer et al. (2004) ont explor quant eux le calcul de Malliavin sur les ots stochastiques du uide bidimensionnel.

Depuis ces travaux prcurseurs, les probabilistes ont obtenu un certain nombre de rsultats comme lexistence de solutions Markov, Debussche et Odasso (2006), pour les coulements tridimensionnels : Thorme 2.4.1 (Debussche et Odasso 2006). Pour lquation de Navier-Stokes incompressible dans un domaine D de R3 avec des conditions de Dirichlet au bord D et une condition initiale fournie, crite sous forme de lEDS dUt,x = (AUt,x + B (Ut,x ))dt + (Ut,x )dWt U0,x = U0 (x) (2.17)

Chapitre 2. Introduction ltude de la turbulence

43

Il existe une famille de martingales (x , Fx , Px , U (, x))xD solutions Markoviennes de 2.17. De plus le semi-groupe de transition (Pt )t0 du processus de Markov solution est stochastiquement continu. Les auteurs donnent ensuite des proprits ergodiques du processus solution.

Auparavant en dimension 3, Flandoli et Romito (2007) avaient tudi la rgularit du semi-groupe des solutions par rapport aux conditions initiales, Romito (2006) avait montr lexistence du problme de martingale et de solution faible stationnaire pour NSE-3D, Da Prato et Debussche (2003) nous avaient donn des conditions dergodicit par une approximation de type Galerkin, Flandoli et Romito (2002) avaient analys les singularits qui doivent tre un ensemble vide avec une probabilit 1 pour les solutions statistiquement stationnaires. Plus rcemment, Basson (2008) nous montre lexistence de solutions spatialement homognes pour les coulements dans R3 , cest--dire distribues selon la loi invariante. Dans un autre registre, Swiech (2006) a tudi les grandes dviations pour les solutions de SNSE ou Amirdjanova et Xiong (2006) pour les grandes dviations en dimension 2 pour NSE en formulation vorticit.

On le constate ces dernires annes, les progrs sur la connaissance des quations de Navier-Stokes en tant que processus stochastique ou sur les versions stochastiques de NSE ont t consquents et ont permis davoir des rsultats probants.

Nanmoins, pour restituer des champs de vitesses du uide, il perdure le problme de fermeture inhrents aux quations non-linaires.

Une nouvelle solution pour fermer le systme va tre propose, elle utilise les donnes de lobservation dun uide. Cette solution que lon va dtailler au chapitre 8 a t utilise en parallle pour le suivi de vortex en 2d sur squence dimage par Anne Cuzol (2006).

Comme la fait remarquer Richard Feynman en 1979, ltude des coulements turbulents est encore dans une phase de conceptualisation, et aprs 2 sicles nous navons pas de thorie complte permettant de prvoir lvolution de tous les uides. Des courants de pense sont prsents avec leurs points de vue et leur

Chapitre 2. Introduction ltude de la turbulence

44

recettes pertinentes, mais il ny a pour le moment pas dunit, do linterrogation de ce dbut de chapitre, nous posons-nous la bonne question concernant la turbulence ? Cest dans ce contexte que lon va essayer de prsenter des techniques de modlisation Lagrangiennes pour le mouvement de particules sans inertie places dans la turbulence. Ces techniques reposent sur les travaux de S.B. Pope ( voir larticle de revue de Pope (1994a) ) pour la simulation des suies dans la combustion.

Chapitre 3 Modles Lagrangiens stochastiques de Pope


Dans le chapitre prcdent nous avons prsent succinctement les modlisations statistiques de la turbulence, amenant dun cot les lois de Kolmogorov pour la turbulence homogne localement ou multifractales pour lintermittence, et de lautre les modles Eulriens dterministes ou stochastiques. Nous allons dcrire maintenant une autre forme de modlisation, celle qui prend le point de vue de llment uide se faisant transporter par un ot. Ces modles sont appels Lagrangiens. La particule uide peut se dnir comme un volume (dformable) non vide de matire pour lequel les paramtres thermodynamiques (temprature, pression, densit, composs chimiques, . . .) sont constants ou homognes. Elle subit donc linuence dun milieu alatoire qui conditionne son volution. Il est donc naturel de penser que la description Lagrangienne de lvolution de la vitesse dun lment uide va ncessiter la connaissance du champ Eulrien ou au minimum de paramtres alatoires issus de ce champ. Cest cette combinaison dEulrien et de Lagrangien sous forme dune marche alatoire en milieu alatoire (Varadhan (2004)) qui constitue un Modle Lagrangien Stochastique (SLM) pour la turbulence.

Pour introduire les modles Lagrangiens, dans un registre probabiliste, intressons-nous rapidement larticle de Mikulevicius et Rozovskii (2004) qui est plein denseignements. Les auteurs considrent pour t > 0 le ot Lagrangien X (t, X0 ) (positions prises par une particule place dans un uide) partant du point X0 linstant initial t = 0. A la formulation classique et dterministe, o lon peut crire t X (t, X0 ) = Ut,X (t,X0 ) , avec X (0, X0 ) = X0 , ils prfrent un systme dynamique

Chapitre 3. Modles Lagrangiens stochastiques de Pope

46

stochastique avec un terme de diusion turbulente supplmentaire et crivent son quation dvolution dans (, F , P), espace de probabilit complet : dX (t, X0 ) = Ut,X (t,X0 ) dt + t,X (t,X0 ) dWt X (0, X0 ) = X0 (3.1)

o la fonction (t, x) Ut,x est la solution dune quation de Navier-Stokes dans Rd , t,x est fourni par le champ de vitesse Eulrien et Wt est un mouvement Brownien cylindrique dans un Hilbert H ( symbolise lintgration au sens de Stratonovitch) .

Partant de 3.1 par drivation pour obtenir une quation sur lacclration, puis en intgrant contre une fonction test C0 (R) on obtient (t) F (t, X (t, X0 )) dt = (t) t,X (t,X0 ) dWt + (t) dUt,X (t,X0 ) (3.2)

o F (t, x) est la force totale applique llment uide, en se rappelant la loi de Newton qui exprime que dUt,X (t,X0 ) = F (t, X (t, X0 )) dt (3.3)

Par une formule dIt et aprs quelques manipulations les auteurs obtiennent pour Ut,x lquation :
j p dUt,x = [Ut,x .xj Ut,x + f ].dt + [g (t, x) tx .xp Ut,x ] dWt

(3.4)

U0,x = U0 (x) o f : [0, ) Rd Rd et g : [0, ) Rd H d sont des fonctions FtW -adaptes.

En prenant des cas particuliers bien choisis pour f et g , ils dduisent de cette dernire quation 3.4 diverses formes de NSE, dont ils obtiennent, en dimension 2, un thorme dexistence globale de la solution (ainsi que son lot de problmes de fermeture).

Leur approche est intressante (pour ne pas dire naturelle pour un probabiliste) mais elle ne permet pas de donner un modle pour la vitesse Lagrangienne Vt = Ut,X (t,X0 ) sans avoir sous la main le champ Eulrien compltement rsolu. La

Chapitre 3. Modles Lagrangiens stochastiques de Pope

47

modlisation Lagrangienne est le modle le plus n (celui de llment uide) et a besoin de la connaissance du milieu cette mme chelle pour tre pertinent. Si les champs Eulriens sont connus des chelles plus grossires (i-e sur les mailles dun modle rsolvant le systme de Navier-Stokes), alors la formulation donne par Mikulevicius et Rozovskii (2004) dans lquation 3.1 perd de sa pertinence, et il faut un modle prenant en compte la structure grande chelle pour faire avancer des particules dans les plus petites structures. Cest ce que se proposent de donner les modles stochastiques Lagrangiens de S.B. Pope, que la prochaine section dtaille. On clate alors le champs en composantes de grandes chelles lentes et dterministes fournis par les moyennes densemble de lquation de Navier-Stokes ( quation de Reynolds ) et en composantes de petites chelles rapides et alatoires donnes par la marche alatoire.

3.1

Formulation du modle Lagrangien

Nous allons dans cette section montrer comment le physicien conoit ses modles Lagrangiens en nous attachant ceux labors par S.B. Pope, avant tout conus pour des problmes de modlisations du mouvement de particules nes lors de combustions. S.B. Pope est sans conteste celui qui a explor le plus ce domaine. On peut lire la premire description complte de ces techniques dans Pope (1985), une revue rapide dans Pope (1994a) ou son livre Pope (2000) fruit dun travail de 2 dcennies, ou pour terminer son article de 2002 avec une description plus moderne en terme doprateur Pope (2002b). Nanmoins il existe de nombreuses formulations Lagrangiennes pour les uides. On vient de parler de Mikulevicius et Rozovskii (2004), mais on peut mettre prot la lecture Heppe (1998) ou E et Vanden Eijnden (2000) ou Olla et Paradisi (2004) et toutes reposent sur lanalyse des forces agissant sur les volumes lmentaires et sur le bilan de ces forces qui forme une quation dite de Langevin (ajout dune force alatoire la loi de Newton vise au dessus).

On a voqu la dcomposition en structures Lagrangiennes alatoires rapides et en phnomnes Eulriens de grandes chelles dterministes lents. On dnit alors un temps caractristique Lagrangien TL . Lquation de Langevin pour un

Chapitre 3. Modles Lagrangiens stochastiques de Pope lment uide porte sur la vitesse Lagrangienne et scrit alors

48

dt 2 2 1 +( ) 2 dWt (3.5) TL TL o est une constante, Wt est le mouvement Brownien standard. Le temps Lagrangien TL peut tre galement vu comme le temps dautocorrlation de la vitesse Lagrangienne : pour s > 0, la fonction dautocorrlation scrit (s) = E(Vt .Vt+s ) = 2 exp(s/TL ) et nous avons 0 exp(s/TL )ds = TL . dVt = Vt

Le processus stochastique associ lquation de Langevin 3.5 est bien connu et dcrit sous toutes ses coutures, il sagit du processus dOrnstein-Uhlenbeck dont nous ne rappelons pas les proprits (voir par exemple Karatzas et Shreve (1998)).

Pour laborer notre modle Lagrangien pour la turbulence, il nous faut alors : Trouver le temps caractristique TL pour un uide turbulent avec les proprits requises. Ecrire le modle pour quil soit compatible avec lquation de Navier-Stokes. Plus prcisment, comme on la dcrit au dessus, on veut un modle qui respecte les grandes chelles donnes par NSE, donc ce sera lquation de Reynolds qui nous servira la construction. Etre consistent avec les lois de Kolmogorov K41 sur la turbulence que lon a nonc plus haut. Cette construction se fait trs formellement utilisant le sens physique pour simplier certaines quations et usant de modles empiriques quand il le faut. Il ne sagit pas ici de prouver lexistence ou donner une dmonstration des liens entre les quations, juste de rapporter la logique propre au physicien, en loccurrence S.B. Pope, pour btir ses modles (voir Pope (1994a, 2000)).

Nanmoins pour donner un sens lquation de Reynolds, nous allons supposer que toutes les quantits des quations venir Qt,x sont bornes.

Rcrivons lquation de Reynolds pour le champ Eulrien Ut,x (An dallger les notations, nous omettons les indices (t, x) sur les variables Eulriennes et lindice despace x sur les gradients ) : < U >t,x + < U >t,x x < U >t,x = x < p > < U >t,x divR t (2.7)

Chapitre 3. Modles Lagrangiens stochastiques de Pope

49

o R est le tenseur de Reynolds, R =< ut,x ut,x >t,x avec ut,x = Ut,x < U >t,x . A lchelle Lagrangienne la diusion grande chelle est considre comme ngligeable donc on pose < U >t,x = 0. On introduit la drive Lagrangienne en crivant : D < U >t,x Dt
def

= =

+ Ut,x .x < U >t,x t Ut,x < U >t,x x < U >t,x x < p >t,x div (R)

ut,x
(3.6) o ut,x est la uctuation autour de la moyenne locale < U >t,x et ut,x . < U >t,x est le transport de la moyenne locale par la uctuation.

Par des manipulations lmentaires, formellement, on crit alors une quation dvolution symtrique pour la uctuation ut,x : D u = x < p >t,x +ut,x ut,x x < U >t,x +divR Dt t,x (3.7)

Le terme x < p >t,x +ut,x est de dynamique trs rapide et est trs dicile apprhender. On lui donne alors un modle alatoire empirique : (x < p >t,x +ut,x ).dt = Gij ut,x dt + dWt (3.8)

o Gij et sont des tenseurs quil faudra dcrire par la suite pour remplir le cahier des charges (compatibilit avec NSE et K41).

On peut alors sommer les quations 3.6 et 3.7 et former un modle Lagrangien gnrique pour la vitesse Ut,x . Pour que cette description soit eectivement Lagrangienne il faut lui adjoindre une quation sur lvolution de la position (dXt = Ut,Xt .dt) et considrer Vt la vitesse en Xt partant du point X0 = x0 et de la vitesse initiale V0 = v0 . Dans les notations relatives aux quations Lagrangiennes nous allons omettre lindice de temps et despace sur les moyennes Eulriennes, sous-entendant quelles sont prises au temps considr au point o se trouve cette particule. dXt = Vt dt dV = < p > dt G [V < V >] dt + dW t x ij t t (3.9) V0 = v0 X = x 0 0

Chapitre 3. Modles Lagrangiens stochastiques de Pope

50

La premire loi de Kolmogorov, loi des deux-tiers 2.2, peut sexprimer en terme de fonction de structure temporelle. En crivant le moment dordre 2 de lincrment temporel de vitesse, D2 (s) =< [Ut+s,x Ut,x ]2 >, K41 stipule que D2 (s) = C0 ..s, o C0 > 0 est la constante de Kolmogorov (Il sagit l dun abus que lon commentera peu aprs). On utilise cette dernire expression pour donner une forme qui satisfasse la loi des deux-tiers et qui soit valable pour la turbulence homogne isotrope : = C0 .t (3.10)

Le taux de dissipation t est pris comme la moyenne Eulrienne de la pseudodissipation (trace du tenseur de dissipation) prise au temps t au point Xt dnie par t = 1 < i,i >t,Xt 2 On cherche donner une expression au temps Lagrangien TL . Prenant le mo0 .t =C dle de Langevin 3.5, on trouve T1 . Dans cette expression la valeur de ut 2 2.ut 2 L nous fait dfaut. Utilisant le modle Lagrangien gnrique 3.9, dVt = x < p > dt Gij [Vt < V >] dt + C0 .t dWt , on se place un instant t > 0, on note vt = Vt < V > et on crit, toujours de manire formelle, une quation gnrale dvolution pour les tensions de Reynolds : d < vk vl >= Pkl + Gki < vi vl > +Gli < vi vk > +C0 .t .kl dt o Pkl est le tenseur de production de la turbulence donn par Pkl = < vi vk > < Vl > < Vk > < v i vl > xi xi (3.11)

(3.12)

Cest lquation gnrale pour les tensions de Reynolds 3.11 qui va tre particularise pour donner dirents modles de turbulence, par exemple dans les cas inhomognes anisotropes, et dduire dirents tenseur Gij . Pour le cas simple de la turbulence homogne isotrope, en dnissant le tenseur danisotropie bij par 1 bij =< vi vj > / < vl vl > ij (3.13) 3 il existe un modle comportementale empirique pour les tensions de Reynolds formul par Rotta en 1951 : d 2 < vk vl >= Pkl (2 + 3.C0 )t bkl t .kl dt 3 (3.14)

Pour notre modle Lagrangien donc, on utilise cette quation de Rotta (lire Pope (1994a)) avec son terme de rappel lisotropie (terme disotropisation) pour

Chapitre 3. Modles Lagrangiens stochastiques de Pope

51

3 t dduire G = ( 1 +4 C0 ) k o kt = 2 t

1 2

2 >= Gi,i pour tout i [1, d]. < vt

Dans notre tude (nous justierons ce choix au chapitre 8), nous ne considrerons que ce modle Lagrangien simpli (SLM) : dXt = Vt dt dV = < p > dt ( 1 + 3 C ) t [V < V >] dt + C . dW t t x 0 t t 2 4 0 kt (3.15) V0 = v0 X = x 0 0 o t et kt ont t dnis prcdemment.

2 On notera que lorsque kt = 1 < vt > est nul, alors vt disparat et il ny a pas 2 de turbulence, on sort donc du domaine dutilisation de ce modle. Pour kt 0+ t alors le rapport k , le temps Lagrangien TL 0 et la turbulence est molle. t

Le temps Lagrangien TL pour le modle Lagrangien simpli sexprime par : 4 kt TL = (3.16) 2 + 3.C0 t Le paramtre t note le taux de turbulence, quand ce terme grandit lagitation turbulente augmente. Inversement si t 0 on devient laminaire et lannulation le modle na plus de sens.

On reverra ces faits dans le chapitre 8 avec les limites naturelles du modle Lagrangien discrtis, conditionn et localis que lon utilisera dans le ltrage des mesures de vitesses dun uide turbulent.

Quoiquil en soit, nous avons eectivement dduit un modle Lagrangien, utilisant la structure de grande chelle du uide, mais de ce fait il nest pas ferm. Les 2 termes x < p > et t sont extrieurs au modle et traduisent linuence du milieu alatoire. On notera quil existe un modle de diusion pour les gradients de pression dans la turbulence Girimaji et Pope (1990) que lon utilisera pas.

On peut porter quelques commentaires sur la constante de Kolmogorov C0 . Par simplication nous avons identi la constante du modle Lagrangien avec la

Chapitre 3. Modles Lagrangiens stochastiques de Pope

52

constante de Kolmogorov. En fait lgalit entre ces 2 constantes est une question qui fait dbat et nest pas encore tranche. Dj dans lesprit dA.N. Kolmogorov il sagit dune constante, mais pour rendre compte de lintermittence, notamment, cette constante ne peut tre que locale. En fait elle doit dpendre de lcoulement et la rsolution laquelle on le regarde. Daprs des essais numriques raliss par Pope, Yeung et Sawford (Pope (2002a)), par exemple, dans le cas du modle simpli SLM, on peut prendre C0 = 2.1. On peut lire galement larticle de Heinz (2002), qui dcrit exprimentalement en utilisant des simulations DNS les variations de la constante de Kolmogorov en fonction de la modlisation choisie, et du nombre de Reynolds.

On notera que par construction les modles de type SLM respectent les lois de Kolmogorov pour la turbulence homogne. Notamment, le spectre de puissance associ Vt aura une pente en 5/3 rpondant ainsi la seconde loi de K41. Ceci est particulirement intressant lorsquon cherche par la modlisation Lagrangienne restituer des quantits nergtiques correspondant cette gamme de turbulence, par exemple en modlisation LES ou RANS.

Les modles dont on vient de parler sont valables localement, et sont dnomms modles 1 point. On peut en dduire des modles 2 points, qui vont dcrire la dispersion dlment uide Pope (1983). Sensiblement, ils auront les mmes caractristiques dynamiques, et sont gnrs directement par lquation sur les uctuations ( voir Thomson (1986a,b, 1990), ou plus rcemment Das et Durbin (2005) pour la turbulence stratie en 3D).

Pope (1981) ou Haworth et Pope (1987) entre-autres se sont intresss la modlisation de la pdf associe au ot des modles Lagrangiens pour dirents types de turbulence ou mme dans le cas dcoulements autosimilaires. Mais ils nont jamais abord les problmes de dnition et dexistence de ces fonctions de distribution.

S.B. Pope a dcrit en 1995 pour une intgration numrique lutilisation de particules en interaction pour modliser la dynamique Lagrangienne (nous reprendrons cela en dtail au chapitre 8). Pope estime alors lerreur de la modlisation particulaire avec une majoration en 1N o N est le nombre de particules Pope (1995). Lestimation quil donne est indpendante du temps, ne tient pas compte

Chapitre 3. Modles Lagrangiens stochastiques de Pope

53

de la discrtisation de lquation continue. Il conviendrait dtre un peu plus prcis ce sujet et nous voquerons donc cela dans le chapitre 8.

Apportons pour le moment un complment pour les ots de turbulence inhomognes. Il existe des modles de Langevin gnraliss dcrit dans Haworth et Pope (1986), ou plus tard dans Van Slooten et Pope (1997). Ces modles sont ncessaires dans certains coulement et certaines chelles lorsque se rvlent des structures dans la turbulence. On est alors amen dnir une quantit, la fr quence de turbulence = k et pour fermer le systme il est ncessaire dajouter une quation sur ou sur les spectres dnergie (voir Fox (1997) ou Fox (1999)). Les mthodes dans ce cas doivent la fois rsoudre une quation portant sur la vitesse et sur le terme de dissipation dnergie (voir Pope et Chen (1990) ou Chevillard et al. (2003), ou pour une application Pope (1991) ou Van Slooten et Pope (1997); Slooten et al. (1998)). Mais les quations sur sont compliques et diciles manipuler, et les modles empiriques prsents par les physiciens pas forcment convaincants.

Plus rcemment Pope avec le modle Lagrangien gnralis a dduit un modle pour lacclration (Pope (2002a)). Pour ces modles comme pour ceux sur la vitesse, on a des problmes de fermeture, notamment au second ordre Pope (1994b). On rentre alors dans le domaine des dicults intrinsques aux mthodes numriques de rsolution dcoulements uides.

3.2

Techniques Lagrangiennes en simulation des ots turbulents

Les liens entre les modlisations Lagrangiennes et modlisations directes se font dans les deux sens (Sawford et Yeung (2001)) la fois pour de la validation et pour de laide la paramtrisation des petites chelles.

Il est ncessaire de valider les modles Lagrangiens par des expriences numriques de terrain . Le plus pertinent est de les confronter la ralit. Mais on se trouver face des dicults de 2 natures : les mesures faites lors dexpriences physiques nont pas la nesse requise

Chapitre 3. Modles Lagrangiens stochastiques de Pope

54

pour permettre dobtenir des valeurs ables des constantes, ou comportent des niveaux de bruits trop importants pour une exploitation haute cadence. Cest le cas lorsquon cherche estimer des constantes. il est crucial, pour pouvoir valider un modle Lagrangien, de suivre des particules places dans un ot turbulent et de leur mouvement dduire les caractristiques de lcoulement. Ce suivi physique dans un uide turbulent voir fortement turbulent et de manire inhomogne est extrmement dlicat. Pour palier ces dicults exprimentales, on use alors de modlisations directes des coulements de type DNS pour valider les modles et/ou de conrmer des paramtrisations prises pour laborer les modles Lagrangiens (on peut lire Sawford et Yeung (2001), Fox (1999) ou Malik et Vassilicos (1999) ou plus rcemment Laval et al. (2003)). Pour se faire, on est amen utiliser un certain nombre de cas test pour lesquels la rsolution numrique est porte son maximum, avec une paramtrisation physique la plus ne, pour rendre compte des chelles les plus petites. Cest un travail lourd mais indispensable. Concernant le suivi de particules, on peut retourner le problme. En eet le sujet du suivi de particules reste dlicat et les techniques Lagrangiennes peuvent tre utilises pour suivre des lments uides dans des simulations DNS Yeung et Pope (1988). On peut les voir aussi comme technique dtude du transport de composants passifs dans un uide turbulent (lire par exemple Sawford et Yeung (2003) ou Fox (1997)).

Nous lavons mentionn plusieurs reprises, toutes les mthodes de simulation sont en butte des problmes de fermeture et de paramtrisation de la dynamique des petites chelles. Cest plus particulirement le cas pour les mthodes LES qui peuvent tirer prot de lutilisation des mthodes Lagrangiennes pour paramtrer lapport nergtique ou dynamique des structures sous-maille sur les grandes chelles ( lire Gicquel et al. (2002) ou Sheikhi et al. (2003) ou encore Wang et al. (2004)). Dans ce cas la rsolution particulaire seectue dans une maille considre comme une cellule contenant un certain nombre de particules qui bougent avec une dynamique de grande chelle donne par le solveur pour cette maille (voir Xu et Pope (1997b)). Ce type de technique a t test numriquement et montre que les erreurs dcroissent linairement avec le nombre de particules et avec le ranement de la grille (dans une srie de travaux sur ce thme Xu et Pope (1997b) ou Xu et Pope (1997a) et nalement Xu et Pope (1999)).

Dans le mme registre de mthode numrique, on citera les travaux en cours conjointement lINRIA de Sophia-Antipolis et lADEME pour la prvision

Chapitre 3. Modles Lagrangiens stochastiques de Pope

55

de vent atmosphriques locaux en utilisant des modles de rsolution direntes embots avec pour les structures les plus nes des modles Lagrangiens gnraliss. Les premiers rsultats de faisabilit et lapproche thorique qui en est faite semblent prometteurs, en attendant que sortent des rsultats numriques sur lesquels on pourra juger dnitivement de lintrt des modles Lagrangiens en mtorologie, on peut penser quil y aura l un fort potentiel exploiter. La notion dacquisition dun champ multidimensionnel le long dun chemin que lon a dvelopp au chapitre 7 va permettre damener une modlisation probabiliste du ot du systme dynamique passant par un point de grille qui pourra tre utile ces techniques de modlisation utilisant des descriptions Lagrangiennes.

La turbulence tant dcrite au moins dans ses grandes lignes nous examinerons le cas particulier de la turbulence atmosphriques et des mthodes de mesures et de traitement du signal actuellement en vigeur dans la communaut des mtorologistes.

Chapitre 4 Mesures et traitement du signal en Micro-Mtorologie


Aprs avoir parl du phnomne de la turbulence dans son ensemble, ce chapitre va permettre de dgager les points importants qui caractrisent la turbulence atmosphrique.

Dans latmosphre, de manire plus aige que dans le laboratoire, la notion dchelle est primordiale. Il faut dabord sentendre sur le sens que peut avoir le terme turbulence dans latmosphre. En eet les coulements auxquels on peut sintresser peuvent tre de la taille dun nuage, dune ville, dune valle, dune rgion, dun pays, dun continent ou de la plante . . .Latmosphre si elle est le sige dcoulements tridimensionnels, est un milieu o la dimension verticale (au maximum 10km, on ne parle que de la troposphre) nest pas du mme ordre de grandeur que les dimensions horizontales (cest l quil faut distinguer les domaines dtudes). Si le domaine dtude est petit (domaine local, la valle par exemple, ou microlocale comme la structure de la marge dun nuage) les caractristiques des coulements relveront de la turbulence tridimensionnelle, alors quavec un domaine de grande taille (chelle synoptique de la taille dun pays, ou plantaire) les mcanismes seront dcrits par des coulements en 2D. Intrinsquement lie lchelle spatiale du systme dtude, lchelle temporelle va constituer une autre caractristique. En eet lorsque le modlisateur ou lexprimentateur tudie la dynamique du bord dun nuage, il se place lchelle de quelques secondes, alors quavec un systme synoptique le temps caractristique est de lordre de quelques dizaines dheures. On dcrit dailleurs ces chelles par un nombre dit de Rossby, U similaire au nombre de Reynolds, dni par le rapport Ro = f.L o f est lordre de

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

57

grandeur de la force de Coriolis. Ainsi pour les latitudes moyennes, lchelle plantaire correspond L = 10000 km soit Ro = 0.01, lchelle synoptique L = 1000 km soit Ro = 0.1, la micro-chelle L = 0.1 km soit Ro = 1000.

La dynamique des uides atmosphriques na pas comme seule particularit les phnomnes lis lchelle. En fonction de la taille des systmes, il devra aussi tre ncessaire de prendre en compte des eets donns par (sans ordre dimportance) : Le caractre ondulatoire du uide. La force de Coriolis induite par la rotation terrestre. La prsence deau sous diverses formes (uides polyphasiques). Des apports nergtiques varis (Rayonnements solaires ou terrestres, changements dtats). La force de gravitation. Des structures thermiques sur lhorizontal ou la verticale. La ottabilit des lments du uide (qui est une consquence des 3 points prcdents). Des interactions avec les surfaces. Pourtant les systmes dquations de base sont les mmes quelle que soit lchelle et reposent sur la conservation de grandeurs lors du transport Lagrangien : conservation de la masse (quation de continuit). conservation de la quantit de mouvement (quation de Navier-Stokes avec prsence de forces extrieures). conservation de lnergie. Si on ne prend pas en compte des contenus en eau sous forme de vapeur ou dans dautres tats, le systme complet scrit pour un domaine D S 3 (R + h)\S 3 (R) compris entre deux sphres lune ayant le rayon terrestre R et lautre augmente de la hauteur de latmosphre modlise. Ce sont des quations Eulriennes valables en des points x de D et pour un temps t > 0 (voir De Moor (1983)) et modlisant lair sec : = (U ) Equation de Continuit t 1 U t = p U.U + g + U 2. U Equation du mouvement dQ = U + + T Equation sur lnergie interne (4.1) t dt p = RT Equation des gaz parfaits R T = ( p ) Cp Equation de la temprature
p0

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

58

o lon a retrouv la densit , g le paramtre de gravit, le paramtre de la force de Coriolis, la temprature potentielle, un coecient scalaire, T la temprature cintique, Q lapport extrieur de Chaleur, R le paramtre dtat des gaz parfaits, Cp la capacit calorique des gaz parfaits, p0 le champ de pression sur S 3 (R).

La temprature potentielle est dnie comme la temprature normalise, corrige des eets de la pression (dilatation ou compression). Il manque ce systme des conditions aux bords (S 3 (R) et S 3 (R + h)) et initiales (t = 0) pour les quantits modlises U , , , p et T et la dnition de leurs espaces pour que la solution du systme existe. On notera que les 2 dernires quations sont phnomnologiques et servent fermer le systme. De mme lquation sur lnergie interne nest pas exacte mais utilise lapproximation de gaz parfait de latmosphre.

Ces quations correspondent un uide qui nest plus incompressible, et nous ne connaissons pas de travaux sur lexistence et lunicit de solutions faibles ou fortes pour ce systme prcis, ni de reprsentations probabilistes pour le systme complet avec les fermetures que lon y a adjoint. Nous ne nous tendrons pas plus sur ce sujet qui mriterait une tude complte. Il existe pour lquation de Navier-Stokes compressible seule des rsultats dexistence et de rgularit en temps petits de solutions faibles pour des formes particulires des champs de temprature (comme des tempratures constantes) ou par exemple pour des coulements isentropiques. Il existe une simplication du systme 4.1, dnomm Systme de Boussinesq, pour lequel on rintroduit un champ de vent divergence nulle (uide incompressible) et on se donne une forme particulire pour lquation de lner= U + + |U |2 . Pour le systme de Boussinesq, dans le cas gie : t dun uide non gophysique (on fait disparatre de lquation du mouvement le terme de Coriolis et lquation des gaz parfaits), avec des conditions initiales et aux bords rgulires (de type Lp ou L2 L ) sur un domaine born, il existe des rsultats sur lexistence des solutions dans L2 L mais on sait trs peu de choses sur leur unicit en dehors de la dimension 2, en eet lunicit pour un tel systme est un sujet dicile par le couplage trs non-linaire entre les deux quations du mouvement et de lnergie. On peut lire sur ce thme Diaz et Galiano (1997).

A chaque chelle, il nous faut faire une analyse en ordre de grandeur qui va permettre de mettre en valeur les termes importants dans chaque quation, transformer les quantits pour correspondre la gomtrie, ngliger les termes de faibles

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

59

poids. Ces transformations sur les quations ont pour but de comprendre les phnomnes et rendre vidents les mcanismes, alors que dans le cas simulations, les modles de prvisions utilisent des systmes dquations complets.

La mtorologie grande chelle ncessite des rseaux dobservations tendus sur lensemble de la plante, pour tre assimils ensuite par des modles mtorologiques, dabord pour analyser le temps prsent (techniques dassimilation, qui relvent dun problme de contrle optimal proche du ltrage non-linaire) puis pour prvoir le temps venir avec les conditions initiales assimiles. Ces prvisions peuvent tre des ns oprationnelles (pour linformation ou la protection des personnes et des biens) ou de recherche (pour comprendre des mcanismes hors de porte de lanalyse des quations). Ces modles de prvision sont scinds en deux : un coeur dynamique qui structure les mouvements de grandes chelles, mais tous les processus physiques ne sont pas rsolus, et une modlisation physique restituant leet moyen sur une maille des processus non rsolus (changes de chaleur avec lextrieur, chaleurs latentes libres, ux dnergie dus la turbulence lchelle de la maille ou sous maille . . .).

Pour rgler ces paramtrisations physiques, il faut tudier des cas rels, mesurer les quantits physiques dans latmosphre relles et vrier leur eet linitialisation ou leur restitution lors des prvisions. On le voit, les quantits dintrt correspondent aux chelles les plus petites, et cest dans ce cadre que notre tude se place. Les mesures servant dcrire pour le mieux les structures et les transferts dnergie dans ces chelles locales et microlocales.

Il va sans dire qu linstant o lon eectue une mesure exprimentale, on introduit une erreur alatoire et un bruit tout aussi alatoire, et que pour pouvoir exploiter cette mesure il faudra sparer le signal utile, pour ne pas dire utilisable, de la partie sans information sur la quantit physique espre. Cest le but du ltrage des mesures.

Dans le domaine o lon se place, celui de la turbulence tridimensionnelle de petite chelle, les quantits mesures ont une nature o lala prdomine. On est alors en face dun problme de sparation dun signal et dun bruit qui sont tous deux alatoires. Plus les lois de probabilits des deux phnomnes seront direntes, mieux on pourra sparer les deux parties. Nous reverrons cela dans le

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

60

chapitre 9, en attendant nous commenons par une sommaire mise en revue de ltat de lart en mesures et traitement du signal en Micro-Mtorologie.

4.1

Mesures exprimentales des vitesses dun uide turbulent

La mesure des vitesses dun uide turbulent est dun ouvrage dicile si lon cherche une certaine prcision. En eet, il faut : Mesurer sans perturber lcoulement. Rendre compte de structures fugaces et tridimensionnelles. Assurer que le systme de mesures, denregistrement ou de traitement soit sans biais. Ne pas introduire de bruits comportant des cascades dnergie comparables la turbulence. Avoir une cadence de mesure la plus leve possible (instrumentalement). Le dernier point est la consquence de la thorie de linformation de Shannon (thorme 4.4.1) : Pour pouvoir restituer un phnomne de frquence fp Hz il faut le mesurer au minimum la frquence fs = 2.fp Hz (frquence de Shannon). Ainsi lacquisition de mesures cre une discrtisation du signal qui opre un ltre passebas dans les donnes. Les phnomnes de frquence plus levs que la frquence de Shannon sont prendre comme des bruits sur la dynamique du signal. Nous reverrons les consquences de ce fait au chapitre 7.

Si lon sintresse la mesure de la vitesse dun coulement, les premiers dispositifs taient de simples ls chaus lectriquement (mesures ls chauds Favre et al. (1976)) dont le maintien temprature signait le refroidissement du senseur par ventilation et donc donnait la vitesse du uide. Plus rcemment, leet Doppler a t utilis avec des anmomtres ultrason, la vitesse du uide tant donne par le dcalage frquentiel du signal mis. Ces anmomtres soniques sont ceux qui perturbent le moins le milieu (pas de transducteur dans lcoulement), voir Wieser et al. (2001), mais ils ncessitent une grande cadence dacquisition et un traitement statistique pour retrouver la vitesse une cadence moindre. Cest ce type dappareil de mesures que nous utiliserons dans les applications de la partie III

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

61

On citera deux types de systmes de mesures, que lon nabordera pas dans ce travail et qui ont trait la tldtection, lun pour les mesures de vitesses en veine dcoulement, lautre pour le vent atmosphrique en altitude. Ces techniques ont en commun lanalyse du dplacement de traceur passif, cest dire de particules physiques sans inertie se dplaant dans le milieu observ comme les lments uides eux-mmes.

En laboratoire on peut citer la vlocimtrie par image de particules (PIV) qui estime la vitesse de particules solides entranes par lcoulement partir de deux photos successives prises un trs court intervalle de temps. Cela ncessite densemencer le milieu par des traceurs inertes (non ractant avec le milieu). Les techniques bases sur le suivi de structure sur image ne sont pas lobjet de ce travail mais ont t avantageusement traits par des mthodes particulaires de mme nature dans la thse dAnne Cuzol (Cuzol (2006)). En mesures atmosphriques, les systmes de tldetection utilisent la rexion donde lectromagntique (proleur de vent Radar ou Lidar) ou acoustique (Sodar) soit sur des structures thermiques de petites chelles marquant la turbulence atmosphrique, soit sur des arosols naturellement prsents (qui peuvent tre dorigine terrestre ou anthropique) dans latmosphre. La mesure du vent est alors dpendante de la prsence des rectants et peut notamment tre un frein lutilisation des Lidars dans les couches suprieures de latmosphre o les concentrations en arosols deviennent trop faibles. Ces sondeurs ont un intrt certain en faisant des observations distantes et peuvent faire partie de la charge utile de satellites ddis aux mesures environnementales.

Enn il y a une dernire grande classe dobservations atmosphriques avec les mesures in-situ ralises par des plateformes mobiles. Le vent nest alors pas directement mesur mais dduit dautres observations en retranchant la vitesse de lair par rapport la plateforme de la vitesse du mobile par rapport au sol. Dans les mesures aroportes, ce nest pas le vent relatif qui est lui-mme mesur mais ces consquences sur des senseurs divers comme des capteurs de pression, de temprature, dhumidit multipliant ainsi les sources derreur. Le calcul se fait au travers dapproximations thermodynamiques simples (Lenschow (1986)) qui permettent de dduire la vitesse relative du uide par rapport la plateforme. Lestimation des vitesses du uide pour les plateformes mobiles est alors un problme destimation par fusion de donnes, qui pourra tre le prolongement de ltude mene dans ce mmoire.

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

62

In ne, quelle quen soit la mthode, les mesures doivent restituer les particularits des uides atmosphriques que nous dtaillons dans la section suivante.

4.2

Les spcicits de latmosphre relatives aux mesures exprimentales

Nous neeurons ici que les particularits qui vont servir tayer les choix de modlisations que nous ferons dans la partie III. Les particularits de latmosphre par rapport au uide de laboratoire tiennent dans les structures verticales ou horizontales des coulements, dans leur nature polyphasique htrogne, avec la prsence de vapeur deau, deau liquide, de glace, de corps prcipitants, darosol, de composs chimiques. Qui plus est, lensemble des composs ragit selon des mcanismes non-linaires o des ondes atmosphriques internes prennent part, notamment avec des comportements particuliers proximit des surfaces.

Les tranches datmosphre prs des surface, que lon nomme Couches Limites Plantaires (CLP) ou de Surface (CLS), voir Favre et al. (1976) ou De Moor (1983) seront nos domaines de mesure (entre 10 m et quelques km de la surface). A proximit des limites infrieures du domaine, cette partie de latmosphre a une dynamique que lon ne retrouve pas dans les parties suprieures, en particulier elles sont le sige des turbulences gnres par les rugosits des sols ou les eets thermiques dus aux chauages ou refroidissements de la surface (on trouvera une description des structures locales de latmosphre dans Hunt et al. (1991)). Pour se donner une ide plus prcise on peut faire appel un modle conceptuel de latmosphre. Si lon considre latmosphre comme un domaine sphrique compris entre deux surfaces limites (la surface plantaire et la tropopause), on peut recouvrir le domaine global par des sous-domaines (aux limites variables et mobiles) constituants des zones possdant des caractristiques physiques homognes et relevant dun mme type de rgime dcoulement, chacun de ces lments du recouvrement ayant des conditions aux bords et des circulations propres (modles de bulles homognes). On est alors en mesure de voir chacun des sous domaines comme un lment simpli avec une dynamique descriptible soit par des conditions limites propres ou par un jeu de paramtres caractristiques. Ce modle conceptuel servira justier les mthodes de mesures classiques et les traitements

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

63

qui seront oprs sur les donnes. Nous lutiliserons galement lors de la conception du ltre non-linaire propos dans la dernire partie de ce mmoire.

Les signaux que lon va alors tudier proviendront dun uide turbulent tridimensionnel. On y cherchera donc les caractristiques que lon a dcrites au chapitre 2. En fonction de lchelle et de la rsolution dont on dispose, on pourra y voir une turbulence homogne, stratie ou plus rarement compltement inhomogne. Hormis dans ce dernier cas, un des critres de qualit des mesures de vent pourra tre la forme du spectre de puissances des signaux o lon aimera y retrouver un spectre dit de Kolmogorov suivant une loi en puissance en 5/3. Correspondant aux travaux thoriques mentionns au chapitre 2 et aux mesures faites en laboratoires, des tudes existent (Schmitt et al. (1994)) sur le caractre multifractal de la turbulence atmosphrique. De cette description statistique, nous retiendrons deux choses : La prsence dans les signaux atmosphriques dintermittence fortes (carts importants aux lois de Kolmogorov). Lexistence de densits spectrales queues lourdes (vnements rares de poids non ngligeables). Sur la gure 4.1, on examine une srie temporelle, le spectre de puissance, la srie des incrments et leur histogramme empirique. Les donnes sont issues de mesures relles eectues le 12 Mai 2006 sur le site de Mto-France Toulouse entre 09h00 et 09h30. Elles ont t releves par anmomtre ultrason qui permet dobtenir une grande frquence de mesure et peu de perturbation de la mesure par le capteur lui-mme. Le vent est dduit de relevs de vitesses de propagation et dphasages donde sonore dans un espace libre dobstable. Pour cette srie de mesures, la frquence dchantillonnage de linstrument tait de 50 Hz, une mesure toutes les 0.02 seconde ce qui reprsente dans ce cas prcis, en terme dchelle spatiale, un point de mesure tous les 8 cm. Ces graphiques illustrent lallure de marche alatoire que peuvent avoir les mesures dynamiques dans latmosphre. dans On y voit galement un spectre de puissance align sur une pente en 5 3 un diagramme en chelle logarithmique ce qui correspond la loi de Kolmogorov sur lnergie. En regardant plusieurs mesures, on pourrait noter qu cette chelle les structures horizontales sont homognes. La dimension verticale a un comportement dirent par lexistence des forces de pesanteur et de ottabilit, on le verra plus en dtail dans la partie III. Les incrments montrent des histogrammes proches de lois gaussiennes, avec cependant des queues plus paisses. Cest par dnition la manifestation de lintermittence et de lexistence de lois lgrement

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

64

direntes de celles proposes par Kolmogorov. La proximit avec les lois gaussiennes permet de justier en traitement de la donne mtorologique standard lutilisation de techniques propres ces lois, soit dans le traitement statistique des phnomnes, soit dans leur modlisation mathmatique. Pour terminer cette courte prsentation, nous ny serons pas confronts, mais les signaux atmosphriques couvrant une trs large gamme dchelle montrent un spectre de puissance avec deux signatures direntes et un trou spectral, comme lillustre la gure 4.2. Dans les chelles les plus larges on y trouve un spectre caractristique de la turbulence bidimensionnelle en 3 avec une cascade dnergie inverse (lnergie va vers les structures de plus en plus grande), puis une zone intermdiaire avec un trou qui raccorde le spectre de la turbulence de micro-chelle tridimensionnelle Frisch (1980) en 5/3 correspondant la cascade directe des nergies de grandes structure vers les plus petites. Il sagit de la manifestation de la csure grandes/petites chelles que lon voquait au dbut de ce chapitre o les plus grandes structures peuvent tre considres comme tant en 2D. En terme dchelle spatiale le changement de pente spectrale se situe entre 600 et 800 km, bien au-del du problme de la mesure exprimentale rapide qui nous concerne.

4.3

Etat des lieux en mesures atmosphriques

Nous nous intressons aux mesures faites de manire systmatique ou ponctuellement lors de campagnes exprimentales. Il existe galement des donnes mtorologiques recueillies quotidiennement dans le rseau dobservation mondial des ns danalyse et de prvisions des conditions atmosphriques de grandes chelles, mais appelent des problmes de ltrage mais qui ne relvent pas de notre prsent travail.

En micro-mtorologie ou mtorologie de moyenne chelle, les moyens mis en uvre pour eectuer ces mesures sont varis et fortement dpendants du but de la mesure. Elles peuvent tre faites sur des tours terrestres, sur des plates-formes (plus ou moins mobiles) en mer comme les boues ou les bateaux, partir davions spcialement instruments, de ballons emportant des capteurs ddis, voire par des satellites particuliers quips de sondeurs.

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

65

Srie temporelle dune composante de vent .

DSP de la composante de vent

0 1 2 3 4 5 6 7 8 9
09:00 09:06 09:13 09:20 09:26

10 5 0 5 10 15 20 25
2 1 0 1 2

10

10

10

10

10

Incrments de la composante de Vent 1.5

Histogramme empirique des incrments de vent 7 6 5

1.0

0.5 4 0.0 3 0.5 2 1.0 1 0 1.5

1.5 09:00

09:06

09:13

09:20

09:26

1.0

0.5

0.0

0.5

1.0

1.5

Fig. 4.1 En haut srie temporelle et spectre de puissance dune composante du vent mesure la frquence dacquisition de 50 Hz sur le site de Toulouse-mto le 12/05/2006 de 09h00 09h30. En bas, srie des incrments et histogramme empirique des incrments pour cette composante du vent, avec en rouge une courbe gaussienne thorique

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

66

Fig. 4.2 Spectres de puissance de vents atmosphriques 2D/3D Il faut immdiatement noter, au travers des dirents moyens que lon vient dnoncer et en dehors des satellites et de quelques imageurs aroports, que les mesures sont faites en un point alors que le uide volue en trois dimensions et selon un champ de vitesse que lon ne peut atteindre par une mesure ponctuelle. Quand il sagit de restituer des grandeurs ncessitant 2 points comme des corrlations spatiales (empirique), voire de reconstituer le champs multidimensionnel lui-mme, on doit procder des estimations non forcment triviales. Pour compliquer encore le problme, bien souvent les grandeurs dintrt ne sont pas toujours directement mesures, mais dduites de diverses mesures ralises par dirents instruments. Par exemple prs des surfaces il est souvent ncessaire de quantier les changes dnergie entre les milieux, ces ux ne sont pas directement accessibles mais calculs via dautres grandeurs (vents, temprature, humidit . . .) qui elles sont mesurables Lee et al. (2004).

Le fait de ne pouvoir accder directement aux mesures souhaites nest pas propre aux grandeurs labores comme les ux de surface. Sur une plateforme mobile il faut souvent corriger les valeurs de base mesures (la temprature, le vent, lhumidit, ...) des eets de la dynamique du mobile. En eet nombre de paramtres sont aects par la vitesse de lair relatif sur le senseur : pour la tem-

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

67

prature, par exemple, le capteur subit leet du ot dair incident. Pour dautres paramtres comme le vent, le problme est dirent : on mesure deux vitesses, celle de la plateforme (avion, bateau, ...) par rapport la surface et celle de la plateforme par rapport lair. De la dirence des deux mesures, on obtient la vitesse du vent qui est dnie comme la vitesse de lair par rapport au sol. Ces techniques de correction sont bien dcrites, documentes et utilises quotidiennement, (Lenschow et Spyers-Duran, 1989) ou bien Lenschow (1986), mais supposent que les mesures soient nettes et sans bruits. Dans certaines gammes de frquence, on le verra la section suivante, cette approximation est justie. En revanche ds que les cadences de mesures augmentent, les bruits deviennent prpondrants et perturbent fortement les calculs. Il faut alors ltrer sans rduire la rsolution frquentielle. Jusqu prsent, ce travail destimation partir de donnes bruites na jamais t ralis.

Notons quil est possible (mais la technique nest pas aise) deectuer des mesures Lagrangiennes partir de ballons drivants que lon cale pour une certaine altitude Johnson (2000). Une fois la mthode de mesure oprationnelle, lexprimentateur est confront au manque de directivit du ballon qui peut driver hors des zones dintrt pour le mtorologiste.

En tout tat de cause, aprs avoir recueilli un jeu de donnes lors dune campagne exprimentale, il est indispensable de raliser un contrle de qualit, Lee et al. (2004), an de sassurer de la bonne tenue des mesures et de la prsence ou non de bruits ou de perturbations alatoires qui pourraient tre nfastes aux calculs. Il existe ce sujet une littrature consquente pour chaque technique de mesures exprimentales ou pour des quantits particulires comme les ux dnergie ( Liebethal et Foken (2001) ).

La prsence de bruits dans les mesures est en gnral dtect lexamen visuel des spectres de puissances, en esprant que les bruits soient bien signs, i-e avec des spectres dirents des quantits mesures. Les perturbations les plus simples dans ce registre reposent sur les bruits blancs ou colors pour qui les spectres sont trs dirents de ceux de la turbulence dans le domaine inertiel. La gure 4.3 montre sur une mesure de temprature, ralise Toulouse le 7 Avril 2006 entre 09h00 et 19h00 par un anmomtre sonique, un exemple de prsence de bruit stalant sur toute la partie haute frquence du spectre de puissance. Le signal physique turbulent devrait respecter un spectre de Kolmogorov avec une pente en

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

68

Fig. 4.3 Srie de donnes et densit spectrale de puissance pour une mesure de temprature ralise Toulouse le 7 Avril 2006 entre 09h00 et 19h00 par un anmomtre sonique. Le signal de base doit respecter un spectre de type Kolmogorov, on note la prsence de bruit structur devenant prpondrant au-del de 8 Hz avec prsence de pics dharmoniques aprs 5 Hz dues au systme dacquisition de la mesure exprimentale.

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

69

DSP de composante U du vent ATR 0618

DSP de composante W du vent ATR 0618

0 5 10 15 20 25 30 35 40
2

0 10 20 30 40
1 U du vent 0 Composante 5/3 1 2 2

10 0 10 20 30 40
2

10

10

10

10

10

1 W du vent 0 Composante 5/3

10

10

10

10

DSP de composante V du vent ATR 0618

DSP 25 Hz 1024 points pour le Vent Calcul lors du vol ATR N 0618 entre 120700 et 121000

10

1 V du vent 0 Composante 5/3

10

10

10

10

Fig. 4.4 Spectres de puissance 25 Hz calculs sur 1024 points pour les 3 composantes du vent dduits de mesures avion entre 12h07 et 12h10. On voit la prdominance des bruits dans les DSP qui devraient suivre la pente en 5/3 trace en rouge. 5/3, mais on constate que le bruit devient le signal le plus important en terme de puissance au-del de 8 Hz. On notera galement la prsence de pics dharmoniques aprs 5 Hz dues au systme dacquisition de la mesure exprimentale. Dans un tel cas, aprs identication les dirents bruits devraient tre supprims par des techniques de ltrage appropries avant toute exploitation.

Pour ce qui est des mesures aroportes, on peut examiner sur la gure 4.4 les spectres des 3 composantes du vent, non directement mesures mais dduites des mesures dynamiques (vitesses, acclrations, attitudes de la plateforme, pression dynamique) et thermodynamiques (temprature, humidit, pression statique) effectivement releves lors dun vol. Les mesures viennent dun vol de lavion de recherche de Mto-France ATR42 eectu le 06 Juin 2006 lors de la campagne exprimentale AMMA au dessus du Niger. Les spectres de puissance prsents sont calculs sur des donnes chantillonnes 25 Hz entre 12h07 et 12h10 UTC. On notera que les bruits sont alors les lments prdominants, avec des spectres dviant largement de la pente en 5/3. Au del de 5 Hz on constate pour le

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

70

spectre de puissance des pentes horizontales signant la prsence de bruits blancs. Dans la pratique, ces donnes ont t corriges en attnuant empiriquement certaines harmoniques dans les mesures venant dun des instruments qui prsentait une anomalie et perturbait la chaine de calcul.

Si le dbruitage des signaux aroports a motiv le dmarrage de notre tude, nous ne lvoquerons pas plus dans ce mmoire. En eet par la complexit des techniques dvaluation du vent et la multiplicit des capteurs entrant dans le calcul, il nous parait ncessaire de traiter diremment le cas de ces mesures indirectes, en utilisant une technique de fusion de capteurs par estimation particulaire, qui relvera dun travail dingnirie stochastique venir.

4.4

Les techniques de ltrage actuelles

Dans ltat actuel du savoir-faire, quelle que soit la plate-forme de mesures (xe ou mobile), les mthodes de traitement du signal utilises relvent du ltrage linaire. Ce post-traitement des donnes peut dailleurs avoir deux objectifs. En premier lieu la suppression des bruits indsirables pour ne garder que le signal utilisable. Le second objectif est dirent, il vise sparer le signal moyen (cens approcher la moyenne Eulrienne) de la uctuation. Nous allons dtailler ce point dans la sous-section 4.4.2. Dans les 2 cas, on procde aux estimations laide dun ltrage par des moyennes temporelles glissantes ou par bloc, ou par un ltrage en agissant les coecients des transformes de Fourier ou des transformes par ondelettes.

Ces mthodes de ltrage empiriques habituellement mises en uvre dans les traitements de la mesure en micro-mtorologie reposent sur lide communment admise que le signal est alatoire, de nature inaccessible, et que les composantes indsirables (bruits ou uctuations) sont centres et de dynamiques rapides, cest dire plus rapides que le signal support que lon cherche estimer. On nutilise alors absolument pas linformation contenue dans la structure alatoire des signaux, cherchant uniquement exploiter la partie grande chelle du phnomne cense tre plus rgulire pour ne pas dire dterministe.

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

71

4.4.1

Filtrage linaire des mesures mtorologiques

En traitement du signal pour la micro-mtorologie, les techniques de ltrage que nous appellerons classiques reposent sur une reprsentation frquentielle des signaux et sur les consquences de lchantillonnage des quantits mesures qui elles voluent de manire continue. Nous allons prsenter cela avant dintroduire les ltres linaires communment utiliss.

Dans lanalyse des signaux, il faut distinguer 2 choses : le phnomne qui a gnr la srie de donnes avec le problme mathmatique pos par sa reprsentation dune part et le traitement et la mise en forme mathmatique de la donne discrte dautre part.

Dans les sciences appliques, les donnes ont toujours une longueur nie, on a donc tendance, pour les reprsenter, ne considrer que des fonctions support compact ; ces signaux sont en outre dnergie nie, on prendra alors des fonctions L2 . Muni de ces deux hypothses par prolongation et en se plaant sur le cylindre [0, 2 ] R, on peut se restreindre lespace des fonctions priodiques de carr intgrable. Toujours, en ignorant tout caractre probabiliste, le signal physique peut alors tre vu comme la superposition non-ncessairement nie dondes pures. Chacune de ses harmoniques pures est reprsente par une exponentielle complexe eint , o n est le rang de lharmonique. Loutil adapt ce point de vue est la transforme de Fourier et on dnit la srie de Fourier pour x fonction priodique de L2 (donc intgrable) : 1 x(t) = 2
n=+

x (n) eint
n= 2

(4.2) x(s)eins ds (4.3)

x (n) =
0

o x (n) est la contribution au signal de chacune des harmoniques pures. Avec les hypothses formules, lintgrale est bien dnie et la srie de Fourier est convergente. On sait que lensemble des ondes pures forment une base orthonorme de L2 , cette dcomposition hilbertienne permet la fois de reprsenter x une fonction L2 2 par ses coecients de Fourier cn = 0 x(s)eins ds mais aussi de la reconstruire n=+ =+ 1 int partir de la suite (innie) de coecients (cn )n n= , x(t) = 2 n= cn e .

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

72

En pratique, cette reprsentation frquentielle est utilise, soit pour analyser un signal physique, soit pour dvelopper des traitements sur le signal ou alors pour rsoudre numriquement un systme dquation aux drives partielles. On pourra examiner au chapitre 7 une simulation dcoulement turbulent utilisant une rsolution numrique dans lespace de Fourier. La base dexponentielles complexes nest pas la seule utilisable, en modlisation sur la sphre, lanalyse harmonique peut galement se faire en utilisant des polynomes de Legendre ou des polynomes dHermite (fonctions propres du Laplacien) selon la nature de lEDP support.

Revenons au traitement du signal et notamment au traitement numrique (et donc discret) du signal physique, layant reprsent de manire frquentielle. Cette tape ncessite lutilisation dun outil supplmentaire : les distributions de Laurent Schwartz. Le traitement numrique du signal et le ltrage que lon appellera linaire ne se font correctement quau travers du formalisme des distributions. La fonction test sera le signal traiter et les oprateurs linaires de traitement des distributions.

Echantillonnage dun signal continu priodique dnergie nie Le premier de ces oprateurs examiner est le peigne de Dirac not X, compos de la somme de distributions de Dirac dcales dun pas de temps t :
n=+

Xt =
n=

nt

(4.4)

Cet oprateur est utilis pour dnir lchantillonnage dun signal continu en =+ temps x : t R x(t) et fournit la collection de valeur (xn )n n= . Claude Shannon (1948) a rpondu aux deux questions que lon peut se poser sur lchantillonnage de donnes continues : Quelles sont les hypothses permettant dchantillonner correctement un signal ? Sous ces hypothses peut-on revenir au signal continu partant de son chantillonnage ?

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

73

Thorme 4.4.1 (Thorme de Shannon). Soit x une fonction priodique L2 telle que Supp( x) [s , s ] pour s [0, +] (x ne contient pas donde de frquence suprieure s ). Alors
n=+

t > 0
n=

|x(n.t)|2 < +

(4.5)

et, au sens des normes de L2 , est vraie la formule dinterpolation de Shannon : 1 , t 2.s
sin[ (t nt)] t x(t) = x(n.t) (t nt) t n= n=+

(4.6)

n=+ On rajoutera que si n = |x(n.t)| < + la formule de Shannon est vraie au sens de la convergence uniforme ce qui est le cas ici puisque x est suppose priodique.

Dmonstration. La preuve repose sur la transforme de Fourier de la fonction sinus cardinal sinc qui est le rectangle 1[L,L] pour L > 0 dans lespace de Fourier. On considre pour tout temps t > 0 une fonction continue x(t), L2 priodique. On donne un pas de temps dchantillonnage t > 0 ce qui correspond une 1 frquence dchantillonnage = . t Pour tout n 0 on a
+

xn =

x(s)Xt (s nt)ds

(4.7)

Au sens des distributions, pour Xt la convolution et la transforme de Fourier ont un sens puisque le peigne de Dirac est une distribution tempre. Il est ais 1 X 1 ( ). de calculer la transforme de Fourier du peigne de Dirac F (Xt )( ) = t
t

Les hypothses sur x nous permettent de dduire : 1 X 1 x ( ) t t soit en exprimant la convolution avec le peigne de Dirac : F (Xt x)( ) =
n=+

(4.8)

F (Xt x)( ) =

1 n x ( ) t t n=

(4.9)

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

74

1 Cette galit a lieu dans L2 (0, ) do lon tire : t n=+

|x(nt)|2 < +
n=

(4.10)

Ainsi le spectre du signal chantillonn est la somme innie de translations du 1 . spectre (ni par hypothse) de x, les translations tant des multiples de t On dnit la fonction rectangle par L comme lindicatrice de lintervalle pour tout rel L > 0. Avec ce rectangle on va encadrer le spectre de x et annuler les rpliques translates.

[ L , L ], 2 2

La fonction L est une distribution pour laquelle la transforme de Fourier F ( L ) existe et se rduit lintgrale de lexponentielle complexe sur lintervalle , L] : [ L 2 2 (F (
L ))(n)

+L 2

eins ds

(4.11)

L 2

qui par simple calcul donne : (F (


L ))(n)

sin nL n

(4.12)

Il ne reste plus qu dduire la formule de Shannon.

1 La condition t 2. est ncessaire pour fentrer le spectre de la fonction x s sans perte. Si le spectre de Fourier de la fonction x est plus large que la fentre 1 [ 2 , 1 ] la reconstruction est inexacte. t 2t

En consquence, le thorme de Shannon stipule quil faut chantillonner au moins la frquence de 2n Hz un signal comportant des harmoniques oscillant au plus n Hz. Si cette condition est valide on obtient une information discrte quivalente linformation continue reconstruite par la formule de Shannon.

Inversement si le spectre du signal x est plus large, par lchantillonnage on commet une erreur, et la valeur chantillonn est la somme du signal eectivement admissible ne comportant que des frquences plus petites que la frquence

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

75

de Shannon et dun terme derreur de plus hautes frquences agissant comme un bruit. Ce thorme est important dans notre travail, il amne un certain nombre de conclusions et permet de justier certains points de notre modlisation Lagrangienne de la turbulence, nous verrons cela au chapitre 7.

Filtrage linaire dun signal discret On appelle signal discret au pas de temps t > 0, la distribution x telle quil n=+ existe une collection (xn )n = dlments de R, pour laquelle
+

x=

xn .nt

(4.13)

On note Et lensemble des signaux discrets tel que


n=+

Et = {x D | x =
n=

xnt }

Dot de la reprsentation des signaux discrets, on dnit les ltres discrets : Dnition 4.4.1. On appelle ltre discret tout oprateur A : E Et linaire, continu et invariant par les translations temporelle kt , k Z. Lensemble E est un sous espace de Et contenant la distribution de Dirac et E est muni de la topologie induite par D . En routine, pour le traitement du signal appliqu la micro-mtorologie, ne sont utiliss que des ltres discrets du type moyennes mobiles pondres ou du type convolutif. Les ltres discrets moyennes (empiriques) mobiles sont, pour une longueur de moyenne L, de la forme : 1 yn = L
L

wk xnk
k=1

On peut aussi lcrire sous la forme dune moyenne centre de longueur 2L + 1 : 1 yn = 2L + 1


k=L/2

wk xnk
k=L/2

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

76

Les ltres discrets de convolution sont dnis par la donne dune distribution support borne h et on a : A : Et Et x hx

La distribution h = A. est appele rponse impulsionnelle du ltre A.

Si les coecients hn sont dcroissances rapides et xn croissances lentes, alors la transforme de Fourier de la convolution un sens et on a x h x = h. (4.14)

Dans les applications numriques, il est souvent utilis cette proprit 4.14 pour ltrer les signaux discrets, la transforme de Fourier rapide permet dobtenir des algorithmes ecaces et peu coteux.

En guise de conclusion sur les techniques linaires de ltrage, nous allons prsenter les rsultats de dirents ltrages typiques sur une srie de mesures synthtiques. Il sagit de la simulation dun coulement turbulent homogne unidimensionnel utilisant le modle de Pope simpli. Le dtail de cette simulation apparait dans la partie III au chapitre 9. Il est alors demand de sparer le signal utile du bruit (de loi normale centre rduite) que lon rajoute articiellement. Le ltrage doit rcuprer toutes les caractristiques structurelles et nergtiques du signal turbulent. En terme de spectre dnergie, la turbulence rpartit sa puissance sur toutes les frquences selon une puissance en 5/3 comme le suggre la loi de Kolmogorov.

La gure 4.5 prsente le spectre du signal original en bleu, ainsi que le spectre du bruit blanc que lon a choisi en vert. La somme des 2 composantes dtermine le signal bruit, en rouge, qui va tre soumis 3 ltres linaires caractristiques. On le voit sur cet exemple, il existe une frquence laquelle le bruit devient prpondrant dans le signal bruit, ici vers 4 Hz, alors quen dea linuence de la partie bruite est moindre. Cette frquence limite dtermine la coupure frquentielle que lon va chercher obtenir en supprimant le signal de plus haute

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

77

Densits Spectrales de Puissance moyennes sur 1024 points 15 20 25

DSP (dB)

30 35 40 45 50 10
2 1 0 1 2

Signal sans 10 Bruit Signal Bruit Bruit Blanc

10 frquence (Hz)

10

10

Fig. 4.5 Densits spectrales de puissance du signal brut, du bruit blanc et de signal bruit. frquence. Dans ce ltrage on ne fait pas destimation au sens probabiliste mais un ltrage par attnuation ou suppression de la partie du signal inexploitable. Le premier type de ltre discret est une moyenne mobile centre simple sur une longueur de 25 pas de temps. On note sur la gure 4.6 que la coupure spectrale se fait eectivement 4 Hz, et au dessus de cette frquence on retrouve des lobes caractristiques des fentres rectangulaires. Le second type est une troncature des coecients de la srie de Fourier. Cette technique sapparente un systme de convolution. En eet dans ce cas la trans = 1[L/2,+L/2] , ce qui donne forme de Fourier de la rponse impulsionnelle h est h pour h une fonction sinus cardinal. Ce ltre est souvent considr comme le ltre passe-bas idal. Sur la gure 4.7 on note que les ltres de ce type ont une coupure du spectre franche liminant dans notre cas toutes frquences plus levs que 4 Hz. Il faut aussi constater quavant la coupure aucun ltrage nest ralis (par construction dailleurs) et que le signal ltr contient les perturbations basses frquences du bruit blanc. Le dernier ltre linaire prsent ici est le ltre de convolution de Butterworth o la transforme de Fourier de h est linverse dun polynme de degr n. Ici nous avons choisi un polynme du 2nd ordre. On remarque sur la gure 4.8 que le

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

78

Densits Spectrales de Puissance moyennes sur 1024 points 10 15 20 25

DSP (dB)

30 35 40 45 50 55 60 10
2

Signal sans 10 Bruit Signal Bruit Signal filtr moyenne

10 frquence (Hz)

10

10

Fig. 4.6 Densits spectrales de puissance des donnes brutes, bruites et ltres par moyenne glissante.

Densits Spectrales de Puissance moyennes sur 1024 points 10 15 20 25

DSP (dB)

30 35 40 45 50 55 60 10
2

Signal sans 10 Bruit Signal Bruit Signal filtr Fourier

10 frquence (Hz)

10

10

Fig. 4.7 Densits spectrales de puissance des donnes brutes, bruites et ltres par mthode Fourier.

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

79

Densits Spectrales de Puissance moyennes sur 1024 points 10 15 20 25

DSP (dB)

30 35 40 45 50 55 60 10
2

Signal sans 10 Bruit Signal Bruit Signal Filtr Butterworth

10 frquence (Hz)

10

10

Fig. 4.8 Densits spectrales de puissance des donnes brutes, bruites et ltres par un ltre de Butterworth du 2me ordre. spectre de puissance du signal ltr subit une attnuation au del de 4 Hz sans couper compltement les harmoniques de hautes frquences. En levant le degr du polynme, il est possible dobtenir des coupures plus franches du spectre, mais se faisant on se rapproche du ltre obtenu par troncature des coecients de Fourier. En de de la frquence de coupure le spectre de puissance nest pas pur mais seulement attnu lapproche de la frquence critique. La gure 4.9 montre les sries temporelles de ces exemples de ltrage avec en bleu clair le signal bruit traiter, en bleu fonc le signal de rfrence retrouver. La courbe rouge correspond au rsultat du ltrage par moyenne mobile. On voit que les signaux transtoires sont ignors et que le signal ltr possde une variabilit trop lente par rapport au signal de rfrence. Pourtant avec la mme coupure 4 Hz, le ltre utilisant la troncature des coecients de Fourier en vert est bien plus pertinent. Quoi quil en soit, les mthodes de ltrages linaires, temporelles ou frquentielles, sont des ltres passe-bas : elles laissent passer la totalit du signal de frquence infrieure une certaine frquence de coupure et attnue jusqu lteindre toutes frquences suprieures. Ces techniques se traduisent donc par une perte dinformation de hautes frquences, et par labsence de ltrage sous la frquence de coupure. Bien que facile dutilisation, ecace en temps de calcul, elles ne sont pas

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

80

1.60 1.55 1.50 1.45 1.40 1.35 1.30 1.25 1.20 1.15 0 50 100 150 200 250 300 350 400 450 500

Fig. 4.9 Sries de donnes brutes, bruites, ltres par moyenne glissante et par mthode Fourier. adaptes la suppression de bruits alatoires qui rpartissent leur puissance sur tout le spectre de mesure, qui plus est lorsque le signal utile en fait de mme.

Nous pourrions citer galement les mthodes de ltrage par ondelettes. Mais elles sourent des mmes genres de dicults. Les bruits alatoires rpartissent galement leur nergie sur toutes les gammes dchelle. Il est possible disoler les chelles o le bruit est prdominant, mais supprimant ou attnuant ces chelles, on dgrade le signal utile dans la mme proportion, ce qui se traduit, comme pour le traitement frquentiel, par une perte de linformation .

Il faut alors proposer des mthodes de ltrage de processus stochastiques perturbs par des bruits alatoires qui respectent la dynamique du processus alatoire tout en cartant la partie indsirable du signal mesur. En outre le ltrage stochastique doit permettre de traiter des processus non-linaires tels que ceux exposs aux chapitres prcdents pour dcrire la turbulence.

Sur ce thme du ltrage stochastique des mesures issues dun uide turbulent, il nexiste aucun travail connu, et cest dans ce cadre innovant et plein de perspec-

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

81

Densits Spectrales de Puissance moyennes sur 1024 points 10 15 20 25

DSP (dB)

30 35 40 45 50 55 60 10
2

Signal sans 10 bruit Signal Bruit Signal filtre particulaire

pente 5/3 10 10 frquence (Hz)

10

Fig. 4.10 Densits spectrales de puissance des donnes brutes, bruites, ltres par un ltre particulaire prsent dans la partie III de ce mmoire. tive que sest plac notre tude sur le ltrage des mesures issues de la turbulence atmosphrique.

Nous avons reprsent la gure 4.10 un exemple de rsultat de ltrage particulaire pour des mesures turbulentes comme on le prsente dans ce travail. Par rapport aux techniques classiques, sur la reprsentation spectrale du signal ltr on note une nette dirence avec un spectre de signal estim qui a la mme allure que celui de rfrence. Sur la gure de dtail 4.11, on peut voir que les structures centrales ont t parfaitement retrouves et ont ainsi une cohrence physique que ne permettaient pas les mthodes linaires.

4.4.2

Estimation des grandeurs Eulriennes en mtorologie

Les ltres linaires sont galement utilises en pratique pour estimer les moyennes Eulriennes des grandeurs mesures exprimentalement. Il nest en gnral pas possible daccder la moyenne locale (moyenne Eulrienne) partir dune moyenne temporelle (qui plus est empirique et de longueur nie) sauf si le processus mesur

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

82

Densits Spectrales de Puissance moyennes sur 1024 points 20 22 24

DSP (dB)

26 28 30 32 34 36 38
1

10

Signal sans bruit Signal Bruit Signal filtre particulaire

pente 5/3 10 frquence (Hz)

10

Fig. 4.11 Dtail sur les densits spectrales de puissance des donnes brutes, bruites, ltres par un ltre particulaire montrant le respect des structures prsentes dans la donne initiale. est ergodique. Ce fait nest en gnral pas vriable, et les experts de la mesure en turbulence atmosphrique (lire ce sujet Lee et al. (2004)) proposent des sries de tests statistiques pour prouver cette hypothse.

Une fois les tests statistiques raliss (stationnarit des mesures, homognt au besoin assure par les conditions de lexprience de terrain), les exprimentateurs considrent la moyenne locale comme la partie basse frquence du signal et sparent ce signal de base des uctuations par des ltres linaires comme on la prsent dans la section prcdente. Le plus souvent dans les applications pratiques on retrouve des ltrages par moyennes mobiles ou des ltres RC (ltre de Butterworth dordre 1) plus rarement des traitements par ondelettes qui ont lavantage de proposer une sparation dchelle. Dans tous les cas, pour utiliser les ltres linaires, le turbulencier doit effectuer le choix de la longueur ou de la frquence de coupure qui va dterminer la forme du signal dit de moyenne. Le choix de la troncature est empirique et en gnral bas sur des considrations physiques caractrisant le champ sur lequel les mesures ont t faites. La coupure est alors constante sur lensemble de la srie de mesures ou au mieux lest sur des intervalles o le contexte physique parait ho-

Chapitre 4. Mesures et traitement du signal en Micro-Mtorologie

83

mogne. En mtorologie, les choix de coupure frquentielle ou les vrications de validit des hypothses dergodicit se font situation par situation chacune ayant des critres dynamiques propres.

Comme pour le ltrage linaire en vue de supprimer des bruits parasites, on perd en rsolution dans ces techniques destimation linaire pour la moyenne Eulrienne et une partie de linformation du signal eectivement mesur est supprim.

Les mthodes de traitement que lon dveloppe ici pourront galement tre une alternative aux ltres linaires pour estimer les quantits Eulriennes dun coulement. On verra dans la partie III quan de ltrer les bruits parasites, on estime partir de modles dvolution Lagrangien du uide les moments Eulriens que lon peut restituer a postriori. Au sens du ltrage ralis par le modle que lon a choisi, les moyennes Eulriennes que lon propose sont alors les meilleures estimes que lon peut faire sur la srie de donnes prsente.

Deuxime partie Techniques de Filtrage Stochastique des processus champ moyen

84

Chapitre 5 Le Filtrage non linaire


Le ltrage de processus stochastique non linaire correspond un saut qualitatif important dans les techniques de ltrage des mesures exprimentales. Lhistoire du ltrage optimal commence ds larrive de mesures lectroniques et le besoin destimation optimale, notamment des ns militaires lors du dernier conit mondial. Jusqualors, les ltres reposaient sur des techniques frquentielles et sur la notion de coupure en dtruisant la fois bruit et signal utile. Les travaux de Wiener dans les annes 40 ont t une premire amlioration, suivis de la description par Kalman et Bucy en 1958 dun algorithme permettant de traiter correctement les processus dynamique linaire de loi gaussienne entachs de bruits gaussiens. Outre lexistence de lalgorithme, ltude thorique complte a pu tre mene et a permis de voir que dans ce cas prcis le ltre de Kalman-Bucy tait exactement le ltre optimal. Dans un deuxime temps une extension (1962) a t faite de ce ltre pour les dynamiques seulement direntiables toujours dans le cas gaussien. Il manquait alors le cas des processus non-linarisables et des bruits non-gaussiens. Stratonovich dcrit en 1960 (Stratonovich (1960)) le gnrateur du ltrage nonlinaire qui sera complt par Zakai (1969) et Kallianpur et Striebel (1967), puis dans les annes 70 (Fujisaki et al. (1972)). Le problme est alors entirement dcrit par les probabilistes en terme de calcul de It et dapplication de la thorie des martingales stochastiques Yor (1977) ; on peut lire Pardoux (1991) pour une mise en revue complte du sujet. Si cette description thorique tait termine, il nexistait alors aucun algorithme de traitement en dehors du cas linaire-gaussien. Cest la n des annes 80 quarrive linterprtation particulaire des processus de ltrage. Ltude de ces approches par particules prendra toute la dcennie dernire (Crisan et al. (1999a)) et le dbut de ce sicle pour dboucher sur une thorie et des algorithmes complets traitant les processus non-linaires bruits quelconques et sarticulant autour de la dynamique des formules et des mesures de Feynman-

Chapitre 5. Le Filtrage non linaire

86

Kac (lire Del Moral (2004)).

Dans ce chapitre consacr la thorie du ltrage de processus non-linaire, nous allons prsenter le ltrage stochastique de processus alatoires dabord dans le cas continu puis dans le cas discret, pour ensuite traiter lapproximation particulaire du ltrage dans le cas discret. Le chapitre suivant dtaillera le ltrage particulaire pour dirents types de processus champ moyen. Nous aurons une application de ces techniques de ltrage dans la partie III de ce mmoire. Essayons de dnir les contours de ce que lon nomme Filtrage Stochastique. Cest avant toute autre chose un problme destimation. En eet on considre pour un temps t 0 quun vecteur dtat Xt caractrise notre systme dtude et on suppose que Xt est un processus stochastique de lespace probabilis (, F , P) dans lespace mesur (E, E ) dont nous avons une description dvolution par une EDS, par exemple dXt = F (Xt , WtX )dt o WtX signe lala sur X , par exemple, un mouvement Brownien standard. Xt est la quantit dintrt estimer, mais cet tat nest aperu quau travers dun second processus stochastique Yt li Xt par une autre quation comportant lala W V : Yt = H (Xt , WtV ). Cette liaison, nomme quation dobservation, peut galement tre sous forme direntielle, mais pour le moment omettons cette possibilit. Le cas dun signal Xt observ par une quantit Yt exprimentalement mesure nest quune particularisation du problme destimation plus gnral.

En labsence dalas sur lquation dobservation, avec les hypothses quil faut sur H , pour tout t 0, nous avons un accs direct Xt . Non seulement Yt nous permet davoir Xt mais lobservation contient aussi une information sur lala WtX qui sest ralis. Nous pouvons alors reconstituer toute la trajectoire des (Xs )0s<t mais aussi du mouvement Brownien (WsX )0s<t . Lestimation de Xt sest alors change en estimation dune trajectoire dont il est possible de donner la loi.

Hors de ce cas somme toute pathologique, en prsence de bruit, le problme de ltrage sera rsolu par :

Chapitre 5. Le Filtrage non linaire

87

La reconstitution de la trajectoire de Xt sachant les observations recueillies. Le calcul de la loi de la trajectoire (Xs )0st sachant la trajectoire du processus dobservations depuis linstant 0, Yt0 = (Ys )0st . Le problme de ltrage stochastique ainsi nonc requiert un certain nombre dhypothses, notamment dadaptation des processus aux ltrations engendres ainsi que de rgularit des fonctions entrant dans les EDS de dynamique ou dobservation.

Une fois le ltrage de processus stochastique correctement dcrit, il a une solution abstraite exacte, on dtaille cette solution et son existence dans la premire section 5.1 et nous verrons quil est possible par des approximations particulaires den donner une rsolution approche. En eet, nous savons quen labsence de bruit, le problme se rsoud tout seul. En discrtisant la loi du bruit dobservation, cest dire en simulant tout un ensemble de N ralisations possibles de ce bruit (on appelle ces ralisations des particules), N devant tre assez grand pour couvrir la gamme dalas possibles, on retombe pour chacune des particules sur un problme quasiment dterministe sans bruit. Dit brutalement, les particules ne sont pas bruites. Si par un heureux miracle, il tait possible de dterminer exactement la ralisation qui sest produite, avec un nombre de particules immensment grand, on formulerait alors la solution exacte du processus de ltrage. Mais tout au plus pouvons-nous donner chacune des particules une probabilit de stre ralise. En ce cas, il nous est permis de calculer lesprance de Xt sachant les observations Yt0 et de reconstituer les lois du ltrage. Cette approximation par particules correspond la rsolution particulaire du problme de ltrage que nous prsenterons dans la deuxime section (5.2) de ce chapitre.

Pour les applications du ltrage aux processus linaires gaussiens pour lesquels lestimateur de Kalman est optimal, nous proposons dans lannexe A une description de lalgorithme de Kalman-Bucy et ainsi que 2 extensions de ce ltre, les ltres de Kalman en intraction et les ltres de Kalman densemble. Il en existe dautres comme les Unscented Kalman Filter (Julier et Uhlmann. (1997)), les Kalman Filter Linear Mixing (Chuin-Mu et al. (2004)), les Kalman Filter Bank (Kobayashi et Simon (2005)), etc... que le lecteur pourra retrouver dans la littrature en ingnierie du signal vers laquelle nous renvoyons. Toutes ces extensions ont pour but dapprocher les non-linarits du processus de dynamique. Chacune contient une particularit qui la rend intressante dans les applications pratiques. Mais ce ne sont que des palliatifs dingnierie aux mthodes particulaires que nous prsen-

Chapitre 5. Le Filtrage non linaire

88

tons ici et qui permettent dapprocher au mieux lestimateur non-linaire optimal.

5.1

Filtrage Stochastique pour les processus nonlinaires


Le ltrage temps continu

5.1.1

Nous commencerons par dtailler le cas du ltrage non-linaire en temps continu. Les problmes de ltrage non-linaires et le calcul stochastique sont trs lis, et dailleurs ils se sont nourris mutuellement pour aboutir des thories compltes. Nous ne prsenterons pas le calcul stochastique pour lequel on se rfra au livre de Revuz et Yor (1990).

Commenons par une analyse du processus dobservation seul. On se donne pour se faire un espace de probabilit (, F , Ft , P), avec Ft la ltration Brownienne associe au mouvement Brownien Vt , Vt est une martingale de crochet < Vt , Vt >= t, voir Revuz et Yor (1990). Dans le texte qui suit tous les processus sont scalaires, pour simplifer la lecture, mais la mme dmonstration est possible pour des processus ddimensionnels. Pour tout temps s [0, T ], soit Hs L2 loc (Vt )[0,T ] un processus progressivement T 2 mesurable par rapport Ft tel quon ait E[ 0 Hs ds] < +.
t

On dnit alors le processus Yt par : Yt = 0 Hs ds + Vt et on note galement pour un processus t FtY -adapt t (t ) = E(t | FtY ) o FtY est la ltration naturelle de Yt . On appelle alors processus dinnovation le processus dnit par :
t

I t = Yt
0

s (Hs ) ds

(5.1)

Proposition 5.1.1. Le processus Yt admet la reprsentation


t

Yt = Y0 +
0

s (Hs )ds + It

(5.2)

Chapitre 5. Le Filtrage non linaire

89

et It est un FtY -mouvement brownien. Dmonstration. La preuve, voir Fujisaki et al. (1972) ou Pardoux (1991), utilise t le fait que It = Yt 0 s (Hs ) ds et que Vt est un vecteur gaussien, donc on a E(ei(It Is ) |FtY ) = e 2
1 2 (ts)

(5.3)

o est un rel. En considrant la fonction eiIt et en lui appliquant la formule dIt on obtient e
iIt

=e

iIs

+ i
s

iIu

dWu + i
s

iIu

1 [Hu u (Hu )]du 2 2

t s

eiIu du (5.4)

Or Vt est un mouvement Brownien par rapport FtV FtY donc on obtient t t Y Y E[ s eiIu dWu |Fs ] = 0. De mme on a E[ s eiIu [Hu u (Hu )]du|Fs ] = 0.
Y Alors t = E(eiIt |Fs ) scrit

1 t = s 2 2

u du
s

(5.5)

qui vrie lquation 5.3, donc linnovation est un FtY -mouvement Brownien.

Il est important que le processus dinnovation soit un mouvement Brownien par rapport la ltration engendre par le processus Yt . Ce qui revient dire que dans FtY on dispose de toute linformation sur Yt . Mais attention, It nest pas forcment un mouvement Brownien par rapport au bruit Vt . On a ainsi dcompos Yt comme une FtY -semimartingale.

On va particulariser ce quon vient de voir sur linnovation en introduisant maintenant le processus de dynamique Xt de telle manire que le couple (Xt , Yt ) (, Ft , P). On se donne comme hypothse supplmentaire que pour tout t > 0 on ait une fonction Ft L2 loc et une Ft -martingale Mt , telles que
t

Xt = X0 +
0

Fs ds + Mt

o Mt pourrait tre un processus de Poisson ou de Wiener. En dernier lieu on va t supposer que pour tout t > 0 Vt Xt avec Yt = 0 Hs ds + Vt .

Chapitre 5. Le Filtrage non linaire

90

Thorme 5.1.1 (Fujisaki-Kallianpur-Kunita-1972). Avec les hypothses que lon vient de mentionner, pour tout t [0, T ], P-ps on a :
t t

t (X ) = 0 (X ) +
0

s (F )ds +
0

[s (H.X ) s (H ).s (X )]dIt

(5.6)

Dmonstration. Voir Fujisaki et al. (1972), Th. 4.1 p 29.

On notera que lquation 5.6 (FKK) est valeur mesure o linconnue est une mesure, ici t . Elle est trs gnrale et demande peu de structure aux 2 processus, on peut amliorer la description en eectuant un couplage entre Xt et Yt , mais elle est dicile dapplication. Nanmoins on peut montrer que dans le cas de processus de diusion borns, sil existe une fonction qt vriant une certaine EDS, que lon verra plus bas, alors qt est une densit pour t pour la mesure de Lebesgue : pour toute fonction borne de la v.a.r t , t ()(t ) = E((t )|FtY ) = R (x) qt (x) dx. Voyons a en quelques lignes.

On suppose que le couple (Xt , Yt ) est solution forte du systme direntiel stochastique : dXt = F (Xt ) dt + G(Xt ) dWt dYt = H (Xt ) dt + dVt (5.7) X0 = q0 (x) Y0 = 0 Wt Vt avec F, G, H des fonctions [0, T ] R R Lipschitz bornes.

En tant que solution forte de lEDS, Xt est un processus de Markov. On note pour tout t 0 Pt le semigroupe de transition associ Xt et L le gnrateur 1 innitsimal (L = lim 0 {Pt }) et on a pour toute fonction deux fois 2 + 1 G2 (x) x direntiable, (L)(x) = F (x) x 2 (x). L est un oprateur du se2 cond ordre qui suit lquation de Kolmogorov t Pt = Pt L = L Pt o L est 2 loprateur adjoint avec (L )(x) = x [F (x)(x)] + 1 [G2 (x)(x)]. 2 x2

On suppose alors quil existe pour tout temps t positif une fonction positive qt

Chapitre 5. Le Filtrage non linaire qui vrie pour tout x R


t

91

qt (x) = q0 (x) +
0

(L qs )ds +
0

qs (x)[H (x) s (H )]dIs

(5.8)

Cette quation sera appele lquation de Kushner-Stratonovich pour la densit conditionnelle.

Alors, on obtient immdiatement s ((L)(X )) = R (L qs )(x)(x)dx et par calcul direct s (H ) s ()s (H ) = R (x)qs (x)[H (x) s (H )]dx

En utilisant (FKK) et lquation 5.8 pour qt on peut crire :


t t

t () = 0 () +
0

s (L)ds +
0 t

[s (H ) s ()s (H )]dIs
t

=
R

(x)[q0 (x) +
0

(L qs )ds +
0

qs (x)[H (x) s (H )]dIs ]ds

=
R

(x)qt (x)dx

On a vri que si qt satisfait 5.8, alors t avait qt pour densit.

On voit la dicult dutilisation de ce rsultat. Assurer lexistence dune fonction pour 5.8 nest pas ais. Pour tablir les quations du ltrage non-linaire nous allons utiliser le changement de probabilit de rfrence comme application du thorme de Girsanov Karatzas et Shreve (1998) ou Revuz et Yor (1990).

On revient au cas gnral pour Xt qui nest plus forcment une diusion mais se conformera aux hypothses que lon avait noncer dans le thorme connu sous le nom de Kallianpur-Striebel. On se rfrera soit Pardoux (1991), soit Zakai (1969) ou directement Kallianpur et Striebel (1967) Thorme 5.1.2 (Kallianpur et Striebel (1967)). On suppose que s [0, T ] t Yt = 0 Hs (Xs )ds + Vt et Hs (Xs )ds L2 loc . On pose
t

Zt = Zt (X, Y ) = exp{
0

Hs (Xs )dYs

1 2

t 0

|Hs (Xs )|2 ds}

(5.9)

Chapitre 5. Le Filtrage non linaire

92

On suppose pour linstant que E(Zt1 ) = 1. On dnit P telle que : dP = Zt 0tT d P Ft

(5.10)

Alors pour toute fonction : R R, Xt (Xt ) avec L1 (, Ft , P) et Zt L1 (, Ft , P) on a E((Xt )|FtY ) = E ((Xt )Zt | FtY ) E (Zt | FtY )

P ps

(5.11)

Ce changement de probabilit de rfrence est fait pour que Yt devienne sous la loi P un mouvement Brownien. Dmonstration. La plus directe se trouve dans Pardoux (1991) et la voici. On a videmment pour tout temps t 0, Zt > 0 P ps, donc galement sous la probabilit P, et de mme E (Zt |FtY ) > 0 P ps et P ps. Le thorme de Novikov nous assure aussi que E(Zt ) = 1.

Se faisant on se donne t > 0 t une variable alatoire FtY -mesurable. Alors E((Xt )t ) = E ((Xt ) t Zt ) = E (t E ((Xt ) Zt | FtY )) Zt Y = E t E ((Xt ) Zt | Ft ) E (Zt | FtY ) = E t E ((Xt ) Zt | FtY ) E (Zt | FtY )

Donc sous P, Yt est un mouvement Brownien, Xt a la mme distribution sous P et sous P, et pour tout t > 0, Xt Yt . On notera aussi que la formule de Kallianpur-Striebel est une forme de la formule de Bayes et on a : E((Xt ) | FtY )( ) = (x)Zt (x, Yt ( ))PX (dx) Zt (x, Yt ( ))PX (dx) (5.12)

A ce stade, la seule hypothse que lon ait fait sur Xt est que pour tout t 0 1 on a Ht (Xt ) L2 loc et E(Zt ) existe. Il ny a aucune structure sous-jacente pour Xt lui mme.

Chapitre 5. Le Filtrage non linaire

93

Dans le cas o Xt est une diusion coecient uniformment born, on notera que les hypothses sur Zt sont satisfaites.

Pour que t dcrive une EDS dvolution, on va justement se placer dans le cadre des diusions et on dnit la mesure de ltrage non-normalise : Dnition 5.1.1. Soit (t )t0 valeurs dans lespace des mesures, telle que pour toute fonction borne et tout t 0 t () =E ((Xt ) Zt |FtY ) avec Xt dni par la diusion
t t

(5.13)

Xt = X0 +
0

F (Xs ) ds +
0

G(Xs ) dWs

(5.14)

On rappelle que la probabilit de ltrage dnie par t () = E((Xt ) | FtY ), pour tout fonction borne , est une mesure normalise. En eet daprs la formule t () . de Kallianpur-Striebel 5.11 que lon vient de voir t () = t (1) Le problme de ltrage scrit alors par le systme : t t Xt = X0 + 0 F (Xs ) ds + 0 G(Xs ) dWs t Yt = Y0 + 0 H (Xs ) ds + Vt X0 = 0 q0 (x) Y0 = 0 Wt Vt et F, G, H sont des fonctions [0, T ] R R Lipschitz bornes.

(5.15)

Partant de lquation sur Xt dans ce systme, pour une fonction borne par la formule dIt on a :
t t

(Xt ) = (X0 ) +
0

Ls (Xs ) ds +
0 t 0

G(Xs ) dWs

et par sa dnition Zt = 1 + crite comme

Zs Hs (Xs )dYs . La quantit Zt (Xt ) peut tre


t t

Zt (Xt ) = (X0 ) +
0

Zs d((Xs )) +
0

(Xs )dZs

(5.16)

Chapitre 5. Le Filtrage non linaire On peut alors valuer la direntielle dZt : dZt = Zt Ht (Xt )dYt alors en intgrant contre la fonction test
t

94

Zt (Xt ) = (X0 ) +
0 t

Zs Ls (Xs )ds Zs Gs (Xs )dWs


0 t

+ +
0

Zs Hs (Xs )(Xs )dYs

Le lemme 2.2.4 de Pardoux (1991) nous indique que E( et que E(


0 0 t t

Zs Gs (Xs )dWs |FtY ) = 0


t 0 Y E (Zs Hs (Xs )|Ft )dYs

Zs Hs (Xs )dYs |FtY ) =

Alors on a tabli le Thorme 5.1.3 (Zakai (1969)). Pour toute fonction borne deux fois direntiable,
t t

t () = 0 () +
0

s (L((Xs ))ds +
0

s (Hs (Xs ))dYs

(5.17)

et t () =

t () t (1)

(5.18)

Il est alors possible de donner une EDS pour la mesure de probabilit de ltrage normalise t , en eet avec lquation 5.16 et lquation de Kallianpur-Striebel 5.11 on a pour t (1) : t (1) = E (Zt |FtY ) = 1+
0 t Y E (Zs |Ft )s (Hs )dYs

Usant de la formule de It, t (1)1 svalue par : t (1)1 = 1


0 t

s (1)1 s (Hs )dYs +


0

s (1)1 |s (Hs )|2 ds

(5.19)

ce qui nous permet de prouver le thorme de Kushner-Stratonovich

Chapitre 5. Le Filtrage non linaire

95

Thorme 5.1.4 (Kushner-Stratonovich). Pour toute fonction borne deux fois direntiable,
t

t () = 0 () +
0 t

s ((L)(Xs ))ds s (Hs (Xs )) s (Hs )s ((Xs ))dIs


0

(5.20)

Dmonstration. On calcule t (1)1 t () avec pour lexpression de t () lEDS de Zakai 5.17 et en utilisant la formule de Kallianpur-Striebel 5.11.

On remarque ici la prsence du terme dinnovation dYs s (Hs )ds contre lequel on intgre s (Hs (Xs )) s (Hs )s ((Xs )) sorte de quantication de lindpendance entre Hs (Xs ) et (Xs ).

Le traitement de ces quations en temps continu est dicile. On a vu notamment que lexistence des densits pour les probabilits conditionnelles pouvait poser problme. Seul le cas linaire gaussien se rsout explicitement avec lestimateur de ltre de Kalman-Bucy temps continu, dans tous les autres cas, il ny a pas dexpression analytique de ces solutions.

Lexistence de solutions au problme du ltrage temps continu est presque obtenu si le signal physique bouge moins vite que les observations do la ncessit des capteurs rapides. En cas dexistence de la solution, on peut dvelopper des algorithmes particulaires temps continu. Alors lquation de KushnerStratonovitch nest pas susante, et on passe lquation robuste (voir Del Moral et Miclo (2000) ou Rousset (2006)). Si cette existence nest pas acquise, on peut sintresser au problme discret et la formule de Kushner-Stratonovitch est remplace par la formule de Bayes (voir Crisan et Lyons (1997) ou Crisan et al. (1999b)) ou au problme continu observations discrtes (voir Del Moral et al. (2001a)).

Nous avons choisi le parti-pris dexprimer ds le dpart le problme temps discret en modlisant les consquences de cette formulation notamment sur les quations dvolution. Cette modlisation discrte sera vue dans le cas de la turbulence dans la partie III de ce mmoire, en attendant, nous prsentons le ltrage

Chapitre 5. Le Filtrage non linaire

96

trajectoriel discret et les mesures de Feynman-Kac qui sont les outils ncessaires au ltrage non-linaire.

5.1.2

Le ltrage trajectoriel temps discret

Le ltrage dun processus temps discret observ peut se faire ponctuellement, mais on gagne le considrer comme un processus trajectoriel. En eet Miclo et Del Moral (2001) ont montr que pour le ltrage dun processus de Markov, la mesure empirique associe au processus historique converge vers la loi conditionnelle de la trajectoire du signal par rapport une suite dobservations. De plus les lois de probabilits du ltrage dans lespace des chemins correspondent des mesures de Feynman-Kac ayant la mme structure que pour le problme ponctuel. Pour le cas du ltrage trajectoriel, les auteurs montrent des rsultats de convergence et aussi de propagation du chaos ( la propagation du chaos quantie lindpendance entre les trajectoires ). On peut aussi montrer dans le cas dapproximation particulaire que les variances derreur sur les trajectoires sont moindres que dans le cas ponctuel. Avant de parler de lapproche particulaire, cest la prsentation des Feynman-Kac et du ltrage trajectoriel auxquels on va sattacher maintenant.

Dans la suite du texte on va adopter pour toute mesure nie dnie sur lespace mesurable (E, E ), tout noyau de transition Q de (E, E ) dans (F, F ) espace mesurable, toute fonction f borne mesurable sur lespace E et tout lment A de la tribu F , les notations pour les moyennes suivantes : (f ) =
E

f (x) (dx) Q(x, dy ) f (y )

(5.21) (5.22)

Q(f )(x) =
F

ce qui donne pour lindicatrice Q(1A )(x) = Q(x, A) (1A ) = (A) et pour terminer (Q)(A) =
E

(5.23) (5.24)

(dx) Q(x, A)

(5.25)

On suppose que pour tout n 0, Xn est un processus de Markov de loi de transition Mn et de loi initiale 0 dans un espace mesurable (En , En ) qui est

Chapitre 5. Le Filtrage non linaire

97

observ par un processus Yn vivant dans un espace (Fn , Fn ). On considre le processus historique (X0 , . . . , Xn ) n p=0 Ep . On suppose que pour tout n 0, Yn est li la dynamique du processus historique (X0 , . . . , Xn ) par la relation Yn = Hn ( (X0 , . . . , Xn ) , Vn ) o Vn est un bruit dobservation Markovien. De plus on supposera que le couple (Xn , Yn ) En Fn est Markovien pour chaque pas de temps n 0. On va galement considrer alors le processus historique de lobservation (Y0 , . . . , Yn ) n p=0 Fp .

Le problme de ltrage non-linaire se rsout en trouvant la loi conditionnelle, pour toute fonction f mesurable borne : n (f ) = E[f (X0 , . . . , Xn ) | Y0 = y0 , . . . , Yn = yn ] (5.26)

De la mme manire on dnit le prdicteur du ltre (la loi conditionnelle prdisant la position venir sachant les observations disponibles) par n (f ) = E[f (X0 , . . . , Xn ) | Y0 = y0 , . . . , Yn1 = yn1 ] (5.27)

Bien que le processus soit non-linaire, on montre que ce ltre correspond lestimateur optimal. Il na pas de solution analytique sauf dans des cas particuliers comme les processus de dynamique et dobservation linaires gaussiens. Nous allons en tudier les caractristiques, et il faudra dans le cas gnral lapprocher par des mthodes particulaires qui seront lobjet de la section suivante.

On rduit un peu notre modle dobservation qui est trs gnral, en considrant que lobservation Yn ne se fait que sur ltat courant Xn et pas sur la trajectoire, on a alors Yn = Hn ( (X0 , . . . , Xn ) , Vn ) = Hn (Xn , Vn ) et on rajoute une hypothse supplmentaire avec lexistence chaque pas de temps dune fonction gn [0, 1] et dune mesure qn telles que P(Hn (xn , vn ) dyn ) = gn (xn , yn ) qn (dyn ), cest--dire que Hn (Xn , Vn ) et Vn sont absolument continues de densit gn .

Les 2 mesures n et n sont appeles des mesures de Feynman-Kac (Del Moral (1998, 2004)). Elles peuvent tre dnies dans un cadre plus large que celui du ltrage par la donne dune fonction de potentiel Gn , avec 0 Gn 1 et ici Gn (Xn ) = gn (Xn , Yn ), et par la donne dun noyau de transition Mn , ici la dynamique du processus observ. On lira prot le livre de P. Del Moral (2004) prsentant un certain nombre de sujet de la physique, la biologie ou lingnierie

Chapitre 5. Le Filtrage non linaire o ces mesures ont un intrt dapplication.

98

On va noter lespace dans lequel vit le processus historique (X0 , . . . , Xn )n0 , E[0,n] = E0 En . On notera que le passage du processus du temps n au temps n + 1, se fait par augmentation dtat, et en utilisant le noyau de transition MarMn+1 kovienne Mn+1 : (X0 , . . . , Xn , Xn+1 ) = ((X0 , . . . , Xn ), Xn+1 ) et Xn Xn+1 . Avec la dynamique Markovien de Xn on peut crire la loi du processus historique de manire multiplicative PX0 ,...,Xn (d(x0 , . . . , xn )) = 0 (dx0 ) M1 (x0 , dx1 ) . . . Mn (xn1 , dxn ) et pour une fonction borne dans lespace E[0,n] on a lesprance E(fn (X0 , . . . , Xn )) =
E[0,n]

fn (x0 , . . . , xn )PX0 ,...,Xn (d(x0 , . . . , xn ))

De mme pour le processus dobservation :


n n

Y0 ,...,Yn

(d(y0 , . . . , yn )) =
E[0,n] p=0

gp (xp , yp )P

X0 ,...,Xn

(d(x0 , . . . , xn ))
p=0

qp (dyp )

(5.28) alors la loi du ltre (que lon appelle souvent mise jour) scrit trajectoriellement : E(fn (X0 , . . . , Xn )|(Y0 , . . . , Yn ) = (y0 , . . . , yn )) PX (d(x0 , . . . , xn )) n p=0 gp (xp , Yp )fn (x0 , . . . , xn ) E[0,n] n
n p=0 gp (xp , Yp ) n 0 (dx0 ) n p=1 Mp (xp1 , dxp ) p=0 gp (xp , Yp )fn (x0 , . . . , xn ) n 0 (dx0 ) n p=1 Mp (xp1 , dxp ) p=0 gp (xp , Yp ) E E[0,n]

= =

PX n (d(x0 , . . . , xn ))

(5.29) (5.30)

E[0,n]

[0,n]

On dnit les mesures trajectorielles non-normalises toujours pour des fonctions mesurables bornes :
n

n (fn ) = E0 (fn (X0 , . . . , Xn )


p=0

Gp (X0 , . . . , Xp ))

(5.31)

et n (fn ) = E0 (fn (X0 , . . . , Xn )

n1

Gp (X0 , . . . , Xp ))
p=0

(5.32)

avec Gp (X0 , . . . , Xp ) = g (Xp , Yp ) = Gp (Xp ) puisque lobservateur ne voit que ltat courant.

Chapitre 5. Le Filtrage non linaire

99

Pour tout n 0 les mesures de Feynman-Kac du ltrage peuvent tre formules au moyen des mesures non-normalises : n (fn ) = et n (fn ) = n (fn ) n (1) n (fn ) n (1) (5.33)

(5.34)

De plus la formule de la mise jour, qui est valable pour tout pas de temps, n (fn ) = n (Gn .fn ) n (Gn )

montre que la loi du ltre n est une mesure de Boltzmann-Gibbs et quil existe un transformation de Boltzmann-Gibbs n telle que n = n (n ) et n (n )(d(x0 , . . . , xn )) = Gn (xn )n (d(x0 , . . . , xn )) = n (d(x0 , . . . , xn )) n (Gn ) (5.35)

n telles que De ce fait on peut dnir 2 transformations n+1 et n+1 (n ) = n (n )Mn+1


def

et

n1 ) def ( = n ( n1 Mn )

Ces 2 transformations permettent dcrire lvolution des mesures de FeynmanKac, la prdiction n et la mise jour n : n+1 = n+1 (n ) et n+1 ( n+1 = n )

On rsume cela sur un diagramme : n Mn n n n1


n

On dnit alors une dernire quantit, la transformation de Boltzmann-Gibs pour la mesure de mise jour. n+1 = Mn (Gn ) et M n (fn ) = En eet en notant G n ( n1 Mn )(fn ) =
Mn (Gn fn ) Mn (Gn )

on obtient (5.36)

n1 M n (fn )) n1 Mn (Gn fn ) n1 (G = n1 ) n1 Mn (Gn ) n1 (G

Chapitre 5. Le Filtrage non linaire Par la dnition suivante n (xn ) n (d(x0 , . . . , xn )) def G n ( n )(d(x0 , . . . , xn )) = n) n (G et exprimant n partir des mises jour,
n1 E 0 [fn (X0 , . . . , Xn ) p=0 Gp (Xp )] n (fn ) = n1 p )] E Gp (X 0 [ p=0

100

(5.37)

(5.38)

p est la chane de Markov de loi initiale o X 0 et de loi de transition lmentaire Mn , on peut crire lvolution du ot des mises jour comme le systme dynamique n+1 ( n ( n+1 n+1 = n ) = n )M (5.39)

On la dj mentionn ces processus valeurs mesures ne sont en gnral pas calculables sauf dans le cas dj cit des processus linaires bruits de dynamique et dobservation gaussiens, pour lesquels une solution exacte explicite a t donne par Kalman et Bucy dans leur estimateur qui porte maintenant leur nom (voir annexe A).

Hors de ce cas plein denseignements et qui a marqu une tape importante dans les techniques de ltrage optimal, il faut se donner les moyens de traiter les mesures de Feynman-Kac avec des algorithmes squentiels qui vont gnraliser le ltre de Kalman-Bucy. Les pionniers (voir la mise en revue de ces premiers travaux dans Del Moral et al. (1995)) se sont inspirs des mthodes de Monte-Carlo et ont eu lide dapprocher ces mesures par des lois empiriques en utilisant des particules en interaction. Cest ce que lon nomme l approximation particulaire que lon va prsenter maintenant.

5.2

Approximation particulaire du ltrage non-linaire

Les approximations particulaires de mesures de probabilit pour un systme dynamique alatoire sont des mthodes de Monte Carlo squentielles. Les particules explorent lespace dtat, en voluant de manire indpendante obissant la dynamique du processus sous-jacent. Elles peuvent interagir sous laction dun processus de slection ou par une volution utilisant la loi du systme dynamique (processus champ moyen comme ceux tudis au chapitre 6). La slection a

Chapitre 5. Le Filtrage non linaire

101

pour eet de placer ou de garder les particules dans les rgions dintrt de lespace dtat.

Les mthodes particulaires ont t dveloppes pour de nombreux domaines de la physique. On citera notamment leur utilisation pour rsoudre les quations de Boltzmann (Sznitman (1991); Mlard (1996)) ou pour les quations de Burgers (Bossy et Talay (1996a); Sznitman (1991)) ou plus rcemment pour lquation de Navier-Stokes en 2D dans Mlard (2001) ou 3D dans Fontbona (2006). Dune manire plus gnrale on trouvera des rsultats dexistence et dunicit pour certaines SPDE non-linaires dans Kurtz et Xiong (1999).

Sinspirant des mthodes particulaires utilises en modlisation dquations de la physique, on a pu dvelopper la n des annes 80 des techniques de ltrage dun processus bruit par des particules stochastiques. La littrature est maintenant consquente, on peut lire par exemple Doucet et al. (2001a)).

A partir dun processus physique voluant temps continu on peut construire une estimation particulaire continue utilisant des observations discrtes, Del Moral et al. (2001a) ou Del Moral et Miclo (2000), mais dans ce travail on va privilgier une dynamique et des observations entirement discrtes. Pour mieux cerner lapproximation particulaire du ltrage reposant sur la description du problme par les ots de mesures de Feynman-Kac, nous commencerons par prsenter linterprtation de McKean de ces ots qui est une particularisation de la dynamique des Feynman-Kac se prtant bien au problme de ltrage.

Dans ce paragraphe, pour que les notations soient moins lourdes, et sans rien enlever la gnralit nous allons utiliser une dynamique ponctuelle de Xn en lieu et place du processus historique (X0 , . . . , Xn ). Rappelons que nous nous sommes placs dans le cas o la fonction potentiel ne considre que ltat courant. Nous reprendrons un peu plus bas, paragraphe 5.3, le problme de lestimation trajectorielle.

Nous avons vu que les mesures de Feynman-Kac voluaient selon n = n (n )

Chapitre 5. Le Filtrage non linaire et n+1 = n Mn+1 , soit n+1 = n (n )Mn+1

102

(5.40)

Cette quation intgrale peut galement tre vue comme une quation rcursive de la forme n+1 = n Kn+1,n o Kn+1,n serait un noyau dni par Kn+1,n = Sn,n Mn+1 et il faut alors prciser ce quest Sn,n . Cette criture est appele linterprtation de McKean de 5.40. Elle nest pas unique et on peut dnir le noyau Sn,n de multiples manires.

Par exemple, Sn,n (xn , ) = n (n )() est un choix possible ou bien Sn,n (xn , ) = Gn (xn )xn () + [1 Gn (xn )]n (n )() en est un autre, avec n (n )(dx) =
Gn (x) (dx). n (Gn ) n

Une fois le choix du noyau Sn,n eectu, par exemple le second, on a lvolution rcursive pour les mesures de probabilit du ltrage
n n n = n Sn,n n+1 = n Mn+1

Sn,

Mn+1

(5.41)

Il est possible de montrer (Del Moral et al. (2001c)) que pour le noyau Sn,n (xn , ) = Gn (xn )xn ()+[1 Gn (xn )]n (n )() la variance derreur est moindre et que lalgorithme est numriquement plus stable utilisant le premier noyau de slection. Cest ce type de noyaux que nous lutiliserons dans la suite de cette tude. Il existe dautres noyaux plus performant, par exemple en choisissant le noyau Gn (xn ) Gn (xn ) de slection Sn,n (xn , ) = n ess + [1 n ess ]n (n ) on peut sup(Gn ) xn sup(Gn ) montrer que les estimations sont plus prcises, la meilleure des particules tant automatiquement conserve lors de la slection, mais ce noyau a un cot de calcul nettement suprieur que nous bannissons ici.

Chapitre 5. Le Filtrage non linaire

103

Avec 0 Gn 1, cette slection correspond une transition de marche alatoire de type loi de Bernoulli o le marcheur reste o il est avec la probabilit Gn et se redistribue selon la probabilit complmentaire sur un nouveau site tir alatoirement en accord avec la loi n (n ). Le noyau Sn,n est appel le noyau de slection, il renforce ainsi les positions de lespace dtat fort potentiel.

Le modle dvolution pour les Feynman-Kac que lon a dcrit en 5.41 correspond une dynamique dans lespace des phases en deux tapes : Un temps de slection qui adapte la dynamique pour favoriser les zones de forts potentiels. Elle favorise les zones de lespace des phases les mieux adaptes au milieu alatoire. Une fois la slection opre, un temps dvolution Markovienne, que lon va nommer mutation. Ainsi paralllement au schma dvolution des probabilits conditionnelles de ltrage, on peut donner pour tout n 0 un schma dvolution pour le vecteur dtat : n En Xn En X Xn+1 En+1
Slection Mutation

(5.42)

Les noms de slection et mutation viennent de la biologie o ont t dcrits pour la premire fois les algorithmes gntiques. Dans ce cadre un groupe dindividus (pour nous lensemble des marcheurs de la marche alatoire) subit des slections, les individus les moins adapts au milieu environnant disparaissent au prot des plus pertinents, et dune gnration lautre des mutations se produisent. Dans ce cadre lutilisation des ots de Feynman-Kac est assez pertinente et permet une formalisation des algorithmes gntiques avec des estimations derreur des schmas dapproximation Del Moral et al. (2001b). Dans le ltrage particulaire, cest en quelque sorte ce type de dynamique que lon reproduit, avec un renforcement des tats les plus probables au dtriment des autres, et une exploration alatoire de lespace des phases entre deux pas de temps. On va retenir le langage de la biologie qui est assez parlant, et qui plus est, on va pouvoir parler pour chaque marcheur, de descendant (au pas de temps aprs), danctres (pas de temps prcdent), de lignes ancestrales et nalement darbres gnalogiques. Autrement dit en ltrant sur une trajectoire un instant n, ce que lon cherche optimiser cest la ligne ancestrale qui a gnr ltat courant Xn (lire le ltrage par arbres gnalogique dans Del Moral (2003) ou Del Moral (2004)). Nous allons balayer ces ides en prsentant linterprtation particulaire du ltrage non-linaire.

Chapitre 5. Le Filtrage non linaire

104

On appelle particules des points test de lespace dtat En , n 0, que lon i N note (n )1iN En pour N > 0. Ces particules explorent lespace En et avec la dynamique que lon va donner chantillonnent empiriquement la loi n . On appelle systme de particules en interactions associ au noyau Kn+1,n = Sn,n Mn+1 issu de la distribution initiale 0 , la suite de chanes de MarN N kov inhomognes (N = n0 En , ((F )N n )n0 , (n )n0 , P0 ) valeurs dans lespace N 1 N N produit En o n = (n . . . n ) En . Ltat initial 0 se compose de N copies iid selon 0 . La transition lmentaire du systme de particules en interaction est donne en notant m(n1 ) = N 1 j =1 j N
n1

PN 0 (n

dxn | n1 ) =
i=1

i i Kn,m(n1 ) (n 1 , dxn )

Le noyau de transition peut sexprimer par PN 0 (n dxn | n1 ) = o S (n , dxn ) =


N i=1

S (n , dxn )Mn+1 (xn , dxn+1 )


N En

i Sn,m(n ) (n , dxi n ) et M(xn , dxn+1 ) =

N i=1

i Mn+1 (xi n , dxn+1 ).

Pour prciser lvolution et les erreurs commises avec un systme de particules en interaction, linstant initial, n = 0, on distribue alatoirement, selon 0 qui est une loi de probabilit connue (fournit dans les donnes du problme), N points i de lespace dtat 0 . Lensemble de ces points chantillonne la loi 0 et dnit la distribution empirique N 1 N 0 = i N i=1 0
N La loi empirique 0 approche la loi exacte 0 et la loi faible des grands nombres nous donne pour toute fonction f borne lexistence dune constante C0 telle que :

C0 N E | 0 (f ) 0 (f )| f N

(5.43)

i )1iN va suivre le schma Pour tout n 1, lensemble des particules n = (n dvolution du vecteur dtat : N N Prdiction N Slection n+1 En n En n En +1

(5.44)

Chapitre 5. Le Filtrage non linaire

105

N avec pour chaque temps n > 0, En = N i=1 En . Le paquet de particules n chantillonne une loi empirique note

N n

1 = N

N
i n

(5.45)

i=1

pour laquelle il faut vrier quelle approche susamment la loi n , quelque soit le pas de temps. De mme pour ltape de slection on note :
N n

1 = N

i n
i=1

(5.46)

la mesure empirique qui va correspondre n . On va prciser en quel sens cela est vrai plus bas. Lors de ltape de mutation chaque particule volue selon le noyau de transition exacte Mn+1 . Ce nest pas toujours le cas, on verra au chapitre suivant (6) que pour une dynamique champ moyen, lvolution ne se fait quavec un noyau de Markov approch ce qui induit des erreurs de propagation que lon va quantier.

Au cours de ltape de slection, pour tout pas de temps n, le noyau Sn,n est approch. Il sagit l pour chaque particule dun mcanisme dacceptation/rejet, o chaque particule interagit avec les autres par le calcul du potentiel relatif de chacune. Le noyau de slection approch scrit :
i i i N N (n , ) = Gn (n ) i () + [1 Gn (n )]n (n )() Sn,n n

(5.47)

avec
def N n (n )(dx) =

j Gn (n ) N k=1 k) Gn (n

j (dx) n

j =1

On peut rappeler que le potentiel Gn dans le cas du ltrage a t dni par la i ,1iN fonction de vraisemblance et donne le poids de chaque particule n relativement lobservation courante Yn .

Partant de lapproximation initiale on peut dduire par rcurrence le comporN N avec des estimes derreur et n tement asymptotique des mesures empiriques n p L et on peut formuler le thorme :

Chapitre 5. Le Filtrage non linaire

106

Thorme 5.2.1 (Del Moral et al. (2001c)). Pour tout temps n 0 et p 1, il (p) existe des constantes nies Cn < telle que f Bb (E )
1 C (p) N sup E(|n (f ) n (f )|p ) p f n0 N

(5.48)

N De plus pour tout fonction f Bb (E ) et n 0 la suite {n f, N 1} converge presque srement quand N vers n f .

Nous passons pour le moment sur la dmonstration de 5.48, on peut la trouver dans Del Moral et Guionnet (2001) ou dans le livre Del Moral (2004), et surtout nous allons ltendre dans le chapitre suivant (6) au cas des processus champs N (f ), N 1} cest une consquence moyen. Pour la convergence de la suite {n directe du lemme de Borel-Cantelli. Au cours de la dernire dcennie, de nombreux rsultats ont t dmontrs sur les approximations particulaires des distributions de Feynman-Kac. Donnons-en quelques rfrences non-exhaustives.

Dans larticle de Del Moral et Ledoux (2000), les auteurs fournissent une dmonstration de la convergence des processus empiriques qui nous sera utile au chapitre suivant. Del Moral et Guionnet (1999) formulent dailleurs un thorme centrale limite, avec la convergence du terme derreur vers une variable alatoire gaussienne. On peut galement citer des travaux sur la propagation du chaos dans les systmes de particules approchant les Feynman-Kac Del Moral et al. (2006), sur les principes de grandes dviations Del Moral et Miclo (2000). La description des algorithmes stochastiques par les ots de Feynman-Kac est porteuse denseignement, Del Moral et Guionnet (2001) ont montr la stabilit des algorithmes gntiques, puis plus tourns vers le ltrage particulaire avec la premire forme de noyau de slection, Sn,n (xn , ) = n (n )(), Le Gland et Oudjane (2004) ont galement ralis une tude de la stabilit et donn des approximations uniformes. Plus spciquement sur le ltrage particulaire il existe une littrature consquente et plusieurs ouvrages et on peut citer parmi dautres : Doucet et al. (2001a), Del Moral (2004), Crisan et al. (1999a), Del Moral et Jacod (2001), Doucet et al. (2001b), Del Moral et al. (2001a)

Chapitre 5. Le Filtrage non linaire

107

5.3

Filtrage trajectoriel et approximations particulaires

Reprenons le cas des dynamiques trajectorielles et montrons que linterprtation particulaire des mesures de Feynman-Kac dans lespace des chemins est un modle darbres gnalogiques (Del Moral (2004) ou Miclo et Del Moral (2001)). Les arbres gnalogiques reprsentent lvolution des lignes ancestrales dun ensemble dindividus (voir galement Del Moral et al. (2001c)). On considre Xn une chane de Markov voluant pour tout n 0 dans un espace En mesur de tribu En , de distribution initiale 0 P (E0 ) et de loi de transition Mn+1 de (En , En ) dans (En+1 , En+1 ). On suppose que pour chaque n 0 il existe une fonction potentiel Gn de la variable Xn de En dans [0, 1]. Utilisant le couple (Mn , Gn ), on peut donc dnir des ots de Feynman-Kac associs tels que pour toute fonction fn borne mesurable sur (En , En ) :
X n (fn ) = X n (fn ) X n (1)

et

X n (fn ) =

X n (fn ) X n (1)

avec
n1 X n (fn ) = E0 [f (Xn ) p=1 n

Gp (Xp )]

et

X n (fn ) = E0 [f (Xn ) p=1

Gp (Xp )]

A partir de la marche alatoire Xn on peut construire le processus de trajectoire : def def Xn = (X0 . . . Xn ) En = E0 En Lespace En est muni de tribu produit En =
n p=0

Ep .

Alors Xn est galement une chane de Markov sur (En , En ), de loi initiale 0 = 0 P (X0 ), de point et despace de dpart X0 = X0 et E0 = E0 , et enn de loi de transition de En dans En+1 : Mn+1 (xn , dxn+1 ) = Xn (dxn ).Mn+1 (xn , dxn+1 ) avec xn = (x0 . . . xn ) et dxn+1 = (dx0 , . . . , dxn+1 ). (5.49)

Chapitre 5. Le Filtrage non linaire

108

On suppose que pour la trajectoire Xn le potentiel, toujours not Gn est dni par Gn (Xn ) = Gn (Xn ). Le ot de Feynman-Kac est donn pour une fonction mesurable borne f B (En ) par
n1 X n (f ) = E0 (f (Xn ) p=0 n1

Gp (Xp )) / E0 (
p=0

Gp (Xp ))

(5.50)

et ce que lon a dj crit sur les Feynman-Kac dans le cas ponctuel pour la reprsentation de McKean ou pour lapproximation particulaire reste toujours valable, la slection ne se faisant que sur le point terminal. Pour mettre en correspondance la chane de Markov Xn et les marginales de son processus historique Xn , on va dnir des projecteurs canoniques n : n : Xn En n (Xn ) = Xn En (5.51)

A partir de ce projecteur on va dnir pour une mesure M(En ), la mesure 1 X X 1 image = n M(En ) et vrier que n = n n et se trouve tre la X n-ime marginale de n .
N Comme il sera ncessaire pour les particules trajectorielles, on note n le N projecteur sur lespace produit En = En En dnit par :

N fois
N N n : En (En )N 1 N 1 N 1 N (Xn , . . . , Xn ) (n (Xn ), . . . , n (Xn )) = (Xn , . . . , Xn ) i i i avec Xn = (X0 , . . . , Xn ) et 0 i N i i par On dnit alors les particules trajectorielles n et n i i i n = (0 ,n , . . . , n,n )

et

i = ( i , . . . , i ) n 0,n n,n

Usant de la structure des Feynman-Kac la fois pour Xn et Xn on peut dnir la mesure de Boltzmann-Gibbs et les noyaux de slection empiriques : X n( 1 N
N
j )(dx) n =

j ) Gn (n,n N k=1 k ) Gn (n,n

j (dx) n

(5.52) 1 N
N
j )() (5.53) n

j =1 i , ) (n

j =1

X Sn, 1 N

N j =1 j n

i i () )n Gn (n,n

+ [1

i )]X Gn (n,n n(

j =1

Chapitre 5. Le Filtrage non linaire La dnition de la slection trajectorielle nous donne 1 N


N
j n,n

109

j =1

1 = N

N
j n (n )

j =1

alors on peut vrier que la slection du point terminal correspond au noyau de X slection Sn, : N 1
N j =1 j n,n

X Sn, 1 N

N j =1 j n,n

i (n,n , )

i i Gn (n,n )n,n ()

+ [1

i Gn (n,n )]X n

1 ( N

N
j )() n,n

j =1

(5.54) avec la transformation de Boltzmann-Gibbs : X n ( 1 N


N
j )(dx) n,n

def

j Gn (n,n ) N k=1 k ) Gn (n,n

j (dx) n,n

(5.55)

j =1

j =1

i i On notera que si la slection se fait sur n,n le seul point terminal de n , i i cest toute la trajectoire n qui reste inchange ou branche sur une autre. n est la nouvelle ligne ancestrale et dans ltape suivante, par augmentation dtat, la i i i mutation rajoute un point la trajectoire et n +1 = (n , n+1,n+1 ). i N En notant n = (n )i=1 lensemble des N trajectoires, on montre une correspondance entre les modles ponctuels dvolution et des marginales du modle trajectoriel dvolution.

n ) le modle dvolution N Proposition 5.3.1 (Del Moral (2004)). Soit (n , X particules trajectorielles associes la mesure de Feynman-Kac n . Le processus stochastique dni par
N n = n (n )

et

n = N ( n ) n

concide avec le modle dvolution N particules associ la mesure de FeynmanX . Kac n Dmonstration. Pour n 0, soient xn = (x0 , . . . , xn ) En et zn = (z0 , . . . , zn ) En , on note dzn = (dz0 , . . . , dzn ). Soit fn Bb (En ) une fonction mesurable borne.
X amne : Pour une mesure M(E ), un calcul direct sur Sn, X fn (n (zn ))Sn, (xn , dzn ) = X fn (zn )Sn, 1 (n (xn ), dzn ) n

En

En

Chapitre 5. Le Filtrage non linaire De mme un autre calcul nous permet dcrire : fn (n (zn ))Mn (xn1 , dzn ) =
En En

110

fn (zn )Mn (n1 (xn1 ), dzn )

Utilisant ces galits, on dduit les expressions suivantes, dabord pour ltape de mise jour :
N N EN 0 (fn (n (n ))|n )

=
N En

N (xn )) fn (n i=1 N

X Sn, 1

N j =1 j n

i , dxi (n n)

=
EnN

fn (xn )

X Sn, 1

= puis pour ltape de prdiction

i=1 N n,n )|n,n ) E0 (fn (

N j =1 j n,n

i i (n,n , dxn )

N N EN 0 (fn+1 (n+1 (n+1 ))|n )

=
N En +1

N fn+1 (n +1 (xn+1 )) i=1 N

i , dxi ) Mn+1 ( n n+1

=
EnN +1

fn+1 (xn+1 )

i , dx i ) Mn+1 ( n,n n+1

i=1 N n,n ) E0 (fn+1 (n+1,n+1 )|

do lon dduit directement la proposition.

X En supposant que n soit une suite de loi de probabilits possdant une interX prtation de McKean, cest dire quil existe Kn X telle que +1,n X X X n X +1 = n Kn+1,n X et en supposant que n ait une interprtation de McKean, X X X n +1 = n Kn+1, X
n

alors on peut montrer que si les noyaux de McKean sont tels que
X 1 X Kn 1 (n (xn ), ) X (xn , ) n+1 = K +1,n n+1, X n
n

il y a concidence entre les modles particulaires dvolution au sens donn par la proposition prcdente 5.3.1.

Chapitre 5. Le Filtrage non linaire

111

X X Les collections de noyaux de McKean, Kn X et Kn+1, X permettent de d+1,n n nir la mesure de McKean associ ces noyaux et 0 : X X KX 0 ,n ((dx1 , dx2 , . . . , dxn )) = 0 (dx0 ) K1,0 (x0 , dx1 ) . . . Kn, X (xn1 , dxn )
n1

KX 0 ,n ((dx1 , dx2 , . . . , dxn ))

= 0 (dx0 )

X X K1 ,0 (x0 , dx1 ) . . . Kn, X

n1

(xn1 , dxn )

X Alors n est la loi de Xn sous KX 0 ,n et

E0 (f (Xn )) =

En

X f (xn ) (n1 Kn 1,n1 )(dxn )

= n (f )

(5.56)

Au travers de linterprtation de McKean, on met en valeur la notion darbre gnalogique attache la trajectoire Xn , qui est une chane de Markov de loi X de transition Kn, et de loi initiale 0 . Dans lapproximation particulaire, les X n1 mesures approches sont donnes par :
,N KX = 0 ,n

1 N 1 N 1 N

N
1 ,..., i ) (0 n

(5.57) (5.58) (5.59)

i=1 N
1 ,..., i ) (0 n

KX,N 0 ,n = =

i=1 N
i ),( i , i ),( i , i , i ),...,( i , i ,..., i )) ((0 n,n 0,n 1,n 0,2 1,2 2,2 0,1 1,1 ,0

i=1

Alors la mesure de prdiction de Feynamn-Kac normalise empirique scrit :


X,N n

1 = N

N
i ,..., i ) (0 n,n ,n

(5.60)

i=1

Pour terminer sur lapproximation particulaire du ltrage trajectoriel, se rfrant Del Moral et al. (2001c) o lon en trouvera la dmonstration, on peut formuler le thorme suivant : Thorme 5.3.1. Sous une hypothse de rgularit des noyaux de transitions X Kn X (voir Del Moral et al. (2001c)) pour tout p 1 et n 0 il existe des +1,n constantes nies cn (p) telles que pour toute fonction borne f Bb (En )
X X,N (f )|p (f ) n E | n
1 p

cn (p) f N

(5.61)

Chapitre 5. Le Filtrage non linaire

112

La dmonstration complte se trouve dans Del Moral (2004). Ce chapitre tait une mise en revue du ltrage de processus non-linaire, et nous a permis de voir comment pouvait scrire le processus de ltrage en temps continu. On a pu mesurer la dicult de la mise en uvre hors du cas de processus linaires gaussiens. On pourra lire dans lannexe A une prsentation de dirents types de ltrage bass sur le ltre de Kalman-Bucy. Nous avons ensuite trait le problme du ltrage discret trajectoriel o lestimateur optimal du ltrage non-linaire sexprime exactement au moyen des mesures de Feynman-Kac. Ces mesures se rvlent des oprateurs intgraux sans solutions analytiques et nous avons prsent les techniques particulaires permettant dobtenir une solution approche. Linterprtation de McKean du ltrage non-linaire, bien quelle ne soit pas toujours possible, permet de dcrire une dynamique des lois du ltrage qui se rvle pratique dans ltude des ots de Feynman-Kac et dans la technique du ltrage par arbres gnalogiques. En plus dune approximation, les mthodes particulaires fournissent des algorithmes de rsolution squentiels, la solution optimale est alors obtenue de manire rcursive, ce qui permet une exploitation en temps rl du ltrage non-linaire. Si le ltrage a t la motivation de ces travaux, il faut noter que lon peut galement les utiliser en modlisation des champs alatoires observs et en particulier lors des ltape dassimilation des donnes. Cette assimilation, de type 4D, permet alors dobtenir les trajectoires optimales pour les modles de simulation. Dans les chapitres qui suivent, nous allons poursuivre par ltude que nous avons faite du ltrage des processus champ moyen, puis nous verrons une application dveloppe pour le ltrage des mesures exprimentales des vitesses dun uide turbulent. Pour se faire, nous avons mis en place un algorithme de ltrage original permettant doptimiser les performances en temps de calcul de lestimateur champ moyen classique.

Chapitre 6 Filtrage de processus champ moyen


Pour la conceptualisation ou pour la modlisation des phnomnes physiques, il est courant de sparer les chelles en appliquant des mthodes danalyse direntes selon leur nature. Ainsi il est possible de considrer la nature microscopique dun ct et macroscopique de lautre, ou bien deectuer la sparation entre des structures de grandes chelles dvolution lente, dallure dterministe et des phnomnes de plus petites chelles semblant alatoires. Au del de cette sparation phnomnologique, il y a des dirences dans les mthodes mathmatiques employes pour traiter chacune des parties des domaines spars. Cela conduit galement des questions ou des dicults spciques. Par exemple le traitement microscopique va ncessiter de modliser le comportement des particules, il faudra vrier que le traitement dun nombre limit de particules le mme comportement quun nombre naturellement illimit (ou presque), cest le phnomne de propagation du chaos, ou bien quil existe une convergence de la mesure empirique associe au systme de particules vers une densit correspondant la description macroscopique, cest la limite de champ moyen. Dans une reprsentation probabiliste des quations de dynamiques des systmes physiques, Kac propose (voir Kac (1956)) dtudier non pas les systmes dquations eux-mmes, qui peuvent savrer complexes, mais dutiliser un modle plus simple, Markovien, pour le comportement dun ensemble de particules. McKean (1966) propose alors une modlisation des diusions par des systmes de particules interagissant entre elles au travers du champ moyen. Pour crire ces systmes on se place sur lespace canonique = C ([0, T ], Rd ), avec T > 0 et d

Chapitre 6. Filtrage de processus champ moyen

114

la dimension du vecteur dtat x et , chaque instant 0 t T , le systme dquations a comme inconnue une mesure de probabilits t solution de : 1 t = t 2
d

i,j

2 ai,j (x, t ).t xi xj

i=1

bi (x, t ).t xi

(6.1)

McKean (1967) en premier lieu a tudi lexistence des solutions martingales et la propagation du chaos pour le systme de particules associ. Utilisant des mesures-martingales Mlard et Roelly-Coppoletta (1988) ont particularis ltude pour le cas o a(x, t ) = a(x, y )t (dy ) et b(x, t ) = b(x, y )t (dy ). Tanaka (1978) montre lapplication de ces reprsentations probabilistes lquation de Boltzmann puis Sznitman (1991) a termin ltude avec la convergence et la propagation du chaos du systme particulaire et a tendu ses rsultats lquation de Burgers. Bossy et Talay (1996a) ont quant eux quanti les erreurs du schma dintgration dEuler associ aux mthodes particulaires pour les quations de McKean-Vlasov et Burgers. On peut lire galement sur ce sujet de la discrtisation le cours CIME de Denis Talay (1996) sur les mthodes numriques probabilistes. Plus rcemment dans le cadre du transport de la mesure pour des problmes du type champ moyen et de leur approche particulaire, Bolley (2005) a repris et tendu des rsultats sur les ingalits de concentration ou de dviations. Ses rsultats sont appliqus aux quations de transport de Vlasov ou dEuler pour les uides inviscides. La sparation grandes/petites structures est dune autre nature. La composante grande chelle est vue comme un champ moyen du systme autour duquel des uctuations rendent compte des signaux transitoires et sont de moyennes nulles. Ce type danalyse pose le problme de la mthode utiliser pour eectuer la csure. Les mcaniciens des uides ont pour habitude de procder cette disjonction par un ltrage frquentiel de type Fourier voire par des ondelettes. Ces outils ont leur utilit pratique, mais ne correspondent pas lide dun champ moyen support du phnomnes. En eet le champ moyen peut se rpartir sur tous les coecients de la transforme de Fourier. Mais utiliser la vraie nature de ce type de sparation impliquerait la connaissance de la loi de ce vecteur dtat ou bien que lon dispose dun moyen permettant de lapprocher. Cette voie est peu explore et cest celle que lon a choisi pour eectuer le ltrage des mesures exprimentales de vitesses dun uide. Ce chapitre va maintenant caractriser le ltrage des mesures exprimentales dun processus champ moyen pour divers types de lois et donner des dmons-

Chapitre 6. Filtrage de processus champ moyen

115

trations nouvelles de convergence pour le ltrage de processus champ moyen. Dabord pour le cas dun processus utilisant la loi a priori du vecteur dtat, ensuite pour le cas o la loi est conditionne par la ralisation dune variable alatoire jouant le rle de commande, et pour terminer lorsque la loi du champ moyen est conditionne par les observations de la dynamique. On trouvera dans Del Moral et al. (2001c) le cas du ltrage pour des processus utilisant la loi a priori, on va reprendre cela en dtail, et dans Crisan et al. (1999a) ltude du ltrage pour un processus de Markov dont le noyau de transition dpend conditionnellement de lobservation. Seulement les auteurs utilisent pour le noyau de Markov une hypothse quil sera dicile de satisfaire dans le cas de modles physiques non triviaux. Pour notre part, nous allons adopter une description de la dynamique telle que la propose Sznitman (1991).

6.1

Cadre gnral du ltrage de processus champ moyen

Commenons par poser les notations du chapitre et retracer les dmonstrations de convergence des mthodes particulaires dans les cas les plus simples o la loi de champ moyen est connue exactement. Ce nest pas trs raliste mais cela revt un caractre pdagogique, les estimations tablies cette occasion serviront pour tous les autres types de champ moyen. Ensuite on sappliquera dtailler les cas dintrt pour le ltrage des mesures eectues sur la turbulence. Soit un espace de probabilit ltr (, F , (Fn )n0 , P), et (E, B ) lespace dtat que lon prend mtrique, localement compact et que lon munit de la tribu Borlienne B . Comme au chapitre prcdent on prend les notations intgrales suivantes pour toute mesure nie dnie sur lespace mesurable (E, E ), pour tout noyau de transition Q de (E, E ) dans (F, F ) espace mesurable, pour toute fonction f borne mesurable sur lespace E et pour tout lment A de la tribu F : (f ) =
E

f (x) (dx) Q(x, dy ) f (y )

(Qf )(x) =
F

(Q)(A) =
E

(dx) Q(x, A)

Chapitre 6. Filtrage de processus champ moyen

116

De plus pour toute fonction mesurable borne f sur lespace E , on dnit la norme f = supxE |f (x)|. Soit Xn un processus discret valeurs dans (E, B ) de loi n , avec pour valeur linstant t = 0, X0 une variable alatoire distribue selon la mesure de probabilit 0 , loi initiale du processus. On suppose que Xn est un processus de type champ moyen, cest dire que Xn seul nest pas Markovien, mais que le processus de Markov est donn par le couple (Xn , n ). De plus on va supposer que lquation dvolution pour (Xn , n ) a la forme particulire suivante :
X X .Wn Xn+1 = Xn + b(Xn , n )t + n

(6.2)

X o Wn est un Fn -mouvement Brownien, b est une fonction localement borne et X Lipschitzienne en loi, t est le pas de temps de la discrtisation et n est une fonction en temps positive.

Ce type de modle de dynamique appartient la classe des quations de McKean-Vlasov. Cette classe dquations a fait lobjet de nombreuses tudes, notamment par A.S Sznitman et S. Mlard dans les cas continus (Sznitman (1991); Mlard (1996)). Avec les hypothses que lon a formul, on est assur de lexistence et de lunicit trajectorielle et en loi des solutions de lquation (6.2). Pour les systmes de particules en interaction associs ces quations de McKean-Vlasov, Sznitman (1991) nous montre quils vrient la proprit de propagation du chaos, et nous fournit les erreurs de lapproximation particulaire. Bossy et Talay (1996b) donnent quant eux des estimations de convergence des erreurs du schma de discrtisation dEuler.

Pour la suite de ltude il sera ncessaire de particulariser la forme de la fonction b. On prendra alors pour b lcriture b(Xn , n ) = A(Xn ) + B (Xn , x)n (dx) (6.3)

o A et B seront des fonctions bien dnies. Dans tout ce chapitre la fonction A est choisie borne, la fonction B est suppose borne en sa premire variable, cest dire quil existe C B tel que pour tout x E , B (., x ) C B et la fonction b : (x , ) E M1 (E ) b(x , ) est suppose Lipschitzienne de paramtre LB en sa seconde variable, cest dire que pour tout x E et (, ) M1 (E ) M1 (E ), b(x, ) b(x, ) LB . C B .
H

(6.4)

Chapitre 6. Filtrage de processus champ moyen

117

est une norme sur une classe de fonction H que lon explicitera par aprs.

Notre intrt se porte sur le ltrage non-linaire dun processus champ moyen. Le problme formel a t entirement dcrit au chapitre prcdent, rappelonsen les grandes lignes en adaptant les notations la situation prsente. Dans ce cadre Xn est maintenant inatteignable, et seulement observ par le paramtre Yn pour lequel on dispose pour chaque instant n dune fonction de transfert appele quation dobservation. On crit alors le systme du ltrage : X X .Wn Xn+1 = Xn + b(Xn , n )t + n Y Y Yn = h(Xn ) + n .Wn (6.5) X0 0 Y0 = y0
Y o h : Xn Yn est une fonction borne, Wn est un Fn -mouvement Brownien, et Y n une fonction positive du temps.

On note les deux ots de Feynman-Kac (n , n ), o le prdicteur est dni pour toute fonction-test f borne mesurable par n (f ) = E[f (X0 . . . Xn ) | Y0 . . . Yn1 ] et le ot du ltre par n (f ) = E[f (X0 . . . Xn ) | Y0 . . . Yn ].

Le problme du ltrage stochastique se rsout en calculant la Loi(X0 . . . Xn |Y0 . . . Yn ) Nous avons vu au chapitre prcdent que le ltrage sur le processus historique se ramenait un processus Markov particulier. Dans ce chapitre, pour simplier les notations, on se ramne au problme de ltrage rduit au calcul de la loi(Xn |Y0 . . . Yn ). Tout ce que lon va crire alors sera transposable sans dicult au ltrage dans lespace des trajectoires en utilisant un ltrage par arbre gnalogique (voir chapitre 5) au lieu du ltrage gntique ponctuel que lon prsente ici. Dans ce cas ponctuel les distributions de Feynman-Kac scrivent comme : n = Loi(Xn |Y0 . . . Yn1 ) n = Loi(Xn |Y0 . . . Yn )
Y Y sont absolument continues (cest gn.Wn On suppose que Yn et h(Xn ) + n ralement vrai), on dnit la fonction de potentiel

Gn (Xn ) = e

(Yn h(Xn ))2 Y2 2.n

(6.6)

Chapitre 6. Filtrage de processus champ moyen

118

Le ltrage est un processus squentiel et lon a le schma dvolution temporelle :


Mise jour Prdiction n Xn X Xn+1

(6.7) (6.8)

n n

Sn,n

n+1

Mn+1,n

o Le noyau de slection scrit Sn,n (x, dy ) = Gn (x)x (dy ) + (1 Gn (x))n (n )(dy ) avec la loi de redistribution de Boltzmann-Gibbs n (n )(dy ) = Gn (y ).n (dy ) n (Gn ) (6.10) (6.9)

Le noyau de transition Mn+1,n utilise lquation de dynamique :


X X X Xn+1 = Xn + b(Xn , n )t + n .Wn = F (Xn , n , Wn )

(6.11)

et on a Mn+1,n (xn , dxn+1 ) = P(Xn+1 dxn+1 |Xn = xn )


X = P(F (Xn , n , Wn ) dxn+1 )

Selon la reprsentation de McKean on suppose que le ot de prdiction peut prendre la forme n+1 = n .Kn+1,n ,n (6.12) avec Kn+1,n ,n (x, dy ) = Sn,n .Mn+1,n (x, dy ) = Sn,n (x, dz ).Mn+1,n (z, dy ) (6.13)

Ce problme de ltrage est inni-dimensionnel par la nature du couple Markovien (Xn , n ). Dans ce chapitre, nous allons gnrer toute une famille de processus champ moyen, avec en lieu et place de la loi a priori et exacte n :
n la loi a priori d approche empiriquement par un systme de d particules. N . la loi du prdicteur apprise par lalgorithme de ltrage n

Chapitre 6. Filtrage de processus champ moyen

119

N la loi du ltre empirique n .

la loi de Xn sachant Xn pour le cas o Xn dpend de la chane (X0 . . . Xn ) agissant comme une commande. une combinaison des 2 dernires, avec la loi de Xn sachant Xn et sachant les observations Y0 . . . Yn . Chacune de ces lois de champ moyen correspond une situation physique dirente et donc un modle sous-jacent dirent. La loi a priori peut tre vue comme celle qui dpend de la position du vecteur dtat ignorant toute autre information comme la srie dobservation. Mme si cette loi est trs naturelle, il se peut que la quantit ltrer soit pilote par des observations (problme de type contrle actif) ou que le nombre de degrs de libert du systme soit trop important et quil soit astucieux dans la modlisation de le conditionner lobservation. Dans ce second cas nous aurons utiliser la loi du prdicteur ou du ltre lui-mme. Dans cette dernire situation, le processus volue selon les lois apprises par la technique de ltrage et de fait la dynamique se trouve troitement lie aux observations. La qualit du ltrage sera trs dpendante de la bonne modlisation de lquation de transfert. Voyons avec des dmonstrations nouvelles, lestimation des erreurs commises dans le ltrage particulaire pour chacune des situations que lon vient dvoquer.
(2) (1)

(2)

(1)

(2)

(1)

(1)

6.1.1

Lemmes techniques

Pour raliser nos estimations derreur, nous aurons besoin de quelques lemmes sur la convergence des processus empiriques que lon peut trouver dans Del Moral (2004), qui tendent les rsultats de Del Moral et Ledoux (2000). On rappelle pour commencer un rsultat bien utile dans ltablissement de majoration Lp , lingalit de Marcinkiewicz-Zygmund : Lemme 6.1.1. Soit (i )1in une suite de variables alatoires intgrables, indpendantes et centres. Alors pour p 1 il existe des constantes Ap , Bp telle que, pour tout n 1, presque srement on a
n n
1 i2 ) 2 p

Ap (
i=1

i=1

Bp (
i=1

i2 ) 2

Avec pour toute fonction susamment intgrable

= E[ | | p ] p

Chapitre 6. Filtrage de processus champ moyen

120

Soit H un sous-ensemble des fonctions h mesurables bornes telles que h 1 complt de la fonction unit. Pour 2 mesures et de M1 (E ), on note la seminorme sur H :
H

= sup{ |(h) (h)| tel que h H }

Pour mesurer la taille dune classe de H on compte le nombre minimal de boules L de rayon > 0 ncessaires pour la recouvrir. Ce nombre est not N (, H).
p

On dnit galement lentropie intgrale I (H) =

1 0

ln(1 + N (, H))d.

Pour tout noyau de transition Markovien M et toute fonction de potentiel G telle que G 1, on note G.M H = {G.M (h), h H}. Lemme 6.1.2. Avec les hypothses prcedentes, pour tout > 0 on obtient lingalit pour le nombre de recouvrement N (, G.M H) N (, H) et pour lentropie intgrale I (G.M H) I (H) (6.15) (6.14)

Ce premier lemme conduit au rsultat suivant qui nous sera utile par la suite donnant un contrle Lp pour le processus empirique. Lemme 6.1.3. Pour tout N > 0, soit (i )1iN une suite de mesures sur (E, E ), N 1 (X i )i1 une suite de v.a. distribues selon i . On note m(X ) = N i=1 X i le N 1 processus empirique et = N i=1 i la mesure moyenne. Pour tout p 1, on a la majoration N E( m(X )

1 p p H)

Cp I (H)

(6.16)

Les dmonstrations de ces ingalits se trouvent dans le chapitre 7 de Del Moral (2004).

Chapitre 6. Filtrage de processus champ moyen

121

6.2

Filtrage particulaire pour des lois de champ moyen exactes n

Dans ce premier cas, on suppose que lvolution de la dynamique utilise un ot de mesure connu et explicitement donn n . Aprs coup cette loi exacte pourra tre la loi a-priori n ou la loi dun paramtre externe non dcrit par la dynamique mais parfaitement connue. Pour tout temps n couple (Xn , Yn ) : Xn+1 Yn X0 Y0 0, on suppose donn le systme dynamique suivi par le = = =
X X Xn + b(Xn , n )t + n .Wn Y Y h(Xn ) + n .Wn 0 y0

(6.17)

X Y o n est la loi du champ moyen que lon suppose parfaitement dcrite, n et n X Y sont des constantes strictement positives, Wn et Wn sont des variables alatoires de loi normale centres rduites. La fonction h est suppose borne.

Pour pouvoir travailler on sest donn des hypothses sur la fonction (x, ) b(x, ) qui est borne en sa premire variable et Lipschitz en la seconde. Dans ces conditions, pour lEDS 6.17, il y a existence dune solution trajectorielle et en loi (voir par exemple Sznitman (1991)) qui est unique et le couple (Xn , n ) est Markovien en tout temps.

Le systme de particules mis en place est alors uniquement destin apprendre N N et approcher les ots de Feynman-Kac n et n par des lois empiriques n et n . Dans cette approximation, les erreurs ne viennent que de lvaluation empirique du noyau de slection et de lchantillonnage opr par le systme de particules. En eet dans lexpression exacte nous avons le schma dvolution
n n n+1 n n

Sn,

Mn+1,

et pour toute fonction borne f la forme exacte n+1 (f ) = n Sn,n Mn,n (f )

Chapitre 6. Filtrage de processus champ moyen sera estime par


N N Mn,n (f ) n Sn,n N qui approche n +1 (f ).

122

Dans la section qui vient, on verra quil y a une partition naturelle entre les erreurs dues au processus de ltrage de celle dues lestimation de la loi du champ moyen. Cest cette sparation que lon utilisera par la suite pour ne traiter que ce qui est spcique lestimation de la distribution du champ moyen par la technique de ltrage.

6.2.1

Erreurs destimations dans la squence de ltrage

Nous allons prendre quelques lignes pour dmontrer le thorme suivant : Thorme 6.2.1. Pour tout n 0 et tout p 1, il existe des constantes nies 0 Cn (p) telles que
N E( n n
1 p p H)

Cn (p) I (H) N

(6.18)

i Dmonstration. Pour tout temps n 0, soit (n )1iN un systme de N particules en interaction utilis pour apprendre les distributions de Feynman-Kac n et n . Lalgorithme de ltrage comporte deux tapes, dabord avec une mise jour utilisant le noyau de slection Sn,n et puis une mutation selon le noyau de transition Markovienne Mn+1,n .

Les particules sont initialises au temps n = 0 par une distribution 0 -i.i.d qui xe le point de dpart du systme dynamique de Feynman-Kac, puis suivent le schma dvolution :
i SlectionSn,n i MutationMn+1,n i n n n +1

(6.19)

Cest ce systme de N particules qui nous permet dapprocher les lois, et pour lequel on va dmontrer le thorme 6.2.1 On va procder par une rcurrence dont le lemme 6.1.3 nous donne le germe avec la majoration
N E( 0 0
1 p p H)

cp (0) I (H) N

(6.20)

Chapitre 6. Filtrage de processus champ moyen Linduction est alors suppose vrie jusqu ltape n.

123

N Pour toute fonction f mesurable telle que f 1, le terme n +1 (f ) n+1 (f ) est dcompos en 2 parties : N n +1 (f ) n+1 (f ) = N N N , (f ) n +1 (f ) n Kn+1,n n N N , (f ) n Kn+1,n ,n (f ) n Kn+1,n n

() () (6.21)

La majoration du terme () sera un calcul sur les uctuations pour lesquelles 1 N E(()2 | n ) N f 2 , alors que le second membre () fera apparaitre des carts sur certaines fonctions et utilisera lhypothse de rcurrence.

Explicitons les dirents noyaux qui vont tre utiliss. Pour lquation de dynaX X mique Xn+1 = Xn + b(Xn , n )t + n .Wn , le noyau de transition Markovienne Mn+1,n est tel que : Mn+1,n (f )(x) = dy f (y ) 1
X2 2..n

exp(

(y + x + b(x, n )t)2 ) X2 2n

(6.22)

Ltape de slection est conduite par le noyau utilisant le potentiel Gn (x) : (y ).n (dy ) , ce qui donne le noyau dvoSn,n (x, dy ) = Gn (x)x (dy ) + (1 Gn (x)) Gn n (Gn ) lution de McKean Kn+1,n ,n = Sn,n Mn+1,n et pour toute fonction borne f n Kn+1,n ,n (f ) = n (dx) f (y ) Sn,n (x, dz ) Mn+1,n (z, dy ) (6.23)

i A ltape n, le systme de particules n volue selon la slection Sn,n puis i selon la mutation Mn+1,n et donne ltape n + 1 les particules n +1 et la mesure N 1 i N empirique est approche par n+1 (f ) = N i=1 f (n+1 ). N N N , (f ), le terme de uctuations svalue En notant I = n +1 (f ) n Kn+1,n n par : N 1 i i N , (f )(n )] (6.24) I= [f (n +1 ) Kn+1,n n N i=1

qui donne E[I |


2 N n ]

1 = 2 N

N i 2 i N , ([f Kn+1, N , (f )(n )] )(n ) Kn+1,n n n n i=1

(6.25)

Chapitre 6. Filtrage de processus champ moyen Avec une erreur petite que lon nglige : 1 N
N i 2 i N , ([f Kn+1, N , (f )(n )] )(n ) Kn+1,n n n n i=1 N 2 N , ([f Kn+1, N , (f )()] )()) n (Kn+1,n n n n

124

(6.26)

2 N , ([f Kn+1, N , (f )()] )() Or Kn+1,n C f n n n kiewicz-Zygmund permet de control le terme I par

et lingalit de Marcin-

Cp p N 1 N N N , (f )| / n ) p E(|n f +1 (f ) n Kn+1,n n N

(6.27)

Nous tablissons maintenant une ingalit de majoration pour le second terme N N , (f ) n Kn+1,n ,n (f ). de la dcomposition : n Kn+1,n n Pour tout instant n 0, tout z E et tout dy E , soit le noyau de transition Qn+1,n (z, dy ) = Gn (z ).Mn+1, (z, dy ). Pour toute fonction borne f , on obtient par dveloppement des noyaux de McKean :
N N , (f ) n Kn+1,n ,n (f ) n Kn+1,n n N N N N , (f ) n Kn+1,n ,n (f ) + n Kn+1,n ,n (f ) n Kn+1,n ,n (f ) = n Kn+1,n n

Un simple calcul utilisant la structure du noyau de McKean donne


N n n N Qn+1,n (f ) + (n n )Kn+1,n ,n (f ) N n (Gn ) n (Gn ) N [1 n Gn (Gn )] N N )n Qn+1,n (f ) = (n n )Qn+1,n (f ) + (n n )( N n (Gn ) n (Gn ) N +(n n )Kn+1,n ,n (f ) (6.28) N = [1 n (Gn )]

utilisant lhypothse de rcurrence et les lemmes 6.1.2 et 6.1.3 on conclut lexistence de constantes de majoration de la borne de lerreur Lp et le thorme 6.2.1 est prouv.

Remarque : les constantes Cn (p) sclatent en fait en un terme fonction de n et un terme fonction de p. Ce cas simple nous a montr laction du ltre sur les termes derreur nous devons maintenant considrer les cas plus porteur o la loi du champ moyen est apprise par lalgorithme de ltrage.

Chapitre 6. Filtrage de processus champ moyen

125

6.3

Filtrage particulaire dun processus de Markov champ moyen du type Loi(Xn)

Dans un ltre particulaire, lorsque la loi du champ moyen nest pas connue exactement, il faut lapprocher par un systme de particules en interaction auxiliaire. On dispose pour tout instant n 0 dun systme de particules (X i )1iN , i N > 0, pour ltrer la srie temporelle Yn et dun systme (Zn )iid , d > 0 pour apprendre la loi a priori.
i Pour ce second systme linstant initial les particules (Z0 )1id sont distribus selon la loi 0 = Loi(X0 ) et on suppose que pour tout temps n > 0, chaque i particule Zn volue selon le noyau de transition Mn+1,n o n est la loi de Xn qui i i i X Z,i correspond lquation de dynamique Zn +1 = Zn + b(Zn , n )t + n .Wn

On peur rsumer cela par :


1 1 (Zn Zn volue selon Mn,n d 1 , ) 1 . . . . . . d1 d1 (Zn Zn volue selon Mn,n d 1 , ) 1 d d (Zn Zn volue selon Mn,n d 1 , ) 1 d avec n 1 = 1 d d i . i=1 Zn 1

On peut alors valuer lcart la loi exacte :


d d n n = n1 Mn,n1 n d 1 Mn,n 1 d d [n n ] d 1 Mn,n 1

(6.29)

d d Classiquement d[n n ] converge faiblement vers 0 fonction par d 1 Mn,n 1 fonction ou presque srement vers une variable alatoire gaussienne. On ne retient d ) est alors que la premire partie de lexpression et on considre que (n n d ) que le lemme 6.1.3 nous permet de approch par (n1 Mn,n1 n1 Mn,n d 1 controler. Cette approximation sera utilise un peu plus bas. Retournons au problme du ltrage dun processus champ moyen. On suppose que pour tout instant n 0, le couple dynamique/observation (Xn , Yn ) est

Chapitre 6. Filtrage de processus champ moyen Markovien et suit le systme Xn+1 = Yn = X0 Y0 = o n est la loi a priori. suivant :
X X Xn + b(Xn , n )t + n .Wn Y Y h(Xn ) + n .Wn 0 y0

126

(6.30)

Pour une fonction-test borne f , le processus de ltrage lui volue selon le systme dynamique n+1 (f ) = n Kn+1,n ,n (f ) = n Sn,n Mn+1,n (f ) (6.31)

Comme annonc prcdemment on utilise un ensemble de N particules pour estimer les lois du ltrage, et un ensemble de d particules pour simuler la loi du champ moyen n .

i Pour tout instant n 0, les d particules (Zn )1id sont en interaction travers le champ moyen, voluant selon la dynamique empirique : i,d i,d i,d d Z Z,i,d Zn +1 = Zn + b(Zn , n )t + n .Wn

(6.32)

i Ces particules Zn ignorent les observations et voluent seules sans slection.

Dans cette approximation particulaire du ltre, nous obtenons la loi empirique du processus de ltrage, les noyaux de slection et de mutation approchs
N N N Mn, d (f ) n +1 (f ) n Sn,n n

(6.33)

i )1iN : qui sont calculs en utilisant le systme de particules en interaction (Xn i,N X,i X d i,N i,N Xn +1 = Xn + b(Xn , n )t + n .Wn

(6.34)

Alors nous devons estimer pour chaque n, et toute fonction-test f , lerreur N commise par lapproximation de n+1 (f ) par n +1 (f ) et plus prcisment tablir le thorme :

Chapitre 6. Filtrage de processus champ moyen

127

Thorme 6.3.1. Avec les hypothses gnrales, pour tout n 0 et tout p 1, il existe des constantes nies Cn (p) > 0 et Cn (p) > 0 telles que
N E( n n
1 p p H)

Cn (p) Cn (p) [ + ] I (H) N d

(6.35)

Dmonstration. La preuve seectue de nouveau par induction. Au rang initial, le lemme 6.1.3 nous donne lingalit
N 0 E( 0
1 p p H)

cp (0) I (H) N

(6.36)

est donc C0 (p) = cp (0) et C0 (p) = 0 qui nous permet de dmarrer la rcurrence. On suppose alors quelle est ralise au rang n, et on montre quelle se propage au rang n + 1. Les rsultats de la section prcdente vont nous permettre de majorer 2 des termes de la dcomposition suivante qui en contient 3 :

N N N n N , d (f ) +1 (f ) n+1 (f ) = n+1 (f ) n Kn+1,n n N N + n Kn+1,n N , d (f ) n Kn+1,n ,n (f ) n

( ) () ( ) (6.37)

N n Kn+1,n ,n (f )

n Kn+1,n ,n (f )

La quantit () correspond au terme de uctuation dj trait, la dirence ( ) amne lutilisation de lhypothse de rcurrence telle quelle a t traite au paragraphe prcdent. Il reste estimer le second membre () qui utilisera lhypothse Lipschitz sur la fonction b. La dirence des noyaux de McKean contre une fonction test f mesurable borne moyenne empiriquement scrivent :
N N n Kn+1,n N , d (f ) n Kn+1, N , (f ) n n n

N N (x, dz )[Mn+1, d Mn+1,n ](z, dy ) f (y )n (dx)Sn,n n

(6.38)

Pour toutes mesures et de M(E ), tout point x E , toute une fonction mesurable borne f , Mn+1, f (x) Mn+1, f (x) = dyf (y ) e
A(x,y,)2 X2 2n

A(x,y, )2 X2 2n

Chapitre 6. Filtrage de processus champ moyen

128

avec A(x, y, ) = y + x + b(x, )t. En utilisant les proprits des fonctions Lipschitziennes, pour b et pour la Gaussienne, la borne suprieure de la fonction b on obtient pour tout p > 0 et toute une fonction mesurable borne f 1 1 N N p p E n Kn+1,n Cn (p) I (H) (6.39) N , d (f ) n Kn+1, N , (f ) n n n d Joignant cette estimation celle obtenue pour les 2 autres termes de la dcomposition et par les lemmes techniques nous venons de dmontrer lingalit 1 Cn (p) Cn (p) N p ] I (H) du thorme (6.3.1). n p E( n H) [ N + d

Lestimation du champ moyen conjointement au ltrage nous a demand la somme de 2 systmes de particules lun de taille N lautre de taille d pour obtenir 1 des erreurs en 1N + . La section suivante va eectuer le mme type destimation d pour les processus champ moyen conditionns aux observations.

6.4

Filtrage particulaire dun processus de Markov champ moyen conditionn aux observations

Pour certaines applications physiques, il peut tre intressant de changer de modle et de conditionner la loi du champ moyen aux observations. Cest par exemple le cas dun mobile contrl par les observations qui en sont faites, comme peut ltre dans le domaine aronautique un drne. Mais ce pourrait tre en ingnierie aussi un moyen de rduire le nombre de degr de libert dun systme exact mais trop coteux simuler. Le conditionnement donne un modle dirent, nayant pas les mmes caractristiques mais qui peut approcher localement le systme a priori. Dans la partie concernant le ltrage de mesures issues de la turbulence atmosphriques, le couplage des processus dacquisition que lon prsente au chapitre 7 nous amnera dans cette situation. Dans cette section seront examins les 2 cas possibles de conditionnement aux observations possibles dans un ltrage, dabord avec lutilisation comme loi du champ moyen du prdicteur du ltre n puis dans un second temps avec la loi du ltre lui-mme n .

Chapitre 6. Filtrage de processus champ moyen

129

6.4.1

Filtrage dun champ moyen du type Loi(Xn | Y0 . . . Yn1 )

Dans cette situation, le processus est un champ moyen de loi n = Loi(Xn | Y0 . . . Yn1 ) qui est le prdicteur du ltre non-linaire. Le problme de ltrage que lon cherche rsoudre repose donc sur le systme :

Xn+1 Yn X0 Y0

= = =

X X Xn + b(Xn , n )t + n .Wn Y Y h(Xn ) + n .Wn 0 y0

(6.40)

Utilisant les mmes notations que dans les sections prcdentes, au temps n aprs ltape de slection selon le noyau Sn,n et ltape de mutation par le noyau de transition Markovienne Mn+1,n , on a le systme dynamique dont le ot de Feynman-Kac n est solution : n+1 = n Sn,n Mn+1,n (6.41)

Pour poursuivre notre tude, on tablit le thorme suivant donnant lestimation Lp de lerreur de lapproximation particulaire pour un ensemble de N particules en interaction : Thorme 6.4.1. Avec les hypothses prcdentes valables pour ce chapitre, pour tout n 0 et tout p > 0 il existe des constantes 0 Cn (p) < telles que
N E( n n
1 p p H)

Cn (p) I (H) N

(6.42)

Dmonstration. Le thorme sera de nouveau dmontr par rcurrence, pour ltape intiale on reprend ce qui a t dit prcdemment et
N 0 E( 0
1 p p H)

cp (0) I (H) N

(6.43)

Chapitre 6. Filtrage de processus champ moyen

130

Maintenant on suppose que linduction est vraie au temps n et on calcule lerreur ltape n + 1 pour toute fonction mesurable borne, f avec la dcomposition :
N N N N , N (f ) n +1 (f ) n+1 (f ) = n+1 (f ) n Kn+1,n n

()

N N N , N (f ) N , (f ) + n Kn+1,n () n Kn+1,n n n N N , (f ) n Kn+1,n ,n (f ) + n Kn+1,n ( ) (6.44) n

La dmonstration est alors en tout point conforme celle du thorme 6.3.1 sauf pour le terme () o lon utilise lhypothse Lipschitzienne pour la fonction b qui amne utiliser lhypothse de rcurrence sur la classe de fonction H pour conclure la proposition annonce.

6.4.2

Filtrage dun champ moyen du type Loi(Xn | Y0 . . . Yn )

Avec une lgre modication de la loi du champ moyen, on peut utiliser non pas la loi du prdicteur, mais celle du ltre lui-mme, cest--dire la loi de dynamique sachant les observations jusqu la dernire Yn . Le systme servant au ltrage est donn par : X X Xn+1 = Xn + b(Xn , n )t + n .Wn Y Y Yn = h(Xn ) + n .Wn (6.45) X0 0 Y0 = y 0 o n est la loi du ltre Loi(Xn |Y0 . . . Yn ).
N n Pour estimer lerreur, nous allons tablir que E( n
1 p p H)

Cn (p) N

I (H)

Il sagit de la mme analyse par rcurrence que dans les sections prcdentes. Ltape initiale est valide toujours par le lemme 6.1.3. On suppose la rcurrence ralise pour tout p > 0 et tout n > 0. Pour toute fonction f mesurable borne, on reprend la dcomposition des dirences entre

Chapitre 6. Filtrage de processus champ moyen

131

N n +1 (f ) n+1 (f ) : N N N N (f ) N , n n +1 (f ) n+1 (f ) = n+1 (f ) n Kn+1,n

()

+ +

N n N n

N (f ) N , Kn+1,n n

N n

N , Kn+1,n n (f ) ()

N , Kn+1,n n (f ) ( ) (6.46) n (f ) n Kn+1,n ,

Les termes () et ( ) sont connus, il reste traiter () en utilisant de nouveau lhypothse Lipschitzienne pour b et avec une ingalit supplmentaire qui amne lhypothse de rcurrence. En eet par construction on a n = n Sn,n , alors il vient la majoration
N N (f )| |n Sn,n (f ) n Sn,n N N (f )| + |n Sn, N (f ) n Sn, N (f )| |n Sn,n (f ) n Sn,n n n

(6.47)

Quelques calculs sur le noyaux de slection permettent dobtenir la majoration


N (f )| 2 sup E|n Sn,n (f ) n Sn,n

f 1

1 n (Gn ) N Gn sup E|n (f ) n (f )| n (Gn ) f 1 (6.48)

Les 2 membres de lingalit 6.47 permettent alors dutiliser lhypothse de rcurrence pour porter lingalit Lp au rang n + 1 On vient donc de dmontrer le thorme : Thorme 6.4.2. Avec les hypothses prcdentes valables pour ce chapitre, pour tout n 0 et tout p > 0 il existe des constantes 0 Cn (p) < telles que
N E( n n
1 p p H)

Cn (p) I (H) N

(6.49)

On notera que pour avoir des erreurs sur les ots de Feynman-Kac en 1N , les deux dernires situations ne ncessitent que N particules. On peut alors penser rduire un problme du type champ moyen a priori, en lapprochant par un autre modle, conditionnel, qui sera moins coteux numriquement, tant que lon puisse assurer que les 2 modles, bien que trs dirents, se comportent localement de la mme manire. La contrepartie de cette approximation tient dans lquation dobservation. Pour peu quelle reprsente mal, ou par moment moins dlement, le capteur, lestimation que lon fera en usant du systme conditionn aux observations perdra son sens et son acuit.

Chapitre 6. Filtrage de processus champ moyen

132

6.5

Filtrage dun processus avec commande ala1 2 1 1 toire Xn champ moyen Loi(Xn | X0 . . . Xn )

Cette section est ddie un tout autre modle. Cette fois on considre que le processus a un champ moyen conditionn la ralisation dune commande. Plus prcisment, on note pour tout n 0, vn une suite dterministe de rels, v0 ,...,vn v0 ,...,vn v = Loi(Xn ) la loi du vecteur commandant le champ moyen de loi n = n dtat Xn et on suppose lensemble suivant le modle de dynamique
v X Xn+1 = Xn + b(vn , Xn , n )t + X Wn

(6.50)

et vn est une srie de commandes inconnues et dterministes. La fonction b reprend les hypothses en cours dans ce chapitre avec une forme dirente que nous expliciterons peu aprs. Le fait que la commande soit inconnue est un problme pour la simulation. Il serait possible datteindre ce paramtre inconnu par des mthodes variationnelles, ou de point xe. Mais ces mthodes peuvent tre dlicates ou numriquement coteuses lors dune arrive squentielle des donnes, notamment quand le systme est utilis dans un but de ltrage en temps rel. On propose alors de modliser vn par une variable alatoire et on va donner un algorithme de rsolution correspondant au problme de ltrage associ. Lespoir dans cette technique stochastique porte sur lestimation chaque pas de temps du paramtre inconnu en explorant lespace des phases et en slectionnant les points les plus pertinents relativement aux observations. En eet si le vecteur dtat Xn est observ et estim par X n , la squence des X 0 . . . X n contient de linformation quand la suite de commandes stant ralise v0 , . . . , vn . On suppose que lon a pour temps instant n 0 une suite de variables ala1 dune loi que lon prcisera aprs, et on modlise la ralisation du protoires Xn 1 1 . On note , . . . , Xn cessus Xn par un processus alatoire command par la suite X0 1 X1 1 alors la loi conditionnelle n = Loi(Xn | X0 , . . . , Xn ), elle sera la loi du champ moyen par lequel on cherche modliser la dynamique de Xn . Par cette exploration alatoire nous esprons obtenir une modlisation pertinente de Xn utilisable dans un ltre non-linaire. Formalisons cela pour en traiter le problme de ltrage associ.

Chapitre 6. Filtrage de processus champ moyen

133

Soit lespace dtat polonais (E, E ), o pour chaque temps n 0 est dnit le vecteur dtat Xn . On suppose que Xn contient deux parties ayant des proprits direntes : Xn =
1 Xn 2 Xn

(6.51)

1 Soit E (1) et E (2) les sous espaces de E tels que en tout temps n, Xn E (1) et 2 E (2) . Xn 1 La premire partie Xn est considre comme tant une commande de la se2 2 1 1 conde partie Xn et elle fournit le champ moyen par la Loi(Xn | X0 . . . Xn ). On suppose que seule la seconde partie du vecteur dtat est connue de lobservation. 2 Le processus Xn correspond une marche alatoire en milieu alatoire.

Il est possible davoir une reprsentation complte du problme de ltrage dans 1 2 le cas o Xn = (Xn , Xn ) est un processus de Markov sans champ moyen avec
2 1 2 (1) 1 1 (x2 Mn ((x1 n1 , dxn ) n1 , xn1 ), d(xn , xn )) = Mn (xn1 , dxn )Mx1 n ,n (1) (2) (2)

(6.52)

2 sont des transitions Markoviennes avec ltat initial 0 (d(x1 o Mn et Mx1 0 , x0 )) = n ,n 2 0 (dx1 0 )x1 ,0 (dx0 ).
0

(1)

(2)

On peut lire dans Del Moral (2004) le traitement complet du problme de 2 ltrage associ lobservation de la seconde composante Xn par un processus Yn . On se donne la fonction potentiel
2 1 2 Gn : (x1 (x2 n , xn ) Gn (xn , xn ) = Gx1 n) < n ,n

et pour toute fonction mesurable borne f la mesure de Feynman-Kac non(2) 1 2 2 normalise [x1 ],n (f ) = E[x1 ] f (Xn ) n (Xp ) . Le ltrage cherche alors p=0 Gx1 p ,p
1 estimer la variable alatoire Xn = (Xn , [x1 ],n ) avec [x1 ],n (f ) = (2) (2)
(2) (f ) [x1 ],n (2) 1 (1) [x ],n

Cette procdure sapparente galement aux mthodes dites de Rao-Blackwellisation, voir Doucet et al. (2001a). Pour des processus dynamique linaire et bruits Gaussiens, une solution approche est fournie par les ltres de Kalman en interaction. Ces ltres sont prsents en annexe A et lapplication est entirement dcrite dans le livre de P. Del Moral.

Chapitre 6. Filtrage de processus champ moyen

134

En fait le problme devient dlicat en labsence dinformation sur le comporte1 1 ment dynamique de Xn et de sa loi PXn . Ce cas presque dgnr peut intervenir en ingnierie physique, et serait applicable au cas du ltrage de mesures des vitesses dun uide quand la vitesse du uide nest pas mesure directement, mais dduite de la vitesse relative du uide par rapport au capteur mobile. Nanmoins nous pourrons revenir la situation plus simple du ltrage dun processus dont la dynamique est conditionne lobservation grce au couplage des processus dacquisition montrs au chapitre 7. On ferme alors le systme en apprenant les paramtres du milieu alatoire par lobservation et en conditionnant la dynamique lacquisition. Le problme modi permet alors de se ramener une des situations vue prcdemment (section 6.4.2) et numriquement moins coteuse. Mais il est des situations o cette simplication par le couplage dacquisition ne sera pas possible et il faudra considrer la commande comme un paramtre cach. Dans des applications pratiques, ce type de systme avec un processus champ moyen conditionn la ralisation dune variable alatoire auxiliaire a dj t utilis par Elise Arnaud et Etienne Memin (voir par exemple Arnaud et al. (2005)).

On se place dans ce chapitre dans la situation dune dynamique pour le proces2 2 1 1 sus Xn dpendante du champ moyen donn par la loi n = Loi(Xn | X0 . . . Xn ).
2 Le problme du ltrage consiste trouver pour tout n 0 la Loi(Xn | Y0 . . . Y n ) en utilisant le systme : 2 2 1 2 X X Xn +1 = Xn + b(Xn , Xn , n )t + n .Wn 2 Y Y Yn = h(Xn ) + n .Wn (6.53) 2 X0 0 Y0 = y 0 X o n est dterminer, n est une constante borne en tout temps. b et h reY prennent les hypothses gnrales du chapitre les concernant, n est une famille de constantes.

La fonction b : (X 1 , X 2 , ) b(X 1 , X 2 , ) est donne par b(X 1 , X 2 , ) = A(X 1 , X 2 ) + C (X 1 ) . B (X 2 , x)(dx) (6.54)

avec les hypothses gnrales de ce chapitre pour les fonctions A et B (bornes et Lipschitzienne), et la fonction C : X 1 E 1 C (X 1 ) est borne pour tout temps.

Chapitre 6. Filtrage de processus champ moyen

135

6.5.1

Cas de la commande avec modle Markovien

Pour dduire un algorithme de ltrage, avoir un modle Markovien pour la 1 commande Xn est intressant et montre comment on peut se ramener un cas dj trait prcdemment. Cela permet galement de se rendre compte de lintrt de possder une modlisation pour le paramtre ou a contrario de mesurer le cot numrique dabsence dinformation. Dans ce cas le systme de ltrage scrit 1 1 1 X1 X1 Xn +1 = Xn + F (Xn )t + +n .Wn 2 2 1 2 X X Xn +1 = Xn + b(Xn , Xn , n )t + n .Wn 2 Y Y Yn = h(Xn ) + n .Wn 1 1 X0 0 2 X0 0 Y0 = y 0

(6.55)

1 2 En crivant Xn = (Xn , Xn ), les 2 composantes tant supposes absolument continues, pour rsoudre ce problme de ltrage on se ramne lalgorithme o le champ moyen est donn par la loi conjointe a priori, Loi(Xn ). Une fois la loi conjointe apprise par un systme auxiliaire, on calcule par rgularisation faible du Dirac une loi approche n qui converge p.s. vers n quand 0. Cette 2 loi approche n sert alors estimer le processus Xn . On verra au chapitre 7, paragraphe 7.1.1, plus prcisment cette rgularisation.

On sait alors par la section 6.3 que la rsolution du problme de ce type de ltrage ncessite 2 systmes de particules, lun de taille d > 0 pour apprendre la loi conjointe, lautre de taille N > 0 pour approcher les mesures de Feynman-Kac. Lerreur de ltrage pour toute fonction-test mesurable borne est alors majore n (p) n (p) + C ]I (H), o Cn (p) et Cn (p) sont des constantes nies pour tout par [ C N d n > 0 et tout p 1. Cette approche mriterait une analyse plus rigoureuse que nous laissons pour des travaux venir, mais nous gardons en mmoire que dans ce cas, N +d particules 1 permettent de ltrer avec une erreur en 1N + . d

Chapitre 6. Filtrage de processus champ moyen

136

6.5.2

Cas de la commande sans modle Markovien

On revient au systme 6.53 et cette fois la commande nest pas connue par un modle Markovien, mais elle est donne tout instant par une loi n (dx), au besoin pouvant tre indpendante du temps. Ce peut tre par exemple une quantit multifractale pour laquelle on ne dispose pas de reprsentation Markovienne.
1 2 1 1 On pose Bn = (Xn , n ) E (1) M (E (2) ), avec n = Loi(Xn | X0 . . . Xn ). On note n la loi de Bn o la marginale de n en la premire variable est n , la loi de 1 Xn . Le systme 6.53 se rcrit alors X 2 2 X 2 Xn +1 = Xn + b(Xn , Bn )t + n .Wn 2 Y Y Yn = h(Xn ) + n .Wn

(6.56)

La connaissance de Bn xe le systme 6.56 et nous ramne au cas 6.2 trait au dbut de ce chapitre. Le ltrage associ au systme 6.56 revient donc apprendre la variable alatoire Bn qui dtermine le milieu alatoire. La dynamique du modle fournit le noyau de transition Markovienne Mn+1,n et lquation dobservation nous donne en tout instant, une fonction de potentiel Gn , avec lequel il est dni le noyau de slection Sn,n (x, dz ) = Gn (x)x (dz ) + [1 Gn (x)] o lon a pos
2 n (f ) = E(f (Xn )|Y0 , . . . Yn1 )

Gn (z ) (dz ) n (Gn ) (6.57)

Pour terminer on se donne une reprsentation de McKean de ce problme de ltrage : Kn+1,n ,n = Sn,n .Mn+1,n (6.58) et lon a le systme dynamique n+1 = n Kn+1,n ,n 2 0 (dx) = PX0 (dx)

On ne connat pas la seconde marginale de n , on propose alors un algorithme dapproximation utilisant des systmes de particules en interaction pour rsoudre cette inconnue et fournir une solution au problme de ltrage.

Chapitre 6. Filtrage de processus champ moyen

137

On propose lalgorithme particulaire suivant o lon va proposer des solutions de milieux (commande et loi conditionnelle) au systme de ltrage. Les milieux les moins pertinents seront limins par ltrage en favorisant les plus adapts.

1,i Soit M un entier non nul. On dnit les tats X0 , 1 i M , distribu iid 1 selon 0 (du) = 0 (du). On se place alors la n-ime itration o les M commandes 1,i sont Xn , 1 i M. 1,i 1,i i i 1,i 2 i , n ) et = (Xn ) et la variable alatoire Bn | X0 . . . Xn = Loi(Xn On note n i on note sa loi n .

Soit d > 0 un entier et on forme le systme de particules interagissant par le champ moyen :
X,k i,k X i,k i,d i,k 1,i Zn +1 = Zn + b(Xn , Zn , n )t + n Wn+1 i,d pour tout 1 k d avec n = 1 d d i,k . k=1 Zn

(6.59)

i,d 1,i i,d On note alors la variable alatoire empirique Bn = (Xn , n ) de loi note i,d n . 1,i 1,i Pour une squence de commandes X0 , . . . Xn quand d tend linni, daprs i,d i le lemme 6.1.3 n converge sur la classe de fontion H vers n avec une vitesse en 1 . d

Pour une fonction-test mesurable F tel que F (x, m) = f1 (x).f2 (m(g )), avec f1 et g bornes et f2 borne et Lipschitz, on a :
i,d i 1,i i,d i |n (F ) n (F )| = |f1 (Xn ).[f2 (n (g )) f2 (n (g ))]| d ce qui nous assure lexistence pour tout instant n 0 de constantes Cn

(6.60)

Cd i i,d (F )| n f1 (F ) n | n d

(6.61)

1,i i i , n ), cest dire M = (Xn On dispose alors de M variables alatoires Bn 1,i 2 1,i i . On , . . . , Xn variable Bn approchant chacune la loi de Xn sachant la suite X0 M M def 1 i note Bn = M i=1 Bn

Toujours grce aux hypothses dont on sest dot et suivant ce qui a dj t fait, on montre que pour toute fonction test F ayant les proprits nonces plus

Chapitre 6. Filtrage de processus champ moyen haut :


M |n (F ) d M Cn Cn n (F )| [ + ] f1 M d

138

(6.62)

On peut passer la partie ltrage de lalgorithme, en tirant parmi les M variables des milieux alatoires que lon soumet au systme de particules ltrantes.
2,j Soient N > 0, soit (X0 )1j N un systme de N particules identiquement 2 distribues selon 0 (dx) = PX0 (dx). On suppose que le ltre les a fait voluer 2,j jusquau n-ime pas de temps, pour avoir la famille (Xn )1j N . i j,N 1,j j,d On tire iid parmi les (Bn )1iM N couples Bn = (Xn , n )1j N . Avec ces N N variables alatoires on construit la mesure empirique n = On peut dnir la fonction dvolution def 1 N N 1,j j,d . j =1 (Xn ,n ) def

2,j j,N b(Xn , Bn )

1 = N

N 1,i 2,j 1,i A(Xn , Xn ) + C (Xn ) i=1 2,j i,d B (Xn , x) n (dx)

(6.63)

2 et le systme permettant de rsoudre le problme de ltrage Loi(Xn |Y 0 . . . Y n ) pour tout temps n et pour 1 j N volue selon : 2,j 2,j 2,j j,N X X,j Xn +1 = Xn + b(Xn , Bn )t + n Wn

(6.64)

N et lon a le schma dvolution approche : ce qui correspond au noyau Mn+1,n

n+1,n n,n 2,i 2,i 2,i n Xn X Xn +1

Slection S

Mutation M

(6.65)

Invoquant de nouveau nos hypothses et utilisant les mmes techniques pour toute fonction test F de la mme nature que prcdemment on montre lingalit
N |n (F )

M n (F )|

N Cn N

f1

(6.66)

On peut alors analyser lerreur commise par lalgorithme particulaire propos avec la dcomposition pour toute fonction f mesurable respectant les hypothses places plus tt :
N N N N , N (f )| |n +1 (f ) n+1 (f )| |n+1 (f ) n Kn,n n N N N , N (f ) n Kn, N , (f )| Kn,n + |n n n n N N , (f ) n Kn,n ,n (f )| + |n Kn,n n

(6.67)

Chapitre 6. Filtrage de processus champ moyen

139

Nous sommes maintenant dans des estimations classiques du ltrage des champs moyens qui ont t traites dans les sections prcdentes. On peut alors formuler le thorme suivant : Thorme 6.5.1. Avec les hypothses gnrales, lalgorithme particulaire permet davoir pour tout instant n 0 et pour tout p > 0, lexistence des constantes nies d M N dpendantes de p, Cn , Cn et Cn telles que
N E( n n
1 p p H)

d M N Cn (p) Cn (p) Cn (p) [ + + ] I (H) M N d

(6.68)

Il est possible de complter le modle de dynamique pour le rendre un peu plus gnral en considrant que la variance du bruit de dynamique est fonction des commandes. On crit alors lquation de dynamique comme :
2 2 1 2 1 X Xn +1 = Xn + b(Xn , Xn , n )t + (Xn ).Wn

(6.69)

o la fonction b a les mmes proprits que prcdemment et est une fonction 1 1 telle que pour tout Xn on a 0 < min (Xn ) max . On considre le mme problme de ltrage que prcdemment en cherchant la Loi(X 2 |Y[0,n] ).

Cette nouvelle situation conduit la mme analyse, avec une approche particulaire quivalente et des estimes derreur identiques. La seule dirence interviendra dans la dmonstration avec lerreur entre les noyaux de McKean exact et approch qui va demander de majorer lcart entre 2 gaussiennes de moyennes et de variances direntes : lune tant lexacte, lautre celle de lapproximation particulaire. Il est alors ais de montrer que pour deux gaussiennes moyennes et N et de 2 variances respectives 2 et N , avec min max , quil existe des constantes C et C telles que : |e

(x)2 2 2

(xN )2 2 2 N

|dx C | N |2 + C | N |

(6.70)

Les contrles sur les moyennes et sur les variances, les proprits sur la fonction b nous permettent alors de fournir les estimes derreur.

Chapitre 6. Filtrage de processus champ moyen

140

Pour clore ce chapitre nous allons examiner un dernier cas combinant les deux derniers types de champ moyen avec une loi conditionne la trajectoire dune commande et de la srie dobservation.

6.6

Filtrage dun processus command et condi2 1 tionn de champ moyen Loi(Xn | X[0 ,n] , Y[0,n] )

Il sagit de la combinaison des modles prcdents, et on considre le champ 2 1 moyen Loi(Xn | X[0 ,n] , Y[0,n] ). Ce cas est en fait celui qui est le plus courant notamment en assimilation de donnes gophysiques pour lesquels les ltres de Kalman densemble, dont nous avons parl en introduction, ont t dvelopps. Mais ils ne traitent quun problme de ltrage ponctuel sans champ moyen avec des modles direntiables et des bruits gaussiens. Nous allons proposer une rsolution particulaire du problme de ltrage avec des commandes et des observations trajectorielles. Soit lespace dtat mesur (E, E ). Soit E (1) et E (2) les sous espaces de E tel 1 2 1 que E = E (1) E (2) , o pour tout n 0 Xn = (Xn , Xn ), avec Xn E (1) et 2 Xn E (2) . Le systme servant au ltrage est : 2 2 1 2 X Xn+1 = Xn + b(Xn , Xn , n )t + X Wn 2 Y Yn = H (Xn ) + Y Wn 1 Xn n (dx) 2 1 n = Loi(Xn |X[0 ,n] Y[0,n] ) 2 X0 0 (dx)
2 1 avec n = Loi(Xn | X[0 ,n] Y[0,n] )

(6.71)

La fonction b est dnie par (X 1 , X 2 , ) (E (1) E (2) M(E 2 )) b(X 1 , X 2 , ) telle que :
1 b(X 1 , X 2 , ) = A(X 1 , X 2 ) + C (Xn ).

B (X 2 , x) (dx)

(6.72)

o les fonctions A et C sont bornes, la fonction B est borne en ses 2 variables et Lipschitzienne en la seconde reprenant les hypothses de ce chapitre. Lquation de dynamique permet de dnir le noyau de Markov 2 2 1 , (f )(x) = E(f (X Mn+1,Xn n+1 ) | Xn = x). n

Chapitre 6. Filtrage de processus champ moyen

141

2 Le problme du ltrage consiste estimer la n = Loi(Xn | Y[0,n] ) pour tout temps n 0.

Sur une recommandation explicative de Franois Le Gland et suivant ce qui a t fait la section prcdente dans le cas dune commande modle Markovien, nous allons dabord traiter un problme auxiliaire.
1 On dnit un nouvel observateur Zn = (Xn , Yn ), et la loi du champ moyen est 2 alors n = Loi(Xn |Z[0,n] ) qui est aussi la loi de ltrage retrouver. Ce systme correspond au cas trait au paragraphe 6.4.2 par une estimation non-linaire par particules avec des erreurs destimations majores par 1N .

Une fois le problme auxiliaire trait il faut revenir au problme initial et ex2 primer pour toute fonction test mesurable borne f , n (f ) = f (x)P(Xn |Y[0,n] ) (dx) en fonction de n (f ).
2 Y Lquation dobservation Yn = H (Xn ) + Y Wn par lhypothse de densit 2 2 conduit la fonction potentiel Xn gn (Xn ) pour tout temps n > 0. 2 1 La moyenne n (f ) = E(f (Xn )|X[0 ,n] , Y[0,n] ) scrit alors 2 E f (Xn ) n k=0 2 1 gk (Xk ) | X[0 ,n] = x[0,n]

n ( f ) =

n k=0

2 1 gk (Xk ) | X[0 ,n] = x[0,n]

(6.73)

Le numrateur de lexpression de la loi de champ moyen est la Feynman-Kac non normalise :


1 2 n (f )(x[0,n] ) = E f (Xn ) k=0 def n 2 1 gk (Xk ) | X[0 ,n] = x[0,n]

(6.74)

Avec des notations abusives


2 P(Xn ,X[0,n] |Y[0,n] ) (d(x1 [0,n] , xn ) | y[0,n] ) (X[0,n] 1 = P(Xn |X[0,n] ,Y[0,n] ) (dx2 n | x[0,n] , y[0,n] ).P
2 1 1 2 1

| Y[0,n] )

(dx1 [0,n] | y[0,n] )

2 ) | Y[0,n] ), et Pour rsoudre le problme de ltrage, on cherche n (f ) = E(f (Xn on obtient lexpression intgrale

n (f ) =

1 (f )(x0 , . . . , xn ) 0 (dx0 ) . . . n (dxn ) n 1 0 (dx0 ) . . . n (dxn ) n (1)(x0 , . . . , xn )

(6.75)

Chapitre 6. Filtrage de processus champ moyen

142

Avec ce que lon vient de voir, la Feynman-Kac non normalise pour la fonction unit scrit :
n 1 n (1)

= E[
k=0

2 1 gk (Xk ) | X[0 ,n] = x[0,n] ] n 1 k=0 2 1 gk (Xk ) | X[0 ,n] = x[0,n]

2 E gn (Xn )

n1 k=0

2 1 gk (Xk ) | X[0 ,n] = x[0,n]

1 n 1 (1)

(6.76)

or le terme en fraction correspond la Feynman-Kac normalise :


1 (gn ) n

2 E gn (Xn )

n1 k=0

1 2 ) | X[0 gk (Xk ,n] = x[0,n]

n1 k=0

2 1 ) | X[0 gk (Xk ,n] = x[0,n]

(6.77)

do lon dduit
1 n (1)

=
p=0

1 p (gp )

(6.78)

Pour toute fonction mesurable borne f on peut alors crire


1 n (f ) 1 n (f ) 1 = 1 (1) n (1) n

(6.79)

et

1 (f ) n 1 (1) n

est le ltre optimal :


1 n (f ) 1 = n (f ) = n (f ) 1 n (1)

(6.80)

La loi de champ moyen n a t apprise par ltrage. Pour tout temps p 0, la 1 fonction p (gp ) est le potentiel qui mesure la vraisemblance du prdicteur pilot 1 1 1 par les commandes Xp . On note alors Gp (Xp ) = p (gp ) Le ltre optimal est alors donn par :
1 1 (1) (f ) n E n n (f ) = 1 (1) E n

1 (f ) E n

n p=0 n p=0

1 ) Gp (Xp

1) Gp (Xp

(6.81)

1 1 , n ) est Markovien pour tout instant n 0 et lon est Alors le couple (Xn ramen au ltrage prsent la section prcdente et dtaille dans Del Moral (2004), section 2.6 et 12.6.7.

Chapitre 6. Filtrage de processus champ moyen

143

Cette analyse nous permet alors de proposer un nouvel algorithme de rsolution particulaire du problme de ltrage.
1 A ltape initiale on se donne un ensemble de i commandes X0 , 1 i N iid 2,i, selon 0 (dx). Pour 1 d, et pour chaque i on distribue X0 iid selon une loi 0 (dx). 1 A ltape n on tire alatoirement des commandes Xn iid selon 0 (dx) et on 2,i, dispose de ltape prcdente des particules Xn qui approchent empiriquement 1,i 2,i i |X[0 = loi(Xn n ,n] , Y[0,n] ).

Dans la premire tape, qui est la mutation, on utilise le modle dtat pour 2,i, 1,i obtenir Xn +1 avec une transition approchant Mn+1,Xn ,n . Avec la nouvelle observation Yn+1 on calcule les 2 fonctions potentiel : 1.
1 d d =1 2,i, i gn+1 (Xn +1 ) = Gn+1 def def i, 2,i, 2. gn+1 (Xn +1 ) = gn+1

Avec les 2 potentiels on obtient deux slections sur le modle S (x, dz ) = G(x)x (dz ) + [1 G(x)] G(z ) (dz ) (G)

la premire porte sur lindice i et utilise la fonction Gi n+1 . Elle permet de i, 1,i 2,i, i slectionner pour obtenir Xn , Xn+1 , n+1 , n .
i la seconde porte sur le et utilise la fonction g n +1 et permet de slectionner 2 ,i, sur le et donne Xn+1

Les 2 tapes de cette double slection sont videmment commutatives et terminent cet algorithme. On peut esquisser lanalyse des erreurs dapproximation faites par la rsolution particulaire des lois de probabilits. La conclusion repose sur une hypothse que des travaux venir devrait permettre de lever. La loi du ltre
1 E[n (f ) n p=0 Gp (Xp )] n (f ) = 1 E[ n p=0 Gp (Xp )]

N (f ) = que lon approche dabord par la loi obtenue pour chaque trajectoire n N 1 i i i=1 n (f ) mais cette dernire quantit, n (f ), nest pas connue et on utilise N N,d N (f ) = (f ) par n lquation de dynamique pour approcher la Feynman-Kac n d 1 N,d 2,i, ). Il faut donc valuer lcart entre n (f ) et n (f ). Avec le travail =1 f (Xn d

Chapitre 6. Filtrage de processus champ moyen

144

ralis dans les sections prcdentes, on peut formuler lexistence de constantes Cn et Cn qui produisent les ingalits :
N,d N | n (f ) n (f )| | n (f ) n (f )|

1 + | N

N i [n (f ) i=1

1 d
N

d 2,1, f (Xn )]| =1 1,i 1,i C (X0 . . . Xn )

(6.82) (6.83)

1 1 Cn + N dN

i=1

On va supposer (hypothse lever) que pour tout temps n 0, la moyenne N 1,i 1 1,i empirique N i=1 C (X0 . . . Xn ) est borne. Cette hypothse donne lexistence de la seconde constante et termine ltablissement du thorme suivant :
1 2 Thorme 6.6.1. Avec les hypothses sur la fonctionnelle b(Xn , Xn , n ), lalgorithme particulaire permet davoir pour tout instant n 0 et tout p 1, lexistence de constantes nies Cn (p) > 0 et Cn (p) > 0 telles que N E( n n
1 p p H)

Cn (p) Cn (p) [ + ] I (H) N d

(6.84)

Ce thorme termine cette section sur lestimation dun processus champ moyen conditionn la ralisation dune commande alatoire et des observations. Dans ce chapitre consacr ltude du ltrage de processus champ moyen, nous avons balay un certain nombre de lois possibles pour le champ moyen et propos des algorithmes adapts chaque situation. Lanalyse des erreurs de lapproximation particulaire a permis dobtenir lexistence de constantes bornes avec 1 des contrles en N , o N est le nombre de particules ncessaires pour le ltrage. On trouvera dans la table 6.6 un rsum des estimations, du nombre de systmes de particules ncessaires et de lerreur produite par lapproche particulaire.

Chapitre 6. Filtrage de processus champ moyen

145

Lois de champ moyen

Nombre de systmes de particules 1 2 1 1 2 M +1 1

Nombres de particules N N +d N N N +d M d+N N d

Majoration de lErreur dApproximation


1 N 1 N

Loi exacte n Loi(Xn ) Loi(Xn | Y0 . . . Yn1 ) Loi(Xn | Y0 . . . Yn )


2 1 1 Loi(Xn | X0 . . . Xn ) 1 avec modle markovien pour Xn 2 1 1 Loi(Xn | X0 . . . Xn ) sans modle markovien 2 1 Loi(Xn | X[0 ,n] , Y[0,n] )

+
1 N 1 N

1 d

1 N 1 N

+
1 d

1 d

+
1 N

+
1 d

1 M

Tab. 6.1 Tableau des erreurs de lapproximation particulaire du ltrage dun processus champ moyen pour les diverses lois de champ moyen examines dans ce chapitre

Il est noter un point important touchant la ncessit davoir un bon modle. La qualit dun modle va impacter positivement sur la pertinence du ltrage et il faut la mme nesse pour ce modle sur toutes les composantes du vecteur dtat. Cest en eet particulirement spectaculaire dans le cas dun champ moyen dpendant dune commande alatoire. Pour obtenir un mme contrle de lerreur Cn Cn , on doit avec un modle Markovien pour la commande utiliser N + d en + N d particules alors quen labsence de ce modle il nous faut des systmes de particules en parallle avec des tirages iid faisant monter le nombres de particules M d+N . Dans tous les cas, le conditionnement des champs moyens aux observations rduit les cots numriques. Heuristiquement on peut voir cette rduction comme le prot que lon a tirer du processus dobservation de linformation sur le vecteur dtat. Ce peut tre la conclusion de ce chapitre. Nous allons utiliser ces rsultats dans lapplication pratique qui va tre dtaille dans la partie III. En eet le modle utilis pour ltrer les mesures issues dun uide turbulent est du type champ moyen avec commandes alatoires et pour

Chapitre 6. Filtrage de processus champ moyen

146

optimiser le cot de calcul, on adjoindra un modle dduit de la physique pour ces entres inconnues rduisant ainsi le nombre de particules et fermant le systme.

Troisime partie Applications au ltrage des mesures de vitesses du uide atmosphrique

147

Chapitre 7 Acquisition dun champ vectoriel stochastique le long dun chemin alatoire
Ce chapitre prsente la modlisation stochastique du signal uide que nous avons cr et qui est essentielle pour pouvoir ltrer des mesures eectues le long dun chemin sur un milieu alatoire. La thorie du ltrage et son application aux processus champ moyen que lon vient de dvelopper reposent sur la donne dun paramtre dtat pour lequel on dispose dun modle de comportement en tout temps. La dynamique de ltat est alors donne par une quation nous permettant de le suivre dans lespace des phases. Typiquement nous avons crit un systme avec une quation de dynamique pour un vecteur dtat Xt pour t 0 et une quation dobservation liant Yt ltat qui la gnr. Xt+dt = Ft (Xt , WtX ) Yt = Ht (Xt , WtY ) (7.1)

o Ft et Ht sont des fonctions avec les proprits susantes, WtX et WtY sont des variables alatoires de lois connues. Dans cette situation, lquation de dynamique sur Xt donne lvolution temporelle de ltat observ. Si ltat nest pas dcrit par une quation de dynamique mais par un champ vectoriel dun Systme Dynamique Alatoire reposant, par

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

149

exemple, sur une EDS ou bien est donn par un modle local alors que le point dobservation se dplace, nous ne sommes plus dans la situation gnrale du systme 7.1 et dont la rsolution du problme de ltrage associ a t prsente dans les chapitres prcdents. Si ltat observ est un champ de vecteur de dimension d et que lobservation est de la mme dimension, on se retrouve dans notre cas gnral. Cest le cas du travail dAnne Cuzol (2006) o le ltrage stochastique est utilis pour suivre des structures bidimensionnelles reposant sur NSE-2D au moyen dimages elles-aussi bidimensionnelles.

Pour rester dans lapplication aux uides, lobservation dun paramtre dans un uide au moyen dun capteur, quil soit mobile ou xe, quil ait une trajectoire dterministe ou alatoire sidentie un problme destimation dune quantit ponctuelle dans un champ de dimension suprieure. Le capteur ne nous fournit quune valeur, pouvant tre vectorielle, son point de localisation. Le champ du paramtre acquis pouvant tre uni, bi, ou tridimensionnel. Quoiquil en soit tant que lon fait des mesures ponctuelles on se trouve en dicult pour estimer un champ de dimension suprieure. Il manque normment dinformation. La gure 7.1 illustre le problme qui nous est pos et qui porte sur lestimation dune quantit du champ prise sur une trajectoire. On peut compenser ce manque dinformation en simulant un ensemble important de champs et en prenant pour chacun une valeur ponctuelle des ns de ltrage, mais cette technique serait particulirement coteuse et pas trs subtile. Dans une premire amlioration on pourrait penser mesurer des gradients de la quantit en plus de la quantit elle-mme, pour permettre davoir un modle local de la grandeur. Mais instrumentalement la mesure directe de gradient nest que rarement possible.

Avant de parler de ltrage et dobservation, il faut donner un sens aux relevs faits sur un champ en des points dune trajectoire potentiellement dcorrle de la dynamique releve. Ce problme va nous obliger laborer une modlisation stochastique de la situation et dnir une nouvelle quantit que lon appellera lacquisition dun champ de vecteur stochastique le long dun chemin alatoire.

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

150

Fig. 7.1 Reprsentation de la trajectoire dacquisition ponctuelle dans un champ multidimensionnel dont lvolution est symbolise par ses lignes de courant en supposant stationnaire lvolution du champ dintrt

7.1

Estimations de lacquisition dun champ vectoriel stochastique

Supposons que lon ait pour tout temps 0 t un champ vectoriel alatoire Xt,x de dimension d 1, cest dire une famille de variables alatoires valeurs dans un espace E indexes par des temps t et des points x dun espace E de dimension d 1, et quau lieu de lexaminer en chacun des points de E , on acquiert les valeurs prises par notre champ vectoriel sur Xt E un chemin alatoire indpendant des volutions propres au vecteur dtat. Utilisant ce seul relev, il est alors impossible de restituer pleinement le champ vectoriel sur E mais on peut souhaiter en donner des proprits locales par exemple en estimant lesprance de notre champ Xt,x sachant notre position Xt . Cest le but de ce chapitre o lon se place dans le cas le plus gnral pour dnir ce que lon appelle le processus dacquisition dun champ vectoriel puis en particularisant les situations den dduire un certain nombre de consquences. On verra galement que lon peut dnir un systme dacquisition relatif lobservation, et voir que le problme de ltrage standard prsent au chapitre 5 est de nature symtrique celui de lacquisition. Dans la section suivante, on mettra ensuite pour le cas discret en vidence la structure de mesure de Feynman-Kac de la loi de distribution du processus dacquisition. On ajoutera section 7.4 une application numrique de lacquisition discrte dun champ alatoire continu montrant quon opre naturellement par

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

151

chantillonnage un ltrage des chelles les plus petites. Cette application utilisera une simulation du champ de vortex dun uide turbulent. In ne la question du ltrage des mesures ralises sur un champ alatoire apparatra comme le couplage entre plusieurs systmes dacquisition et sera mis en uvre dans le chapitre 8 consacr au ltrage des vitesses du uide turbulent atmosphrique.

7.1.1

Dnitions et premires applications

Nous allons commencer par donner quelques dnitions de nos nouveaux objets et fournir des exemples dapplications qui nous serviront directement par la suite. Dnition 7.1.1. Soit E Rd , d N un espace de points que lon nommera espace des congurations ou espace des sites. On munit E de la tribu E . Soit E Rd , d N que lon nommera espace des phases que lon munit de la tribu E . On se donne enn un espace de probabilit ltr complet (, F , (Ft )t0 , P). Soit T < un rel, x E un point de lespace des sites. Soit Xt la famille de variables alatoires sur (, F , Ft ) valeurs dans (E, E ) indexe par le temps t [0, T ] et soit Xt,x la famille de variables alatoires sur (, F , Ft ) valeurs dans (E , E ) indexe par le temps t [0, T ] et le point x E . Alors le couple dapplications Ft -mesurables (Xt , Xt,x ) est appel systme dacquisition du champ de vecteur alatoire. Le processus Xt est appel le chemin du processus dacquisition et la famille Xt,x est le champ dacquisition. Cette dnition est susamment gnrale et ne repose pas sur des structures particulires pour le champ ou le chemin dacquisition, pour pouvoir tre adapt et permettre de structurer le systme an de correspondre des objets prcis dans des situations dintrt. Un systme dacquisition peut alors tre un champ de vecteurs de lespace des phases et une marche alatoire de lespace des sites, ou plus simplement un champ de vecteur et un ensemble de points xes de lespace des sites. Dans tous les cas, cest le couplage entre les processus Xt et Xt,x qui va donner son sens au systme dacquisition. Lorsque cette association est ralise on peut dnir ce que lon appelle le processus dacquisition, cest dire le relev du champ Xt,x le long

Chapitre 7. Acquisition dun champ le long dun chemin alatoire du chemin Xt .

152

Dnition 7.1.2. Soit (Xt , Xt,x ) un systme dacquisition sur lespace de probabilit , F , Ft , P valeurs dans (E, E ) (E , E ) . On dnit pour tout temps t [0, T ] le processus dacquisition At sur (, F , Ft ) valeurs dans (E , E ) par At = Xt,Xt
def

(7.2)

Dans cette dnition le champ peut tre donn par un systme dynamique stochastique (ce ne sera pas le cas ici, mais on peut lenvisager dterministe), et le chemin dacquisition peut tre continu, sauts ou discret, il peut aussi tre alatoire ou dterministe selon la nature du problme traiter. Exemple 1 Soit x un point x de E . On prend pour tout temps t le processus stationnaire Xt = x. Le systme dacquisition est (x, Xt,x ) et lacquisition est At = Xt,x . Se rfrant la physique on qualiera cette acquisition dEulrienne. Cest dans ce cadre que se place la modlisation stochastique discrte dun phnomne alatoire sur des points de grille, chaque point de grille ralisant une coordonne de lacquisition : On note pour deux ensembles dindices i [0, N ] N et j [0, M ] N, les points de lespace des sites par x = (xi,j ), alors on dnit lacquisition At = (Ai,j t )(i,j )I J = (Xt,xi,j ) = Xt,x Exemple 2 Soit Xt,x un champ de vecteur alatoire C borns valeurs dans (E , E ). Soit x0 un point de E et pour tout 0 t T , Wt un Ft -Mouvement Brownien standard sur (, F , Ft , P). On dnit alors le ot stochastique (voir Ben Arous (1989) pour lexistence de ce type de ot ) : Xtx0 = x0 +
t 0 x0 Xs (Xs ) dWs

(7.3)

Le processus dacquisition est alors At = Xt,X x0 . Par analogie avec le cas physique t on dira cette acquisition Lagrangienne. On se trouve dans le cas dune Marche Alatoire en Milieu Alatoire. On peut lire sur ce sujet Zeitouni (2003) ou Varadhan (2004) dans le cas de dynamiques dans Zd . Exemple 3 Pour illustrer lexemple 2, on considre que Xt,x reprsente le champ de vitesses Eulrien dun uide Ut,x . Sur un domaine D de lespace dtat

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

153

E , on dnit pour tout temps t [0, T ], le champ de vitesses Eulriennes Ut,x par la solution de lquation aux drives partielles de Navier-Stokes : + Ut,x x .Ut,x = x pt,x + .Ut,x dans le domaine D t (7.4) Ut,x = f (t, x) sur D U0,x = U0 (x) o f est une fonction dnie chaque instant. On donne alors la position dun lment de uide par la condition initiale x0 et lquation dvolution du ot : dX (t, X0 ) = Ut,X (t,X0 ) dt + t,X (t,X0 ) dWt X (0, X0 ) = X0 (7.5)

o Wt est un mouvement Brownien standard et t,x est une fonction connue. Avec les hypothses de rgularit que Mikulevicius et Rozovskii (2004) ont donn, il y a existence des solutions faibles pour les 2 systmes (on sest plac en temps petit). Le couple (Xt , Ut,x ) est un systme dacquisition sur ((E, E ) (E , E )). On dnit alors lacquisition At = Ut,Xtx0 . At est la vitesse Lagrangienne note habituellement Vt dune particule issue de x0 et porte par le ot Xtx0 . Dans ces 3 exemples simples, on voit que le processus stochastique At pris seul saranchit de la connaissance du champ en tout autre point que Xt . Sauf pour des cas particuliers, comme les champs dterministes ou stationnaires et homognes en tous points, les proprits probabilistes du champ (Markovien, martingale, ergodique, etc) ne vont pas tre transportes la variable alatoire At , mais plus srement au couple (Xt , At ). Il peut tre alors pertinent de sintresser, quand elle existe pour toute fonction mesurable borne f , la mesure de probabilit t que lon dnit telle que t (f ) = E(f (Xt , At ) | Xt ). La variable At ne peut tre seule Markovienne, cest le couple (Xt , At ) qui pourra avoir ce caractre. On commence par dnir lesprance conditionnelle pour le couple (Xt , At ) sachant la position Xt . Dnition 7.1.3. Pour tout temps t [0, T ] soit At le processus dacquisition sur (, F , Ft ) valeurs dans (E , E ) le long du chemin dacquisition Xt valeurs dans (E, E ). On suppose que le couple de variables alatoires (Xt , At ) est absolument continu de densit pXt ,At . On dnit pour tout temps t lesprance conditionnelle de (Xt , At ) en Xt par la fonction mesurable E(f (Xt , At )|Xt ) =
E

f (Xt , a)pAt |Xt (a|Xt ) da pXt ,At (x, a) pXt ,At (x, a)da E

(7.6)

avec la loi conditionnelle pAt |Xt (a|x) = (7.7)

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

154

Dans les applications pratiques, le point gnralement dicile raliser dans cette dnition est lhypothse, ici suppose, de densit du couple (Xt , At ) par rapport la mesure de Lebesgue. Lexistence dune drive de Radon sera dans le cas continu une premire tape franchir dans ltude du processus dacquisition. Parfois, on peut tre amen non pas sintresser lesprance dune fonction prise sur le couple (Xt , At ) mais seulement sur lacquisition At . Il nous faut utiliser une rgularisation faible de la mesure de Dirac et on peut approcher lesprance recherche : Proposition 7.1.1. Pour tout temps t [0, T ] soit At le processus dacquisition sur (, F ) valeurs dans (E , E ) le long du chemin dacquisition Xt valeurs dans (E, E ). On suppose que (Xt , At ) est absolument continu et Markovien. Soit K un noyau de rgularisation faible de classe C de la mesure de Dirac. On approche pour tout temps t lesprance conditionnelle dune fonction mesurable borne f de At en Xt par : E (f (At )|Xt ) =
E E

f (a) K (Xt , z ) pAt |Xt (a|z ) da dz

(7.8)

On a alors
0

lim E (f (At )|Xt ) = E(f (At )|Xt ) = t (f )

def

(7.9)

On commence par poser une intgrale non normalise pour toute fonction f une fonction mesurable borne : F(f (At ))(Xt ) =
E E

f (a) pXt ,At (z, a) dz da

(7.10)

Cette intgrale est mal pose relativement la loi de (Xt , At ), on la rgularise par le noyau K introduit dans le thorme 7.1.1 pour dnir lintgrale rgularise : F (f (At ))(Xt ) =
E E

f (a)K (Xt , z )pXt ,At (z, a)dzda

(7.11)

Par construction du noyau rgularisant on a lim F (f (At ))(Xt ) = lim f (a)K (Xt , z )pXt ,At (z, a)dzda
E E

= F(f (At ))(Xt )

(7.12)

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

155

Bien entendu lesprance conditionnelle sexprime en fonction de la loi conjointe et on peut crire lesprance rgularise en normalisant F : E (f (At )|Xt ) = F (f (At ))(Xt ) F (1)(Xt ) (7.13)

On obtient alors le rsultat :


0

lim E (f (At )|Xt ) = E(f (At )|Xt )

(7.14)

On peut reprendre nos exemples pour illustrer cette esprance rgularise que lon vient destimer E(f (At )|Xt ). Application 1 Prenons le cas particulier o le chemin dacquisition est dterministe Xt = (t) E . Pour toute fonction f mesurable et borne, on a videmment E(f (At )|Xt ) = E(f (At )) P-ps. Cest une situation dj vue en mcanique des uides au chapitre 2 en considrant le cas stationnaire, cest dire, que pour tout t Xt = x et en prenant pour Xt,x le champ de vitesses Ut,x donn par NSE 7.4. En notant Ut la valeur de p.s. Ut,x prise en x, alors E(f (Ut )|x) = E(f (Ut )) est dans cette situation la moyenne Eulrienne de la vitesse au point x et au temps t plus habituellement note en mcanique des uides < f (U ) >t,x . Application 2 Toujours pour rester proche de la dynamique des uides, on reprend lexemple 3 qui considrait Xt,x comme le champ Eulrien de vitesse dun uide Ut,x . On prend comme chemin le ot associ au champ Xt,x , partant dun point x0 E , et not pour tout temps t : Xtx0 . Lacquisition Lagrangienne se dnit par Vt = Ut,Xtx0 et on sintresse la moyenne de Vt sachant la position de la particule sur son ot Xtx0 . On omettra le x0 en exposant pour allger le texte et Xtx0 = Xt . On suppose que le problme est pos de telle manire quil y ait existence de la densit de (Xt , Vt ) par rapport la mesure de Lebesgue. Lesprance Lagrangienne doit tre rgularise et on obtient E(f (Vt )|Xt ) = lim avec F (f (Vt ))(Xt ) =
E E

F (f (Vt ))(Xt ) 0 F (1)(Xt )

(7.15)

f (v ) K (Xt , x) pXt ,Vt (x, v ) dx dv .

Si dans la dynamique du uide on utilise une loi de Newton additionne dun

Chapitre 7. Acquisition dun champ le long dun chemin alatoire bruit Gaussien, le noyau de rgularisation sera galement gaussien avec : K (Xt , x) = G (Xt x) = e
Xt x 2 2

156

(7.16)

Les dynamiciens des uides utilisent ce type de noyau pour rgulariser cette esprance lorsquils cherchent les calculer dans leurs applications numriques. Avec des considrations physiques, ils emploient galement des fonctions splines (voir Pope (2000)).

7.1.2

Systmes dacquisitions dobservations

Ce paragraphe est avant tout une remarque permettant de rapprocher le problme de lestimation du processus dacquisition du problme de ltrage que lon a vu prcdemment dans ce mmoire. On se place dans le cas dun problme de ltrage classique tel quil a t dcrit au chapitre 5. On se donne alors un tat Xt voluant dans un espace E et une observation Yt E . Le couple (Xt , Yt ) est alors un systme dacquisition que lon qualiera dobservation. En eet dans le problme de ltrage, on sest donn une quation liant Xt et Yt de la forme gnrale Yt = H (t, Xt , Wt ) o Wt est un processus alatoire suppos canonique et H la fonction de transfert. La fonction Ht,Xt () joue clairement le rle de champ et Yt est lacquisition de H le long de la trajectoire de Xt dans E . Dans le cas de lacquisition telle quon la dnie plus haut, on sintresse pour une bonne fonction f lestimation de E(f (Yt )|Xt ). Le problme de ltrage est exactement symtrique avec la recherche de la loi permettant de calculer E(f (Xt )|Yt ), ce qui pourrait se formuler en trouver le chemin sachant lacquisition. Les algorithmes que lon a prsent chapitres 5 et 6 rsolvent ce problme. Il nous faut dlivrer une mthode destimation du processus dacquisition. On peut utiliser ce commentaire sur lobservation et utilisant la rsolution du problme de ltrage, donner une solution lestimation du processus dacquisition recherch. Eectivement crit formellement, on cherche E(f (Xt , At )|Xt ) = f (Xt , a) pAt |Xt (a|Xt ) da (7.17)

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

157

pour toute fonction f . Utilisant la formule de Bayes on peut crire pour les densits : pAt (a) pAt |Xt (a|x) = pXt |At (x|a) Xt (7.18) p (x) Dans le problme de ltrage on cherche estimer la Loi(Xt |At ). Donc si lon tait en capacit de calculer la densit pXt |At par ltrage, il resterait estimer le rapport pAt (a) pour obtenir une estimation de lacquisition At sachant Xt . Mais traiter ce pXt (x) problme de ltrage en premier alourdit la procdure destimation et on va voir paragraphe 7.2.1, dans le cas discret, quil est possible destimer directement le processus dacquisition le long de son chemin.

7.1.3

Acquisition sur un milieu localement homogne en loi

Pour clore la prsentation des processus dacquisition, nous nous plaons dans le cas dun milieu considr comme localement homogne en loi. Lapplication physique qui va suivre ce chapitre utilisera ce type de milieu. Nous rajoutons le qualicatif en loi pour quil ny ait pas dambigut avec la littrature physique. Dnissons en premier lieu pour ce type de milieu lacquisition laquelle on va sintresser. Dnition 7.1.4. Pour tout temps t [0, T ], soit (Xt , Xt,x ) un systme dacquisition sur lespace produit (E E ) et At = Xt,Xt le processus dacquisition de ce systme. On dira que le systme dacquisition est localement homogne en loi si : E est un espace localement convexe mtrisable possdant un recouvrement convexe A = iI Ai , I tant un ensemble dindice. t [0, T ] et x E , il existe t > 0 et i I tel que : B (x, t ) Ai avec B (x, t ) = z E t.q. |x z | t et y B (x, t ) = Bt , on a pour tout a E , P(At da | Xt = x) = P(At da | Xt = y ) (7.19)

Pour lacquisition At associe ce systme on appellera cette probabilit la loi de ). , note Loi(At | Xt Bt At sachant que Xt appartient la boule Bt Dans le cas dune acquisition localement homogne on peut chercher calculer ). On peut pour tout fonction f mesurable borne, lesprance E(f (At ) | Xt Bt

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

158

Fig. 7.2 Exemple sur une trajectoire dacquisition de lensemble des boules dhomognit exprimer trivialement cette esprance par
E(f (Xt , At ) | Xt Bt ) =

f (x, a) pAt |Xt Bt (a|x) dx da


E E

=
E E

f (x, a)

X ,At (x) p t 1Bt (x, a) E X (x)p (x)dx 1Bt t

dx da (7.20)

(Xt )) E(f (Xt , At ) 1Bt (Xt )) E(1Bt

An de respecter des conditions de direntiabilit aux bords, on pourra consi drer pour K un noyau faible rgularisant C de support inclus dans la boule Bt . Cette dnition peut stendre naturellement au cas trajectoriel. Pour t > 0, on dnote X[0,t] = {Xs , s [0, t]} la trajectoire du processus Xt par hypothse continue. On va noter B[0,t] lenveloppe des boules (Bs )st : B[0,t] =
s[0,t] Bs

(7.21)

La situation est dcrite dans le schma 7.2 et on va chercher estimer la mesure de probabilit t telle que pour toute fonction mesurable borne f on obtienne lesprance de lacquisition le long du chemin X[0,t] par t (f ) = E(f (Xt , At )|X[0,t] B[0,t] ) (7.22)

Il faut alors proposer un moyen destimer de cette mesure t valable pour tout temps. Dans le cas discret on va montrer la section suivante 7.2.1 que t est une mesure de Feynman-Kac et proposer un algorithme de calcul. Lapproximation sera particulaire et on pourra donner des estims derreur.

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

159

7.2

Processus dacquisition discret dans un milieu homogne en loi

Nous avons prsent les systmes dacquisition avec direntes applications notamment la mcanique des uides. Ces processus gnraux ont une structure proche de ceux intervenants dans les problmes de ltrage. Il y a une volution a priori du milieu ( i-e sans intervention du chemin dacquisition ) puis un conditionnement du relev du champ au chemin dacquisition. Cette procdure peut donc se faire en 2 temps, une premire tape correspondant une prdiction du milieu et la seconde une slection sur le chemin dacquisition. Nous allons proter de cette analyse pour proposer une description et un algorithme destimation dans le cas de processus discrets dcrit par une dynamique Lagrangienne.

7.2.1

Interprtation de lacquisition discrte comme processus champs moyens en interaction

On se donne un ensemble de temps 0 t0 < < ti < < tn , avec ti = i.t o t > 0 est le pas de temps de la discrtisation. Soit pour n N et pour tout i [0, n], (Xti , Xti ,x ) = (Xi , Xi,x ) un systme dacquisition valeurs dans (E E ). Pour un point initial x0 on note Xi = Xi,X x0 lacquisition Lagrangienne i discrte associe. Enn soit Z0 , . . . , Zn un chemin discret dans lespace des sites E indpendant de la dynamique de lacquisition Lagrangienne. Nous allons poursuivre dans le cadre dun milieu localement homogne en loi. Daprs le paragraphe prcdent, on sait quen chaque temps la connaissance du champ dacquisition peut tre restreinte une boule Bn . Il nest alors pas ncessaire davoir la valeur du champ dans lespace hors de cette boule. Montrons comment utiliser un modle Lagrangien (modle 1 point) pour estimer lesprance de lacquisition le long du chemin Z0 . . . Zn . Pour mener bien cette description, on mixe 2 systmes dacquisitions : le premier correspond au modle un point et fournit une acquisition Lagranx0 gienne partant du point x0 : (Xn , Xn,Xn x0 ) = (Xn , Xn ) lautre systme est le relev de lacquisition Lagrangienne le long dun chemin indpendant du milieu Zn : (Zn , An )

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

160

Fig. 7.3 Couplage de systmes dacquisitions Lagrangiennes et dune acquisition le long dun chemin indpendant Pour exprimer ce quest An il faut considrer un ensemble dacquisitions Lagrangiennes partant de points initiaux dirents et arrivant aux points de relev du chemin dacquisition. Au temps n 1, le chemin dacquisition est en Zn1 , et acquiert la valeur de Xn1 dans lespace des phases prise par lacquisition Lagrann1 0 gienne en Xn et donc An0 1 = Zn1 partie de x0 1 = Xn1,Zn1 . Au temps n on change dacquisition Lagrangienne pour relever celle qui est partie linstant xn 0 initial de xn 0 et est arrive en Zn . Alors on a An = Xn,Zn . On illustre la situation sur la gure 7.3. xn1 xn1

Mais nous navons pas accs aux points de dpart de chacune des trajectoires X0 Lagrangiennes. Il conviendrait de calculer lesprance An = Ax n P (dx). Mais cette esprance est dicile approcher, elle intgre sur les lignes ancestrales. Sur les ots stochastiques, on peut lire larticle de G. Ben Arous (1989) ou le livre de F. Baudoin (2005). On propose alors, utilisant lhypothse de milieu localement homogne de se donner en chaque point du chemin Zn un paramtre n et une boule Bn (Zn ) = {x E : |x Zn | n }, et de chercher estimer 2 mesures de probabilits n et n telle que pour toute fonction test f :
n (f ) = E(f (Xn , Xn ) | X0 B0 (Z0 ), . . . , Xn Bn (Zn ))

(7.23) (7.24)

n (f ) = E(f (Xn , Xn ) | X0

(Z0 ), . . . , Xn1 B0

Bn 1 (Zn1 ))

Par hypothse le modle le couple (Xn , Xn ) est suppos Markovien et lvolution est dcrite par le noyau de transition champ moyen Mn+1,n ((x, x ), d(z, z )) = P((Xn+1 , Xn+1 ) d(z, z )|(Xn , Xn ) = (x, x ))

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

161

Fig. 7.4 Schma dvolution discrte du processus dacquisition pour une dynamique Lagrangienne o n est la loi de (Xn , Xn ). Lhypothse de champ moyen ne cherche qu tendre la gnralit de lvolution du processus (Xn , Xn ). Sinspirant de 7.20 on peut crire :
(Z ) (Xp )) E(f (Xn , Xn ) n p p=0 1Bp n (f ) = n (Z ) (Xp )) E( p=0 1Bp p

(7.25)

n (f ) =

E(f (Xn , Xn ) E(
n1 p=0

n1 p=0

(Z ) (Xp )) 1Bp p

(Z ) (Xp )) 1 Bp p

(7.26)

ce qui confre aux deux mesures de probabilit n et n leur caractre de distribution de Feynman-Kac. Sans changer cette expression on ne va pas considrer le conditionnement et (Z ) mais sur le cylindre 1B (Z ) E et on se donne lindicatrice sur la boule 1Bp p p p le potentiel Gp pour (Xp , Xp ) : Gp (Xp , Xp )
(Z ) (Xp ) 1E (X ) = 1Bp p p (Z )E = 1Bp (Xp , Xp ) p

(7.27)

Associ ce potentiel on dnit le noyau de slection :


Z Sn +1,n+1 (x, x ), d(y, y )
= 1 Bn (x, x )(x,x ) (d(y, y )) +1 (Zn+1 )E

1 1 Bn (x, x ) +1 (Zn+1 )E

1 Bn (y, y )n+1 (d(y, y )) +1 (Zn+1 )E

n+1 (Bn +1 (Zn+1 ) E )

(7.28)

(Zn )) (Z0 ), . . . , Xn Bn avec n+1 (d(y, y )) = P((Xn+1 , Xn+1 ) d(y, y ) | X0 B0

Chapitre 7. Acquisition dun champ le long dun chemin alatoire Alors partant de la distribution initiale de lacquisition 0 (d(x, x )) = P((X0 , X0 ) d(x, x )) on a le schma dvolution temporelle, n 0 :
n n n+1 n+1

162

Mn+1,

Z Sn +1,

n+1

(7.29)

ce qui peut scrire comme un systme dynamique stochastique issu de 0 :


Z n+1 = n Sn, Mn+1,n n

(7.30)

En terme dvolution des tats nous avons le schma illustr par la gure 7.4 et correspondant :
Mutation Slection n, X ) n+1 , X ) (X (Xn+1 , Xn+1 ) (X n n+1

(7.31)

n+1 , X ) est lestime du systme dacAprs ltape de slection ltat (X n+1 n+1 est la position du systme et X n+1 est lestime du processus quisition, o X dacquisition recherch An+1 = Xn+1,Zn+1 . Le couplage entre les 2 systmes dacquisition est une localisation aprs la mutation Lagrangienne. Ecrite comme telle lvolution nest pas Markovienne, le potentiel pouvant tre nul. La gure 7.4 est ce titre abusive, il faut voir un recou vrement de la trajectoire Z0 , . . . , Zn par des boules (Bj (Zj ))0j n dintersection non nulle comme la montr le schma 7.3 . On va supposer qu tout instant n et pour tout point dtat, (x, x ) , on ait Mn+1,n (1Bn )(x, x ) > 0 cest dire que la probabilit darriver dans la +1 (Zn+1 )E boule Bn+1 (Zn+1 ) partant de x nest pas strictement nulle. Maintenant on peut rednir le noyau de Markov et le potentiel pour restituer le caractre Markovien : n+1,n (x, x ), d(y, y ) = M et n+1 (x, x ) = Mn+1,n (1B (Z )E )(x, x ) G n+1 n+1 (7.33)
(y, y ) Mn+1,n (x, x ), d(y, y ) 1Bn +1 (Zn+1 )E Mn+1,n (1Bn )(x, x ) +1 (Zn+1 )E

(7.32)

n+1,n ((x, x ), d(y, y )) est une transition locale resLe noyau Markovien M n+1 (x, x ) donne treinte au domaine Bn+1 (Zn+1 ) alors que la fonction de potentiel G

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

163

les chances de rester dans Bn +1 (Zn+1 ) E , cest dire que lacquisition Lagrangienne suive le chemin Z0 , . . . , Zn+1 . Dans ce cas le potentiel ne dgnre plus.

On part linstant initial du cylindre B0 (Z0 ) E avec la distribution B 0 , de la loi 0 du couple (X0 , X0 ) et on utilise pour tout temps les potentiel/noyau de n, M n+1,n ). Feynman-Kac (G On note B B n et n les ots du processus restreint aux cylindres Bn+1 (Zn+1 ) E . Ils peuvent tre interprts comme des processus champ moyen en interaction B B et sont solutions de lquation non-linaire B . n+1 = n Kn+1,B n ,n

On choisit de donner au noyau de MacKean la forme (non unique) :


B n,B M n+1,n Kn =S +1,B n n ,n

n,B exploite la fonction de potentiel G n+1 , et on prend Le noyau de slection S n la forme de slection habituelle : n+1,B ((x, x ), d(y, y )) S n
B n+1 (x, x )(x,x ) (d(y, y )) + [1 G n+1 (x, x )] Gn+1 (y, y )n (d(y, y )) = G B n (Gn+1 )

(7.34) ce qui donne le schma dvolution pour les lois dvolution restreintes au chemin dacquisition :
n+1, M n B n

B n+1

B n+1
n+1

S n+1,B

(7.35)

et pour les tats :


B B B B B n (X , Xn ) (Xn (Xn , XnB ) +1 , Xn+1 ) (7.36)
(Z )E ) (Bn n (Z )E ) (Bn n (Bn +1 (Zn+1 )E )

Slection

Mutation restreinte Bn +1

Le ot dacquisition restreint aux boules centres sur le chemin dacquisition B n+1,n initialement M est donc solution du systme dynamique B n+1 = n Sn,B n B en 0 et dcrit le couplage entre les 2 systmes dacquisition le long du chemin Z0 , . . . , Zn . Cest un processus champ moyen comme il en a t tudi au chapitre prcdent. Cela nous permet denvisager une interprtation particulaire de lestimation dacquisition que nous examinons dans le paragraphe suivant.

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

164

7.3

Approximation particulaire pour lestimation du processus dacquisition discret

Les intgrales que lon vient de calculer nont de solutions quapproches. Nous dcrivons succinctement lalgorithme destimations particulaires. Le cas prsent est identique celui du ltrage tudi au chapitre 6 paragraphe 6.3, dont nous avons dores et dj les estims derreur. On dispose par hypothse dun chemin dacquisition (Z0 , . . . , Zn ) valeurs dans E et dun ensemble de rel 0 < (i )0in permettant dassurer lexistence de boules dhomognit Bi (Zi ) pour i [0, n]. n+1,n vrie une hypothse On va supposer que la transition Markovienne M de rgularit pour utiliser le travail du chapitre 6 : . Hypothse : Pour toute fonction mesurable borne f , toute mesure et n N, il existe des constantes cn ( ) et un ensemble ni de fonctions h bornes avec h 1 tels que pour toute mesure n+1, (f ) M n+1, (f ) cn ( ) f M
h

| (h) (h)|

(7.37)

A linstant initial on se donne dans B0 (Z0 ) E une population de taille N > 0 i i B de particules (0 , 0 )1iN i.i.d. selon 0 et on note :

B,N = 0

1 N

i , i
i=1
0 0

(7.38)

La loi empirique B,N approche la loi exacte B 0 0 et le lemme 6.1.3 nous donne pour tout p > 0 lexistence dune constante C0 telle que : E( B,N B 0 0
1 p p H)

Cp (0) I (H) N

(7.39)

i i , Au pas de temps n, on dispose des particules ( n n )1iN dans Bn (Zn ) E et voluant selon Slection i i i i , i Mutation i , ( (n ( n+1 n+1 ) +1 , n+1 ) n n)

(7.40)

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

165

N 1 = N empirique de B,N i , i ) . Pour estimer la loi a priori du milieu n , n i=1 (n n nous avons besoin dun systme de d particules auxiliaires qui voluent part n+1,n . selon le noyau de transition M

B B Le ot exact B est approch par B,N n+1 avec une propagation n+1 = n Kn+1,B n ,n

On peut alors reprendre la proposition 6.3.1 et ladapter cette situation : Thorme 7.3.1. Pour tout n 0, pour tout p 1, il existe des constantes Cn et Cn telles que E( B,N B n n
1 p p H)

Cn C [ + n ]I (H) N d

(7.41)

On le voit pour une acquisition en temps discret le long dun chemin recouvert par un ensemble de boules, la dicult vient de lannulation possible du (Z )E (x, x ) ou bien de linvalidation de lhypothse potentiel Gn (x, x ) = 1Bn n Mn+1,n (1Bn )( x, x ) > 0. +1 (Zn+1 )E On peut alors prendre le problme de manire dirente en autorisant une extinction de lalgorithme ds que le potentiel sannule. Lestimation de ce temps darrt est un problme encore ouvert. On peut trouver dans Del Moral et Lezaud (2006) ou dans la version originale Del Moral (2004) ce type de mthode alternative avec une ide de la probabilit dextinction qui possde une borne exponentielle. Ramen notre cas, leur travail apporte une autre approximation particulaire Z qui repose sur le ot n+1 = n Sn, Mn+1,n . On cre alors un systme de partin cules en interaction qui a la possibilit daller sur un point cimetire quand le potentiel est nul. Le systme de particules volue de la mme manire que prcdemment, mais au premier instant o le potentiel sannule, il est envoy sur et la chane de Markov est stoppe. Si lon note N cet instant, on trouvera dans Del Moral (2004) le thorme : Thorme 7.3.2 (Thorme 7.4.1 p 232). On suppose que pour tout n 0 la mesure non-normalise n (1) > 0. Alors pour N 1 on a lestimation P( N n) a(n)eN/b(n) (7.42)

La dmonstration utilise un ensemble contenant lvnement { N n} pour lequel on obtient une ingalit de Chernov-Hoeding. Les coecients de la borne exponentielle sont pour a(n) fonction de n seul et pour b(n) fonction de n et (Z )E ) non nul par hypothse ) . Lingalit nest pas n+1 (1) ( = E0 ( n n j =1 1Bn

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

166

optimale , mais permet de penser quavec un nombre susamment grand de particules, lextinction devient peu probable. Nanmoins dans le traitement numrique de lestimation du processus dacquisition, il faudra veiller ce que les boules le long du chemin dacquisition ne soient pas trop petites. On peut maintenant montrer un exemple dacquisition sur un champ de vecteur simul, qui nous permettra de nous rassurer sur la taille des boules ncessaires une estimation sur milieu localement homogne dans un problme dacquisition discrte.

7.4

Echantillonnage de lacquisition dun champ de vecteur

En milieu localement homogne, lestimation peut se faire sur un chemin recouvert de boules dans lesquelles le milieu est identiquement distribu. On la vu, pour quun algorithme particulaire soit prenne il faut que ces boules soient atteignables au moins en moyenne sous peine dextinction de la chane de Markov. Si cette assurance peut paratre dicile premire vue, on va pouvoir apaiser les craintes par une proprit des champs discrtiss. Lchantillonnage dun champ opre un ltrage des chelles les plus petites et impose naturellement une rsolution. Nous dtaillons cela dans le paragraphe suivant.

7.4.1

Acquisition dun champ une rsolution donne

La rexion se base sur une Analyse Multi-Rsolution (AMR) dun Champ Vectoriel (voir Meyer (1990)). En quelques mots, une AMR de L2 (Rd ), avec d 1 est une suite croissante de sous-espaces (Vj )j Z de L2 (Rd ) telle que pour toute fonction f de L2 : 1. (j, k ) Z2 , 2. j Z, 3. j Z, f (x) Vj f (x 2j k ) Vj Vj 1 Vj L2 (R) f (x) Vj f (2.x) Vj +1

j =+ 4. limj Vj = {0}, j = Vj = {0} j =+ 2 d 2 d et limj + Vj = L (R ), j = Vj = L (R )

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

167

5. V0 telle que {(x k )}kZ est une base orthonorme de L2 (Rd ) Avec une AMR on dispose donc dune base hilbertienne de L2 (Rd ) sur laquelle il est possible de dnir des projections. Les sous-espaces Vj sont appels des espaces dapproximations de rsolution j , et lapproximation multirsolution de f la rsolution 2j , note fj , est dnie comme la projection orthogonale dans le sous-espace Vj . Les sous espaces Vj +1 sont dnis par embotement et on peut les dcomposer selon Vj et un complment Wj et on a la somme orthogonale Vj +1 = Vj Wj . Le sous-espace Wj est appel lespace de dtail au niveau de rsolution j et est orthogonal Vj . En prenant des projections successives, la dirence entre fj et fj +1 est linformation ajoute par les dtails lchelle 2(j +1) que lon note dj = fj +1 fj . Dans la base hilbertienne, le projecteur est donn par
n=+

PVj f =
n=
j 2

< f, j,n > j,n (x)

o j,n (x) = 2 (2j x n), la fonction est appele la fonction dchelle. Lapproximation discrte fj =< f, j,n > est un ltre passe-bas chantillonn tous les 2j points. Si lon dispose dune approximation dchelle, ou dune chelle de rsolution J , on a directement : L2 (Rd ) = j Z Wj = VJ j J Wj . On ne sintressera pas ici aux problmes de convergence de lAMR dans le cas de champs de vecteurs alatoires, mais on ne retiendra quun chantillonnage correspond un ltre passe-bas et une projection dans un espace de rsolution induit par le pas dchantillonnage avec un rsidu correspondant aux structures plus nes. Cest une autre faon de prendre ce que lon a prsent au chapitre 4 sur les consquences en traitement du signal de la thorie de linformation de Shannon (1948). Dit rudement, lAMR ou la thorie de Shannon nous disent que pour quune structure informationnelle soit accessible en chelle ou frquentiellement, elle doit tre vue 2 fois. Dans le cas contraire, on peut la considrer comme une variable alatoire dcorrle, cest dire un bruit blanc. Il y a un lien entre frquence et chelle dans tous les systmes physiques ayant des inerties dynamiques (voir Daubechies (1992)). LAMR dcompose les struc-

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

168

tures dun champ en niveaux dchelle discrets, dyadiques et pour un domaine de taille nie, cette dcomposition est galement nie. En analyse frquentielle il y a la mme concordance. Pour une srie temporelle discrte de longueur n < , on connat lensemble des frquences chantillonnes et accessibles la srie. Si le pas de temps de lchantillonnage est t, on sait que la frquence la plus leve contenue dans lchantillonnage est la frquence de Shannon, FS = 2.1 , que la t 1 frquence la plus basse est la frquence de Rayleigh, FR = n.t et quentre, les 1 frquences accessibles sont donnes par fe (i) = i. avec i [2, n]. Tout autre t frquence originellement dans le signal temps continu nest pas observe. Appliquant ces considrations frquences/chelles, un champ alatoire temps continu, aprs discrtisation en temps et en espace, subit un ltrage des structures plus nes que la maille dchantillonnage, ce que lon nommera aprs un ltrage dchelle, et est nettement plus mou avec des zones plus homognes. Ainsi lchantillonnage spatio/temporel va nous permettre dassurer des plages assez grandes de zones homognes qui vont, lors de lestimation du processus dacquisition, maintenir valide lhypothse ncessaire la non-extinction de la chane de Markov.

Ces proprits dchelle des champs chantillonns ont aussi des consquences pour les processus dacquisitions eux-mmes. Soit (Xt , Xt,x ) un systme dacquisition temps continu sur E E . Le champ Xt,x est suppos tre dans L2 (Rd ). On se place une rsolution donne J . Par la suite cette rsolution sera fourni par les pas de discrtisation. On dispose alors f b des sous espaces VJ et WJ . On note Xt,x la projection de Xt,x dans VJ et Xt,x le rsidu correspondant au bruit dchelle. On peut alors considrer pour un mme chemin dacquisition Xt dirents processus dacquisition. On note AT t = Xt,Xt lacquisition totale. On va comparer T At avec le processus dacquisition partielle utilisant le mme chemin mais acquf ltr des petites structures non accessibles lchantillonnage : rant le champ Xt,x f f At = Xt,Xt . Les 2 acquisitions voient le mme champ mais lacquisition totale est bruite par les structures de petites chelles. On peut remarquer que les oprations dacquisition et de ltrage chelles sont additives. En eet non seulement le champ f f b b + Xt,x mais lacquisition totale est : AT total Xt,x est la somme Xt,x t = At + At .

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

169

Dun autre cot, on peut traiter de manire frquentielle lacquisition totale = Xt,x en ltrant les frquences plus leves quune frquence donne. En considrant une rsolution J , une frquence de coupure fc lui est physiquement associe, on peut alors ltrer dans AT t les frquences plus leves que fc et obtenir c At . AT t Par ladditivit des direntes dcompositions, on voit que lacquisition ltre f b T gale lacquisition Ac t . Les rsidus At = At At sont les bruits dchelle contenus dans lacquisition totale. Af t En ingnierie, que ce soit en assimilation de champ dynamique ou en mesures exprimentales ou alors en modlisation sur points de grille, les systmes dacquisition ou de traitement de la donne suppriment ou tentent de supprimer le terme Ab t au moyen dun ltre frquentiel de type Fourier appel ltre anti-repliement (ou anti-aliasing, ou anti-crnelage selon le domaine dapplication). On va prendre ce parti et considrer dans la suite de cette section que lacquisition At a t correctement ltre du bruit de petite chelle et ne contient que la composante accessible At = Af t.

7.4.2

Exemple dacquisition sur une simulation de champ turbulent

Pour illustrer ce propos sur les chelles des structures contenues dans une acquisition discrte et les consquences sur les tailles de zones dhomognit, nous allons prsenter une application numrique. Sur un cas simul de champ alatoire continu, nous dcrirons un chemin dacquisition alatoire sur lequel on relve le champ. Dans un deuxime temps on ltre le champ alatoire des structures plus petites que la rsolution dchantillonnage. Pour terminer on va comparer numriquement les acquisitions totales, les acquisitions ltres et celles continues puis correctement chantillonnes (sans repliement de spectre). Pour tre en relation avec la suite de ce mmoire, nous allons simuler un coulement dun uide turbulent bidimensionnel homogne isotrope ayant comme condition initiale une variable alatoire gaussienne. Pour simplier la rsolution numrique de lquation de Navier-Stokes qui guide le uide nous allons prendre un domaine torique T 2 = [0, 2 ]2 . On intgre alors lquation de Navier-Stokes

Chapitre 7. Acquisition dun champ le long dun chemin alatoire exprime en vorticit : t,x + Ut,x .x t,x = t,x .x Ut,x + t,x t 0,x = 0 (x) N (0, 1)

170

(7.43) (7.44)

Comme le domaine est torique, il ny a pas de conditions aux bords, et on a donn au systme une condition initiale alatoire dcorrle Gaussienne. Pour simplier on se place dans le cas dun coulement barotrope, cest--dire que la variation de pression ne se fait quen suivant la variation de la densit. De manire classique on rsout dans ces conditions lEDP de Navier-Stokes en formulation vorticit en passant dans lespace de Fourier. Les oprateurs direntiels deviennent alors multiplicatif sur la grille [, ]2 de lespace de Fourier. On avance dun pas de temps dans cet espace, puis par une transforme de Fourier inverse qui nous ramne dans lespace physique, on restitue le champ de vortex. Sur la gure 7.5 on montre le rsultat de lintgration aprs 1 unit de temps et un pas de temps de 5.105 unit de temps soit 2.104 itrations. Cette exprience numrique a t eectue au moyen du logiciel de calcul Scilab et avec une bibliothque de simulation port dans cet environnement par Olivier Pannekoucke du groupe de recherche en modlisation de Mto-France. La simulation comporte une domaine de 128 par 128 points. Une fois ralise, nous ltrons pour avoir un chantillonnage sur 8 points au lieu de 128 par un ltre sur les coecients de Fourier. On montre alors sur un domaine dpli carr le champ initial simul et le mme champ mais ltr des petites chelles par lchantillonnage. Sur la gure 7.5 on voit en haut le champ de tourbillon simul et en bas la correspondance en fonction de courant. La gure 7.6 illustre limpact du ltrage des hautes frquences. On rappelle que la fonction de courant n,x se dduit du tourbillon n,x en inversant quand cest possible lquation direntielle n,x = n,x . Linversion du Laplacien se fait dans lespace de Fourier. On peut voir que dans le cas ltr les structures les plus nes ont disparu, ne laissant que le champ de grande longueur donde. Les trajectoires (si on suppose lcoulement stationnaire, elles se confondent avec la fonction ) sont plus tendues. On remarque que le uide change alors daspect de forme. Aprs la gnration des champs vectoriels simuls, on a construit un exemple de chemin dacquisition sur lequel on a relev la fonction de courant n,x . Comme chemin dacquisition nous avons choisi une marche alatoire sur la grille de simu-

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

171

10 5 0

5 10 15 0 20 40 60 80 Y 100 120 140 100 120 60 80 X 40 0 20

16

7.6

0.69

8.9

17

140

120

100

80

60

40

20

0 0 20 40 60 80 100 120 140

Fig. 7.5 Champ de turbulence 2D en reprsentation tourbillon et sa fonction de courant aprs 1 seconde de simulation

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

172

1.5 1.0 0.5 0.0

Z
0.5 1.0 1.5

0 20 40 60 80 Y 100 120 140 100 120 60 80 X 20 40 0

2.5

1.1

0.39

1.8

3.3

140

120

100

80

60

40

20

0 0 20 40 60 80 100 120 140

Fig. 7.6 Champ de turbulence 2D ltr des chelles nes en reprsentation tourbillon et sa fonction de courant aprs 1 seconde de simulation

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

173

lation de 128 128 points o chaque pas de temps on choisit une des 4 directions (on ne reste pas sur place) avec la mme probabilit. Le point de dpart est x au centre de la grille. Figure 7.7 en haut, on illustre une ralisation de la marche alatoire avec pour fond le champ turbulent original gauche et le champ ltr droite. Ici, le chemin a t construit pour tomber sur les points de grille du champ chantillonn le moins n. Entre deux de ces points nous avons rajout des segments pour donner le chemin sur le champs de rsolution la plus ne. En bas de lillustration 7.7 nous avons lacquisition totale AT n comportant du f bruit dchelle en couleur cyan, lacquisition An sur le champ dchelle ltr (7.6) qui ne comporte pas de bruit est en rouge. Pour la troisime courbe en noir, nous sommes partis de lacquisition totale puis nous avons ltr les chelles les plus petites pour obtenir une nouvelle srie temporelle Ae n et qui se compare f lacquisition ltre An . Sauf au dbut de lacquisition o la turbulence est la plus forte car la dissipation na pas encore rorganis les structures par dissipation dnergie, les 2 acquisitions se comparent assez nettement et on a ainsi illustr f lgalit (Ae i = Ai )1in . Bien sr le bruit dchelle est plus ou moins important en fonction de la structure du champ multidimensionnel et de lexistence de forts gradients quil peut contenir. Ici, nous sommes en turbulence homogne assez douce (le domaine est petit, le nombre de Reynolds est faible), le bruit dchelle est donc faible mais perceptible, notamment dans la premire partie de la srie temporelle. Le ltrage frquentiel partant de lacquisition la plus ne permet de retrouver et de supprimer presque tout le bruit d lchantillonnage, mais pas compltement. Il faudrait un vrai traitement probabiliste pour lpurer. Les systmes dingnierie nusent que de la mthode frquentielle au travers des ltres anti-aliasing pour traiter cet eet. Cette sparation dchelle est trs stricte, cest le sens de lAMR qui donne des dcompositions orthogonales. Cest ce que lon fait naturellement dans la procdure dchantillonnage. Il faut bien entendre ce que lon entend par structures de petites chelles lorsquon se rfre un objet physique. Dans le cas dun uide, si un tourbillon dchelle plus petite que la longueur de Shannon impacte sur les chelles plus grandes, sans voir le phnomne on peut en avoir les consquences (injection dnergie, modication du champ des vitesses, du taux de dformation, etc). Remarque : Nous avons vu que la vitesse Lagrangienne pouvait tre vue comme lacquisition du champ de vitesse eulrienne le long de la trajectoire de la parti-

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

174

120

16

120

0.57

100
8.7

100 0.32 80
0.97

80

60

60

0.074

40

6.8

40

0.18

20
15

20 0.43 0 20 40 60 80 100 120 140

20

40

60

80

100

120

140

0.4 0.2 0.0 0.2 0.4 0.6 0.8 1.0 0 100 200 300 400 500 600 700 800

Fig. 7.7 Acquisition dun champ de turbulence bidimensionnel le long dun chemin alatoire. En haut gauche le chemin dacquisition avec pour fond le champ turbulent original aprs 4 secondes de simulation, droite le mme chemin avec pour fond le champ 4 secondes ltr des petites chelles. En bas les acquisitions e f totale AT n en cyan, ltr des chelles nes An en rouge et chantillonne An en noir

Chapitre 7. Acquisition dun champ le long dun chemin alatoire

175

cule. Avec ce que lon vient de voir, il existe galement le long de ce chemin dacquisition une srie de boules maintenant lhomognit du milieu autour de la particule uide. Dans le cas des uides, le rayon de cette boule sera fonction du taux de turbulence : plus lenvironnement est turbulent plus la boule sera petite, et a contrario, un coulement laminaire aura des boules dhomognisation grandes.

Ce que lon vient de voir sur lacquisition dans le cas dune dynamique Lagrangienne pourrait sappliquer au cas de la modlisation numrique sur grille de Gauss de quantits Lagrangiennes, comme le font Bossy et al. (2007) pour la simulation locale du vent dans un modle mtorologique non-hydrostatique. Bien souvent les statistiques calcules sont rappliques sur des points de grille aprs interpolations en utilisant seulement les 2 premiers moments. On pourrait tirer partie de la dynamique des processus dacquisition discrets expos en 7.2 pour obtenir tous les moments du processus sur les points de la grille de simulation. Ce travail nouveau sur le processus dacquisition nous a fourni les outils ncessaires au ltrage dobservations ralises sur un uide. Nous sommes alors dans le cas dune acquisition bruite a posteriori.

Chapitre 8 Filtre non-linaire pour les mesures mobiles dun uide


Avec des observations multidimensionnelles des champs dcoulement, il serait possible de ltrer comme la fait Anne Cuzol (2006) en utilisant des simulations multidimensionnelles mais outre la lourdeur quimposerait la rsolution de champparticule par un solveur de lquation de Navier-Stokes, cette mthode serait peu adapte notre problme destimation ponctuelle. De plus les paramtres que lon cherche mesurer sont issus dcoulements turbulents considrs comme localement homognes. On peut mentionner le travail de Sritharan (1995) qui dveloppe le ltrage dimages bruites dun champ de vecteur solution de lquation de Navier-Stokes Stochastique 2D incompressible sur le tore R2 /2 Z2 . Il donne alors lexistence et lunicit des solutions du problme de ltrage associ. Il nexiste pas notre connaissance de travaux quivalents pour le problme en dimension 3. Quoiquil en soit nous ne sommes pas ici dans le cadre du ltrage dimage plan. Dans les chapitres prcdents nous avons donc dvelopp les outils nouveaux ncessaires et formalis le problme de la mesure mobile par des systmes dacquisition. Maintenant nous sommes en capacit de proposer un ltre non-linaire pour dbruiter les signaux issus des mesures faites sur un uide turbulent. Ce ltre pour les mesures mobiles sur un uide est lapplication et la mise en forme de ces outils. Le problme de ltrage dune mesure mobile dans un uide est devenu maintenant le dbruitage dun processus dacquisition. Plus prcisment il faut parler de couplage entre 3 systmes dacquisitions : le systme dacquisition dobservation qui trouve sa solution dans la rsolution du problme de ltrage et lapproximation particulaire prsente

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide chapitre 5 et 6.

177

le systme dacquisition Lagrangien qui utilisera un modle Markovien dvolution dun uide comme vu au chapitre 3. le systme dacquisition dun champ vectoriel localement homogne le long dun chemin indpendant du milieu tel quexpos chapitre 7. La prochaine tape consiste mettre en forme et rendre compatible le modle de turbulence. Ces modles Lagrangiens vus en 3.1 sont ceux proposs par S.B. Pope. La nature de la mesure nous permet de nous contenter de modles homognes, dans un premier temps isotropes. Lors de lapplication dans latmosphre avec des mesures tridimensionnelles, une amlioration sera ncessaire et on sinspirera du modle de turbulence stratie prsente par Das et Durbin (2005). Ces modles ont des interactions de champ moyen, le problme de ltrage associ utilisera les algorithmes prsents dans le chapitre 6. Mais avant il faut discrtiser les modles Lagrangiens et proposer des mthodes de fermetures.

8.1

Discrtisation et fermeture du modle Lagrangien pour les uides turbulents

Deux types de modles vont tre utiliss. Un modle simpli pour apprendre les techniques que lon va montrer et un modle plus complet et plus raliste qui tendra ces mthodes. Pour mettre en forme les modles on utilise une mthode commune : en premier lieu, on les discrtise par des schmas dEuler explicites qui sont les plus adapts aux processus de It puis on propose une estimation des moyennes Eulriennes et on termine en apprenant les paramtres de commandes. Le modle Lagrangien de la vitesse dun uide Vt dans le rgime de la turbulence homogne isotrope est celui dvelopp par S.B. Pope pour dcrire le comportement de particules places dans un uide turbulent incompressible. On rappelle que la partie dynamique scrit en temps continu : 1 3 t dVt = x < p > dt + ( + C0 ) . . [Vt < v >] dt + 2 4 kt C0 .t dWt (8.1)

Ce nest dailleurs pas proprement parl un modle dvolution dun uide, il est dduit pour des lments uides sans inertie placs dans un champ Eulrien dont ils reoivent les caractristiques dchelles Eulrienne. Dans sa mise en uvre en simulation, pour tre ferm, le modle stochastique Lagrangien demande tre

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide plong dans un champ Eulrien issu dun solveur de NSE.

178

Dans notre problme dingnierie, nous naurons pas le champ Eulrien servant de support. Nous allons fermer le systme par lobservation des vitesses du uide. Les observations contiennent naturellement les lments dchelles Eulriennes du uide. Nous allons les retrouver par un conditionnement aux observations et fermer le systme de Pope. Il sera alors sensiblement modi pour correspondre ce fait. Cest ici que se fera le couplage du modle Lagrangien au systme dacquisition dobservation.

Le processus dobservation est temps discret, on a vu les consquences pour lacquisition en temps discret du ltrage dchelle, le modle de Pope conditionn devra rendre compte du ltrage des petites structures. Ensuite il faudra le coupler au systme dacquisition de la mesure en localisant le processus dans des domaines dhomognit.

8.1.1

Approximation des moyennes Eulriennes

Ces moyennes Eulriennes sont importantes dans tout travail sur les uides, mais nous ny avons pas accs, il faut pouvoir les approcher avec le modle Lagrangien lui-mme. On changera alors la moyenne Eulrienne < v > par la moyenne Lagrangienne apprise E(Vt |Xt ) et rgularise. Reprenons les dnitions de ces moyennes au travers de dirents systmes dacquisition. La discussion ne sera que formelle, on supposera lexistence des ots et des densits ou de labsolue continuit des mesures que lon va utiliser. On lira dans Minier et Peirano (2001) ou dans Pope (2000) une tude physique des pdf Eulriennes. Pour se xer un cadre, on peut se rapprocher du travail de Mikulevicius et Rozovskii (2004). Nous ne connaissons pas de rsultat dexistence des ots associs aux modles de Pope, mme simplis comme 8.1. On a des rsultats quand le modle Lagrangien conduit un processus dOrnstein-Uhlenbeck. Une avance rcente a t fait par D. Talay, M. Bossy et J.F. Jabir avec ltude dun modle Lagrangien simpli pour lequel on trouvera les dtails dans un article en prparation Bossy et al. (2009). Pour notre part, on laissera donc lexistence des objets sous forme dhypothses.

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

179

Pour tout temps t [0, T ] avec T , soit (Xt , Ut,x ) un systme dacquisition sur (, F , P) valeurs dans (E E , E E ). Le champ Ut,x donne les vitesses dun uide en tout point de lespace mesur (E, E ). On prend en premier lieu le chemin dacquisition stationnaire Xt = x E pour tout temps. La moyenne Eulrienne est alors pour toute fonction f mesurable borne : < f (U ) >t,x = E[f (Ut,x )] P ps. On prend dautre part linstant initial un point x0 E x. On considre le systme dacquisition Lagrangienne (Xtx0 , Ut,Xtx0 = Vt ) o Xtx0 est le ot partant de x0 . Pour toute fonction mesurable f on a Ex0 (f (Vt )|Xtx0 )
= 0

F x0 (f (Vt )) (Xtx0 ) Fx0 (1)

(8.2)

utilisant le noyau de rgularisation faible G de paramtre 0 :


x0 F x0 (f (Vt ))(Xt ) =

f (v )G (Xtx0 , z )pXt

x0 ,V

(z, v )dzdv

(8.3)

On considre maintenant que le transport se fait sans variation de densit (la masse dun lment de volume ne varie pas le long du ot), on prend comme point de dpart une variable alatoire X0 distribue selon 0 et lensemble des systmes dacquisition qui sont arrivs au temps t au point x E . On sintresse alors la moyenne E[f (Vt ) | Xt = x, X0 ]. De la mme manire on dnit lesprance rgularise en notant Xt lensemble des ots arrivs en x quels que soient leur points de dpart distribus selon 0 : F (f (Vt ))(Xt ) = f (v )G (Xt (x0 ), z )pXt ,Vt |X0 (z, v |x0 )0 (x0 )dzdvdx0 (8.4)

On pose alors pour une fonction mesurable f : t (f )(t, x)


def

def

E [f (Vt )|Xt = x, X0 ] F (f (Vt )) (x) F (1)

(8.5)

ce qui pour un ot densit constante donne P ps : < f (U ) >t,x = lim t (f (Vt ))(x)
0

(8.6)

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

180

Cest lexpression que lon va utiliser pour modliser et approcher la moyenne Eulrienne hors datteinte, en supposant que lon ne sloigne pas des hypothses de validit. Le systme Lagrangien temps continu scrit alors dXt = Vt dt (8.7) dVt = x < p > dt + ( 1 +3 C ) t [V C0 .t dWt t (Vt )(Xt )]dt + 2 4 0 kt t Cest la premire transformation du systme de dynamique. Dans cette dmarche, on espre que le couplage avec le systme dacquisition dobservation et la rsolution du problme de ltrage nous donneront une estimation correcte de t (Vt )(Xt )

8.1.2

Discrtisation du systme Lagrangien

On considre le systme dacquisition Lagrangien (Xt , Vt = Ut,Xt ) valeurs dans (E, E ), en ne mentionnant pas en exposant le point de dpart x0 E pour allger les notations. Pour oprer la discrtisation on va supposer en outre que le systme associ 8.7 est Markovien. La discrtisation se fait par un schma dEuler explicite simple qui est prfrable pour un processus de It. Pour des temps 0 < t0 < < tn avec n > 0 rgulirement espacs dun intervalle t, on considre les vitesses V0 = Vt0 , . . . , Vn = Vtn et lquation dvolution sur la vitesse scrit : Vn+1 = Vn x < p >n t n + C1 [Vn n (Vn )(Xn )]t kn + C0 .n Wn

(8.8)

avec Wn N (0, 1) et C1 = 1 +3 C . On note n (Vn )(Xn ) au temps tn la valeur 2 4 0 de n (Vtn )(Xtn ) = E [Vtn |Xtn = x, Xtn1 ] en usant du caractre Markovien. Ce type dquation est un modle du type McKean-Vlasov, et sur les erreurs des schmas de discrtisations explicites dEuler et sur lapproximation particulaire de ces processus, on dispose pour des domaines nis des travaux pionniers de Denis Talay avec Vlad Bally (Bally et Talay (1996a), Bally et Talay (1996b)) ou ensuite avec Mireille Bossy (Bossy et Talay (1996b) ou Bossy et Talay (1995)) puis plus rcemment Antonelli et Kohatsu-Higa (2002).

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

181

On sait alors que lerreur commise par le schma temporel est en t et pour les particules en 1N . Sur les reprsentations particulaires on peut aussi lire galement Kurtz et Xiong (2001) ou Gobet et al. (2007). Les dmonstrations utilisent lintgration sur les trajectoires alatoires pour estimer les erreurs et reposent sur le calcul de Malliavin (lire par exemple Nualart (1995) ou Bally (2001)). Nous ne les prsentons pas ici pour ne retenir que le rsultat rsum dans le thorme que lon peut lire dans larticle de revue de Mireille Bossy (2005) et qui est d F. Antonelli et A. Kohatsu-Higa. Ce thorme ne sappliquent pas compltement notre situation, nous ne sommes pas en mesure de satisfaire entirement les hypothses prsentes dans Antonelli et Kohatsu-Higa (2002) (notamment b doit tre une fonction inniment drivable drives bornes), mais permet de se rassurer sur un comportement potentiellement raisonnable de la discrtisation 8.8 hors des rgions problme . Thorme 8.1.1 (Antonelli-Kohatsu-Higa 2002). Sur lespace des fonctions continues munis de la tribu de Borel (C ([0, +]; Rd ), B ([0, +]; Rd )), d N , on considre le processus canonique V solution pour tout temps t > 0 de :
t t

Vt = V0 +
0

b[Vs , s ]ds +
0

(Vs , s )dWs

(8.9)

avec t = loi(Vt ) et V0 est la condition initiale distribue selon 0 . On considre lensemble de N particules Vti indpendantes de loi initiale 0 suivant lquation de dynamique : Vti,N = V0i,N +
N avec t = 1 N N i=1 Vti,N . Soit N, dnit t (v ) t 0 N b[Vsi,N , s ]ds + t 0 N (Vsi,N , s )dWsi

(8.10)

un noyau de rgularisation de paramtre > 0

N 1 N i (cut-o ) et on = ( t )(v ) = N i=1 (v Vt ). Enn pour un pas de discrtisation t, pour T = K t avec K > 0, on note tk = k.t et on i dnit le processus discret Vki = Vk. t par le systme de dynamique :

i,N Vn +1

= =

i,N Vn

1 + N

N j,N i,N ]t , Vn b[Vn j =1

1 + N

N i j,N i,N )Wn , Vn (Vn +1 j =1

V0i,N

V0i
1 N N i=1 i,N ). (v Vn

N,,t (x) = et on note n

Alors pour b et deux fonctions Lipschitz bornes drives bornes, un noyau gaussien et le paramtre de cut-o tel que 2 = t et t [0, T ], on a le

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide contrle :
N,,t E n N t t L1 (R)

182

Cb,,T,0

1 1 + t + N t N

(8.11)

Nous venons de voir la discrtisation du modle Lagrangien pour la partie relative la vitesse. Pour les positions, la situation est dirente. Pour tout temps t > 0, lquation continue dXt = Vt dt est discrtisable par un schma dEuler explicite pour avoir Xn+1 = Xn + Vn t, mais la vitesse Vn qui va tre utilise dans le ltrage sera ltre des chelles les plus petites. Il faut donc corriger lquation dvolution des positions pour prendre en compte linuence de toutes les structures y compris celles qui ont t limines par lacquisition Lagrangienne discrte et ltre. Pour modliser cela, on rajoute un bruit, lerreur due aux petites structures, sur lquation discrte. On caractrise ce bruit par un processus de Wiener pour correspondre la description de la turbulence fait par Kraichnan dans le cas dun champ homogne. Cest une exploration alatoire que lon peut voir comme une diusion turbulente, mais lesprit de ce bruit est plus celui de la modlisation de lerreur. On la aperu au chapitre 2 dans larticle de Mikulevicius et Rozovskii (2004) o lquation 3.1 comportait sur la position Lagrangienne un bruit du type n,Xn .Wn .

Pour simplier les notations, on note toujours Vn la vitesse ltre dchelle et le systme discrtis pour la turbulence homogne scrit : X X Xn+1 = Xn + Vn t + n Wn n (8.12) Vn+1 = Vn x < p >n t + C1 k [Vn n (Vn )(Xn )]t n V + C0 .n Wn On peut immdiatement formuler lapproximation de la quantit physique kn dnie comme la variance de la vitesse estime par n : kn = 1 2 [(Vn n (Vn )(Xn )) ](Xn ) 2 n (8.13)

Le modle est maintenant discret et on va tirer partie dune caractristique de ce modle pour proposer une mthode de fermeture en apprenant les paramtres externes.

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

183

8.1.3

Couplage micro-macro pour le systme Lagrangien discrtis

Dans ce systme discret 8.12, il reste deux quantits x < p >n et n quil faut traiter pour le clore algbriquement. Ces 2 paramtres sont extrieurs 8.12 et agissent comme 2 commandes. Ce sont des termes moyens dterministes et cest par leur entremise que seectue linteraction micro-macro.

Le terme micro-macro signie quil existe de deux chelles spatiales ou temporelles distinctes couples par des quations chacune relative leur niveau dchelle respectif. Cest ce que lon crit quand on modlise le mouvement Lagrangien dune particule (niveau micro) laide de moyennes Eulriennes issues dun champ (niveau macro) dduit de lquation de Navier-Stokes. Ce couplage micro-macro est intrinsquement contenu dans la modlisation en champ moyen dun processus. Le champ moyen correspond aux grandes chelles de temps caractristiques levs alors que le reste du modle porte sur la composante rapide relative aux petites structures. En simulation cette sparation dchelle qui amne galement une sparation des techniques numriques permettant de rsoudre chaque chelle porte le nom de Lagrangian Splitting (voir Weynans (2006)).

Pour rsoudre notre problme de ltrage nous proposons au contraire de ne pas clater les 2 niveaux mais de raliser le couplage micro-macro par lutilisation des informations contenues dans lobservation en apprenant par ltrage le milieu macro, ce qui nous permettra en mme temps de proposer une fermeture algbrique originale pour 8.12. Sur le schma 8.1 on a illustr en parallle les mthodes de simulations des uides turbulents avec le couplage et les fermetures des chelles micro-macro dun ct et la technique que nous avons dveloppe utilisant le ltrage pour coupler et fermer algbriquement les quations.

Cette technique de fermeture par lobservation permet de rduire le nombre de niveaux simuler. En contrepartie elle conditionne lobservation les densits de probabilits que lon va estimer. Cela modie profondment le problme initial qui nuse plus des lois a priori n mais des lois conditionnelles. De fait ce nest plus un uide qui est simul, mais le uide observ chaque instant. Nous verrons les implications peu aprs.

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

184

Fig. 8.1 Couplage et Fermeture des chelles micro et macro dans le cas de la simulation et pour le ltrage des uides turbulents

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

185

Les 2 paramtres x < p >n et n sont des commandes alatoires et nous sommes dans la situation du ltrage dun champ moyen comme trait dans la 2 1 section 6.6 du chapitre 6 avec des lois conditionnelles du type Loi(Xn |X[0 ,n] , Y[0,n] ). On a vu alors que ces processus champ moyen en terme de nombre de particules taient coteux ltrer. Il est alors possible de rduire le nombre de ces systmes de particules, en se dotant de modles Markoviens pour les 2 commandes. La nature du modle de Pope va nous le permettre. Nous dtaillerons le problme de ltrage dans la section 8.2. On repart du systme discret 8.12 : X X Xn+1 = Xn + Vn t + n Wn n Vn+1 = Vn x < p >n t + C1 k [Vn n (Vn )(Xn )]t n V + C . W
0 n n

On commence par dnir lincrment de vitesse discret Vn = Vn+1 Vn . On peut alors voir sur lquation de la vitesse que lesprance des incrments de vitesse va converger vers le gradient de pression moyenne. En eet pour le paramtre de rgularisation tendant vers 0 on a : E[ Vn 0 n (Vn )(Xn ) ] et puisque x < p >n est indpendant du couple (Xn , Vn ), il vient :
0 0

(8.14)

lim E[ Vn ] = x < p >n t

(8.15)

La quantit x < p >n t vient du couplage avec lchelle macro, elle est donc extrieure la dynamique de (Xn , Vn ). On va la modliser par lesprance dune variable alatoire n inconnue : on pose E[ Vn ] = E[ n ] qui sera le premier terme de lquation sur la vitesse.
def

(8.16)

Pour trouver un modle concernant la quantit n intervenant dans le terme quadratique, on revient lquation continue : t 1 3 dVt = x < p > dt + ( + C0 ) [Vt t (Vt )(Xt )]dt + 2 4 kt C0 .t dWt

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

186

On voit alors que lim E[dVt dVt ] = C0 .t .dt. On va utiliser cette remarque pour proposer de modliser n par lesprance dune nouvelle variable alatoire encore note n et on pose : def E[ Vn Vn ] E[ n ] = (8.17) C0 t Pour des pas de temps t et un paramtre de rgularisation susamment petits, les erreurs de modlisation seront faibles. Le modle de Pope discret et adapt que lon va utiliser scrit alors X X Xn+1 = Xn + Vn t + n Wn n ) Vn+1 = Vn + E(n ) + C1 E( [Vn n (Vn )(Xn )]t kn V + C0 .E(n )Wn
0

(8.18)

On rappelle que le modle recherch est valable pour la turbulence isotrope et que le taux de dissipation turbulent n doit tre un tenseur diagonal ce que respecte notre modle. Il en va de mme pour lnergie cintique turbulente kn .

8.1.4

Comportement du modle de Pope adapt en rgime laminaire

En crivant cela on a profondment chang la nature du modle de Pope, il perd de sa cohrence physique, notamment lincompressibilit nest plus assure par le terme exact x < p >. Mais ce modle est destin tre utiliser dans un problme de ltrage, et les proprits qui sont rompus vont tre restaures en observant et en apprenant les paramtres dun uide qui lui les a. Cest le conditionnement aux observations qui nous permet de garder cette cohrence. Nous lexplicitons au paragraphe 8.2.1.

Dans le processus de ltrage, les quations 8.16 et 8.17 sur les gradients de pression et le taux de dissipation turbulente sont des modles de commande nous permettant de rduire le nombre de systmes ncessaires pour lapproximation particulaire des lois du ltre et du champ moyen, comme il a t vu au chapitre 6 section 6.6.

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

187

Avant daller plus loin, nous devons maintenant examiner le cas o kn tend vers 0. On va trouver l une limite de validit du modle de Pope avec lapparition dune transition entre le rgime turbulent o le modle est valide et le rgime laminaire que lon doit exclure. En eet le terme quil faut contrler quand kn 0 est Jn = Alors on peut crire Jn = C1 = C1 2.C1 C0 E(n ) kn [Vn n (Vn )(Xn )] t E[Vn+1 Vn ]2 1 E[(Vn E(Vn ))2 ] 2
2 def

E(n ) [Vn n (Vn )(Xn )] kn

(8.19)

E(n ) E[Vn+1 Vn ]2

[Vn n (Vn )(Xn )] t (8.20)

E[Vn+1 Vn E(Vn Vn1 )] E[Vn E(Vn )]2

[Vn n (Vn )(Xn )]

(8.21)

ce qui donne nalement Jn V ar(Vn+1 ) + 1 .[Vn n (Vn )(Xn )] V ar(Vn ) (8.22)

donc quand la variance en vitesse tend vers 0 linstant n le modle explose. Il sagit dune limite. Phnomnologiquement ce cas correspond larrt de la production de turbulence et au rgime laminaire qui donne lui [Vn n (Vn )(Xn )] 0. Il est dicile de lever cette indtermine. On va donc considrer quen de dun seuil dagitation turbulente le modle perd son sens et quil faut alors le remplacer par le modle laminaire plus simple : Vn+1 = Vn + E(n ) = Vn x < p >n t (8.23)

Quoiquil en soit la fois pour les contrles des erreurs de discrtisation et du systme particulaire nonces par le thorme 8.1.1 ou pour le contrle du terme 8.19, il est ncessaire davoir une turbulence molle lchelle de lchantillonnage, et le modle sera lui-mme avec des gradients assez lches. Avec ce que lon a vu sur lchantillonnage dune acquisition en 7.4 et 7.4.2 on peut penser que ces hypothses seront toujours rencontres dans nos expriences numriques. Dautres consquences sur la structure du modle adapt vont apparatre lors du conditionnement aux observations. Nous dtaillerons cela dans la section 8.2 consacre au ltrage.

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

188

8.1.5

Simulations dcoulements de uides laide du modle de Pope discrtis adapt

Suite notre analyse, le systme de Pope a t compltement remani et il est loisible de se demander sil reprsente toujours un modle comportemental pour lcoulement de uide turbulent. Nous allons donc lutiliser dans un emploi qui contredit nos remarques prcdentes mais qui va nous permettre de vrier son aptitude produire un comportement pour un ensemble de particules proche de celui dun uide turbulent. Dans cet exercice pour tout pas de temps n de la i i simulation, on considre un ensemble de particules (Xn , Vn )1iN qui vont voluer conformment au systme 8.18 dans un domaine rectangulaire de R2 , cest dire que lon va les conditionner rester dans le domaine par une tape de slection semblable celle dcrite section 8.2.3. La moyenne Eulrienne approche intervenant dans 8.18, n va tre approche selon une mthode de Monte-Carlo par lensemble des particules et on crit :
i n (f )(Xn )

i ,N n (f )(Xn )

1 N

N j i j j =1 f (Vn )G (Xn Xn ) N 1 i k k=1 1.G (Xn Xn ) N

(8.24)

avec G une gaussienne centre de variance . Comme noyau rgularisant, il est galement possible de choisir des splines, cubiques par exemple, mais en turbulence homogne avec des lois proches des gaussiennes, prendre un noyau de mme nature nous a sembl plus pertinent. Dans la partie ltrage nous garderons cette ide en maintenant la nature gaussienne de la rgularisation.

On la dit plusieurs reprises, E(n ) et E(n ) jouent le rle de commande. En les xant on dtermine lensemble de la dynamique. Cest ce fait que lon utilise pour simuler un pseudo-coulement uide. Nous allons donner un champ de valeur pour chacune de ces 2 commandes, et nous allons simuler une volution temporelle des particules, mais sans modier la structure des E(n ) et E(n ), ce que lon devrait en toute logique faire pour simuler un vritable coulement. Le champ de E(n ) nest pas vraiment conforme la ralit, il devrait tre moins lisse, mais il sagit plus dexemple numrique pour sassurer que le modle modi garde une cohrence physique. En geant les commandes on obtient des ralisations de trajectoires pour une dynamique stationnaire, ce que le physicien nomme turbulence ge. La gure 8.2 en haut montre les champs de vecteur gradient de pression et de taux de dissipation turbulente qui ont t utiliss. La simulation est alors directe, linteraction entre les particules se fait au travers de la moyenne Eulrienne. Nous navons pas pour cet exemple purement

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

189

5 4 3 2 1 0 1 2 3 4 5 5 4 3 2 1 0 1 2 3 4 5
Y

0.10 0.05 0.00 5 3 1 1 3 5 3 1 1 3


X

Fig. 8.2 En bas, simulation des trajectoires dun coulement avec des commandes particulires. En haut gauche le champ de gradient de la pression moyenne utilis et droite celui du taux de dissipation turbulente.

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

190

didactique gr les concidences. Sur la gure 8.2 sont traces les trajectoires de 500 particules aprs 100 itrations. On peut voir que mme sans rorganiser les champs E(n ) et E(n ) dans le temps apparat lbauche dune volution tourbillonnaire telle que lon sattendait la voir. La prsence dans les commandes dune zone de modication du gradient de pression conjoint une augmentation de la dissipation turbulente gnre cette amorce de vortex.

La seconde illustration est dune autre nature. Nous avons cherch modliser lcoulement dun uide autour dun obstacle termin par une ogive. En imposant des champs de commandes spciques on obtient la seconde simulation gurant sur lillustration 8.3 pour 1000 particules et 100 itrations. Cest la forme du gradient de pression qui nous permet davoir la forme de lcoulement.

Dans les 2 simulations les valeurs numriques de E(n ) et E(n ) ont t prises dans des gammes correspondantes aux coulements atmosphriques. Ces illustrations nont dautre but que de nous rassurer sur la capacit du modle discret transform reprsenter une dynamique pouvant tre celle du uide.

8.2

Filtrage dobservations bruites dun uide turbulent homogne

De notre tude sur le ltrage des processus champ moyen au chapitre 6 et des proprits sur les commandes du modle de Pope que lon vient de voir nous pouvons tirer des enseignements et proposer des algorithmes de ltrage. Le modle 8.18 est du type quation de McKean-Vlasov champ moyen et commande alatoire, mettons cela en vidence. Nous partons de X X Xn+1 = Xn + Vn t + n Wn E(n ) Vn+1 = Vn + E(n )/t + C1 kn [Vn n (Vn )(Xn )] t V + C .E( )W
0 n n

(8.25)

2 1 = (Xn , Vn ). La loi de = (E(n ), E(n )) et Xn On pose alors pour tout n 0, Xn probabilit n (Vn )(Xn ) approche E(Vn |Xn ). Mais dans un processus commande

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

191

Fig. 8.3 On simule les trajectoires dun coulement uide lors du contournement dun obstacle avec une forme choisie du gradient de pression et du taux de dissipation turbulente.

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

192

2 o la position du vecteur dtat Xn linstant n dpend de la ralisation des 1 1 commandes X0 . . . Xn , il serait plus juste de considrer dans le champ moyen la 2 1 2 1 loi de Xn sachant Xn . On note alors n = loi(Xn |X[0 ,n] ).

Toujours pour procder une analyse du modle physique et lui donner un sens 2 mathmatique, les paramtres dtat Xn ne peuvent tre physiquement illimits. La vitesse dun uide est intrinsquement borne. Le modle tel qucrit na pas cette nitude. La variable alatoire peut prendre des valeurs innies, rien ne limite la valeur de Vn , etc. Ce modle nest quune approximation mathmatique de la ralit physique. On va faire le choix de prendre comme donne du problme une fonction b Lipschitz borne et lon crit alors le processus de dynamique au moyen de lquation :
2 2 1 2 1 Xn +1 = Xn + b(Xn , Xn , n )t + (Xn )Wn

(8.26)

An de raliser le couplage de 8.25 avec les observations, cest dire entre le systme (Xn , Vn ) (E E ) et le systme (Vn , Yn ) (E E ) , on rajoute lquation dobservation valeurs dans E Rd , d N, que lon crit de maY nire gnrique Yn = H (Xn ) + Y Wn et on va rsoudre le problme de ltrage 2 permettant de trouver Loi(Xn | Y[0,n] ) o Y[0,n] = (Y0 , . . . , Yn ).

Cette situation a t vue la section 6.5 du chapitre 6. On sait donc quil existe une rsolution particulaire ce problme de ltrage. Il ncessite soit une 1 rgularisation faible, un modle Markovien pour Xn et 2 systmes de particules 1 avec au total N + d particules, soit en labsence de modle pour Xn , d +1 systmes dun total de N d particules. Dans les 2 cas pour ltrer, il faut tirer au hasard des environnements, dduire les champs moyens associs puis les slectionner par ltrage.

Avec les remarques faites sur le modle de Pope, il est possible de se doter dun modle pour les commandes. En eet en adjoignant au systme 8.25 les quations 8.16 et 8.17, on crit un nouveau systme sur lequel on va pouvoir travailler : X X Xn+1 = Xn + Vn t + n Wn Vn1 ) Vn1 )2 ) Vn+1 = Vn + E(Vn + C1 E((Vn [Vn n (Vn )(Xn )] t (8.27) t k n V 2 + C0 .E((Vn Vn1 ) )Wn En posant cette fois pour tout instant n le vecteur dtat tendu Xn = (Xn , Vn1 , Vn )

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

193

et en notant n = loi(Xn ) on obtient lquation de dynamique Xn+1 = Xn + b(Xn , n )t + (Xn )Wn (8.28)

avec les mmes hypothses sur b que pour le cas prcdent pour rendre le problme ralisable. Cette quation de dynamique nous ramne au problme de ltrage de la section 6.3. On dispose alors dune solution particulaire en 2 systmes de N et d particules.

Lanalyse du processus dobservation dun champ le long dun chemin nous conduit considrer un problme dirent et moins coteux, en conditionnant le champ moyen de lquation 8.28 et nous allons tudier son comportement. Le conditionnement correspond au couplage des systmes dacquisition Lagrangien et dobservation.

8.2.1

Conditionnement aux observations du systme Lagrangien

Par le couplage des systmes dacquisition Lagrangien et dobservation, nous allons changer de modle en conditionnant 8.28 aux observations. Le couplage est une mthode de fermeture, cest une nouvelle approche, dirente, que lon propose, pour laquelle on espre pouvoir allier prcision et performance. En eet le conditionnement comme vu au chapitre 6 diminue le nombre de particules ncessaires en exploitant et en apprenant linformation de grande chelle contenue dans les observations. La technique de conditionnement un champ auxiliaire avait dj t explor par Arnaud et al. (2003) sur du ltrage dimage dun champ bidimensionnel. Dans le chapitre 9 consacr aux applications sur des cas rels ou simuls, nous testerons notre mthode et la comparerons la mthode plus classique dcrite par le problme de ltrage associ 8.28. En attendant prsentons maintenant le conditionnement et ses implications.

Soit pour tout temps n 0 le systme de dynamique : Xn+1 = Xn + b(Xn , n )t + (Xn )Wn (8.29)

o Xn = (Xn , Vn1 , Vn ) est le signal uide en champ moyen conditionnel et n est la loi du ltre, n = loi(X[0,n] |Y[0,n] ), b et des fonctions avec les mmes hypothses

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

194

que plus haut. Cest le modle stochastique que lon se propose dutiliser pour le ltrage dun uide.
Y On se donne les observations de vitesses bruites Yn = H (Xn ) + n Wn , et le problme de ltrage trajectoriel consistant trouver la Loi(X[0,n] | Y[0,n] ).

Le chapitre 6 section 6.4.2 nous permet alors de dire que la rsolution particulaire ncessite 1 systme de N particules avec une erreur dapproximation proportionnelle 1N . Cest un gain apprciable pour des applications devant tourner en temps rel. Le systme du uide ltr associ scrit alors dans sa forme dploye : X X Xn+1 = Xn + Vn t + n Wn Vn+1 = Vn + E(n |Y0 . . . Yn )t vG (Xn x)P(Xn ,Vn |Y0 ...Yn ) (d(x,v )) Y0 ...Yn ) C1 E(n |k ] t [ V n G (Xn x)P(Xn ,Vn |Y0 ...Yn ) (d(x,v )) n V + C0 E(n |Y0 . . . Yn ) Wn Y = H (V ) + Y W Y
n n n

avec kn =

1 2

[w

vG (z x)P(Xn ,Vn |Y0 ...Yn ) (d(x,v )) 2 ] G (z x)P(Xn ,Vn |Y0 ...Yn ) (d(x,v ))

P(Xn ,Vn |Y0 ...Yn ) (d(z, w))

Lors de la rsolution numrique du problme de ltrage laide de particules, cest ce systme complet qui sera utilis. Xn est alors un processus de Markov conditionnel de loi de transition Mn+1, n avec
Xn+1 |Xn ,Y0 (d(z, v )|(x, u)) Mn+1, n ((x, u), d(z, v )) = P
n

Mais davoir changer le problme nest pas sans consquence sur la dynamique du signal uide. Remarquons ici que lon ne parle plus de vitesses dun uide, mais de signal uide pour signier la rupture avec le modle physique.

8.2.2

Comportement du signal-uide conditionnel

Par le conditionnement cest--dire le couplage du modle aux observations, la dynamique est fortement lie celles-ci, et ses proprits sont dpendantes de la qualit de la modlisation de lquation dobservation. Considrant lquation Y , la variance des bruits dobservation Y fournit dobservation Yn = H (Vn )+ Y Wn en fait la rsolution avec laquelle le signal uide est vu.

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

195

Pour analyser ce comportement, il faut faire appel la physique pour interprn ter le terme central de lquation de Pope k [Vn n (Vn )(Xn )]. Il est homogne n une force de frottement, o le coecient de frottement dpend de lnergie produite par la turbulence. Cest un terme de rappel la moyenne, qui est dans lquation de Pope, en comptition avec la partie Brownienne C0 .n Wn dont la variance dpend du taux de dissipation de la turbulence. Le frottement produit est celui des lments de uide sur les structures gnres par la turbulence (frottement du uide sur lui-mme). En rgime laminaire, ce terme de frottement est faible. En revanche plus la turbulence est svre, plus cette quantit grandit. Pour une variance faible, Y 0, lobservation est quasiment parfaite. Dans ce cas pour tout temps n 0, par lobservation Yn on a accs directement E(Vn |Y[0,n] ). Le terme de frottement est alors nul, cest dire que lcoulement est laminaire. Pour comprendre quen observation parfaite de la turbulence, le modle voit un coulement laminaire, il faut revenir sur lchantillonnage des acquisitions continues. Eectivement dans notre cas, une mesure ponctuelle discrte sur un uide est une acquisition dun champ multidimensionnel laquelle un bruit a t ajout. On a vu la section 7.4 que lacquisition discrte ne permet daccder quau champ dchelles ltres cest dire sans les structures les plus petites. A la rsolution maximale on ne voit pas la turbulence des chelles ltres, les lments uides ont un comportement laminaire.

En observation parfaite, on obtient les quations du uide :


X X Xn+1 = Xn + Vn t + n Wn V Vn+1 = Vn + n t + C0 n Wn

Quand le bruit de mesure grandit, il devient dicile de sparer le signal issu du champ dchelle ltr du bruit lui-mme. On est donc oblig de prendre en compte des structures de plus en plus nes. Pour Y >> 0, on se trouve dans un problme de rsolution faible, on doit faire intervenir toutes les chelles des petites structures, pour la n sans les observations prendre toutes les structures sans ltrage dchelle.

Nous naborderons pas le problme assez ardu de lobservabilit locale du systme que lon vient de dcrire (lire Bashirov (2003)). Il semble seulement que

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

196

celui-ci se comporte au moins localement de manire correcte. Mais ce point mriterait un travail plus attentif.

8.2.3

Localisation du processus de ltrage comme acquisition dune dynamique Lagrangienne

Les paragraphes prcdents ont permis de dcrire le couplage entre les systmes dacquisition Lagrangien et de lobservation. Nous en avons tir les consquences tant mathmatiques, que physique et propos un algorithme destimation. Il nous reste alors terminer le couplage en astreignant le systme voluer le long de la trajectoire du capteur de mesure. Le milieu est localement homogne, on utilise alors la mthode propose en 7.2 qui est adapte ici. Quel que soit n 0, le systme Lagrangien (Xn , Vn ) joint aux observations Yn volue selon Mn+1, n avec une slection Sn,n donne par le potentiel Gn relie aux observations. Le capteur a une trajectoire dans lespace des sites E qui est donne par la squence (Zn )n[0,T ] E et pour chaque pas de temps on dispose de boule centres sur Zn et de rayon Rn . Les rayons sont supposs connus ou dterminables en tout temps. On aura dans le chapitre consacr aux applications numriques une discussion sur le sens physique et les moyens de donner ces rayons. Ainsi la squence algorithmique pour le vecteur dtat partant de (X0 , V0 ) B0 distribu selon 0 qui est donne par le schma temporel :
Slection Mutation n1 , V n1 ) (Xn1 , Vn1 ) (X (Xn , Vn )

(8.30)

est complte pour voluer dans le systme de boules associ la trajectoire (Z0 , . . . , Zn ) :
Slection dobservation Bn1 Bn1 Bn1 Bn1 n (Xn (X 1 , Vn1 ) 1 , Vn1 ) Mutation Slection dans la boule Bn Bn Bn n, V n ) (X (Xn , Vn )

On considre alors les 2 mesures de probabilit relatives ce problme pour tout n 0 et f mesurable borne :
Bn n (f ) = E[f (Xn , Vn ) | Y0 , . . . , Yn , X0 B (Z0 ), . . . , Xn B (Zn )]

(8.31) (8.32)

Bn1 (f ) = E[f (Xn , Vn ) | Y0 , . . . , Yn1 , X0 B (Z0 ), . . . , Xn1 B (Zn1 )] n

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

197

En terme dvolution des lois, lalgorithme sur les vecteurs dtat est en fait la traduction des couplages de la dynamique aux observations et la trajectoire du B0 capteur. On part de 0 (d(x, x )) = P((X0 , V0 ) d(x, x )|X0 B0 (Z0 )) et on a :
SX Bn1 n 1

Bn1 n1, n 1

M Bn1 n 1

Bn1 n, n 1

Bn1 n

n Bn n

S Bn B

n, n1

(8.33)

avec S BnBn1 ((x, x ), d(z, z )) =


n,n B (d(z, z )) 1Bn E (x, x )(x,x ) (d(z, z )) + [1 1Bn E (x, x )] n

(8.34)

B o n est la loi de redistribution dans Bn selon le prdicteur calcul ltape B sexprime pour tout temps o intermdiaire. La fonction de Boltzmann-Gibbs n Bn1 n (1Bn E ) > 0 : B n (d(z, z

)) =

Bn1 1Bn E (z, z )n (d(z, z ))

n n1 (1Bn E )

(8.35)

Le potentiel peut sannuler, mais avant toute chose il faut rinterprter les processus de slection. En eet on note que E(f (Xn , Vn )|X0 B0 , . . . , Xn Bn , Y0 , . . . , Yn ) est proportionnel
n n

E(f (Xn , Vn )
p=0

1Bp (Xp )
p=0

Gp (Vp ))

On a donc aaire une slection avec un potentiel double Gn (Xn , Vn ) = 1Bn (Xn ) Gn (Vn ) (8.36)

Le couplage au chemin dacquisition se fait cette fois sur la slection avec un double potentiel alors que le premier couplage aux observations se faisait au niveau du modle Markovien. Le nouveau potentiel Gn soure de possibles annulations. Pour assurer la nonnullit comme au chapitre 7 il faut modier les noyaux pour rendre lensemble Markovien. On suppose que tout pas de temps n 0 et tout couple (x, x ) B (E, E ) on ait Mn, (Gn )(x, x ) > 0 et on normalise comme suit : n1
n1

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

198

Bn1 (x, x ), d(y, y ) = M n,


n1

B Mn, (x, x ), d(y, y ) Gn (y, y ) n1 n1 B Mn, (Gn )(x, x ) n1 n1

(8.37)

et n1 (x, x ) = M Bn1 (G )(x, x ) G n n,


n1

(8.38)

0 B 0

Avec la renormalisation on obtient le schma dvolution en loi partant de B0 = 0 :


M Bn1 n 1 utilisant Yn1 ,Bn1

Bn1 n, n 1

n B n

B n, n

n B n

(8.39)

utilisant Yn1 ,Bn

utilisant Yn ,Bn

n o B n est la loi du prdicteur pour le processus contraint vivre dans les boules n (Bi )1in et la loi du ltre associ est note B n . Pour ces lois le noyau de slection associ scrit

Bn ((x, x ), d(y, y )) S n,n


Bn n (x, x )(x,x ) (d(y, y )) + [1 G n (x, x )] Gn (y, y )n (d(y, y )) = G n B n (Gn )

(8.40) Cette fois la description de lalgorithme est complte et on a ralis la fusion des 3 systmes dacquisition Lagrangien, dobservation et le long du chemin du capteur. On peut envisager lestimation particulaire des lois de probabilits impliques qui nous donnera la rsolution numrique du ltre que lon vient dcrire pour les uides.

8.3

Rsolution particulaire du ltre adapt aux uides turbulents

Le ltre non-linaire que lon vient de dcrire en terme de distribution de probabilit de Feynman-Kac est optimal, avec une tape de prdiction et une tape de mise jour. Mais il nest pas calculable analytiquement et sera approch par des systmes de particules en interaction qui vont voluer suivant les tapes de Mutation puis de Slection. La slection sera trajectorielle.

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

199

La convergence des mthodes particulaires pour ce type de ltre se fait par arbres gnalogiques et sur les lignes ancestrales. On peut lire le chapitre 5 et 6 de ce mmoire ou le livre de Pierre Del Moral (2004) et on a, crit de manire abusives, 1 N
N

lignes ancestrales(i) Loi(X0 , . . . , Xn |Y0 , . . . , Yn )


i=1

Pour complter cela lanalyse derreur a t faite pour les processus dacquisition discrets au chapitre 7 Pour le cas gnral, dun point de vue thorique les prsentations ont donc t faites, nous ne dtaillons ici que la mise en application pour un ltrage des mesures faites sur un uide turbulent au moyen de systmes de particules en interaction. Cette description conduit nalement lalgorithme du ltrage qui nous permettra au chapitre dernier de traiter les problmes numriques. Les schmas dvolution associs aux distributions de Feynman-Kac sont itratifs permettant un algorithme destimation rcursif. Cest un problme de ltrage o lon dispose pour tout temps n 0 des observations de Vn , de la position Zn du capteur et de boules Bn = B (Zn , Rn ) o Rn > 0 est un rayon connu ou x par la situation physique. Le problme du ltrage proprement dit consiste alors trouver la Loi(X[0,n] |Y[0,n] , X[0,n] B[0,n] ). Le pas de temps est not t > 0 A ltape initiale on distribue N particules selon la loi 0 connue a priori ou dfaut autour de Y0 selon la loi de probabilit du bruit de mesure pour V0 et selon une gaussienne centre de variance 0 pour X0 . Il conviendrait dans cette seconde situation dtudier la stabilit de lalgorithme.
i i On obtient N couples de particules X0 = (X0 , V0i )1iN que lon conditionne la boule B0 par une redistribution des particules de positions extrieures B0 lintrieur.

i Xn

On se place ensuite la n-ime itration. On dispose alors de N couples i i ), 1 i N situs dans la boule Bn approchant empiriquement la , Vn = (X n i i i Slection i i i Bn n , Vn ) utilise le noyau ) Xn = (X , Vn = (Xn loi n . Ltape de slection Xn
i i Gn (Xn , Vn )=e
1 Y 2n i ))2 (Yn H (Vn

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide On a choisi une slection gntique du type
Bn ,N ((x, x ), d(z, z )) = Gn (x, x )x,x (z, z )+[1Gn (z, z )] Sn,n

200

Bn ,N Gn (z, z )n (d(z, z )) Bn ,N n (Gn )

i i i i cest--dire que lon garde (Xn , Vn ) avec la probabilit Gn (Xn , Vn ) et on redisi i tribue sur le paquet avec 1 Gn (Xn , Vn ) selon

1 N

N
j j (Xn ,Vn ) =

j j Gn (Xn , Vn ) N k=1 k, V k) Gn (Xn n

j j (Xn ,Vn )

j =1

j =1

Aprs cette slection le systme de particules contient celles qui correspondent au mieux la dynamique du uide observ. Qui plus est, la slection sest faite sur la trajectoire. Avec lensemble des trajectoires, on peut donner une estimation des paramtres non observs du modle de dynamique. En premier lieu on calcule les paramtres locaux de grandes chelles que lon Bn n n et dduit des moyennes sur les incrments : E(n |Xn , Y0 ) que lon notera A Bn n n . E(n |Xn , Y0 ) que lon notera E Ces esprances sont approches par des moyennes empiriques sur les incrments de vitesses des particules slectionnes : N = t A n N
N n E = N

i V i ] [V n n1
i=1 N i i n n i i [V V 1 ].[Vn Vn1 ] i=1

(8.41) (8.42)

t N.C0

i i Il faut remarquer que les carts de vitesses Vn Vn 1 doivent tre multiplis par le pas de temps t pour donner des incrments, do lapparition du t au numrateur des fractions devant le signe somme. Toutes les particules du systme utilisent ces 2 commandes.

Ensuite pour chaque particule il faut donner la vitesse moyenne locale propre approche par lesprance rgularise n que lon calcule de manire empirique. Cette vitesse moyenne dpend des autres particules et de leurs positions relatives : i )(X i) ,i,N (V n n n =
N j j i j =1 Vn G (Xn Xn ) N i k k=1 G (Xn Xn )

(8.43)

On calcule de la mme manire lnergie cintique turbulente propre chaque particule : N j j i i 2 i n ,N 1 j =1 [V n (Vn )(Xn )] G (Xn Xn ) i (8.44) kn = N i k 2 k=1 G (Xn Xn )

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

201

Munit des paramtres locaux que lon vient de dduire, ltape de mutation utilise le modle de signal uide en champ moyen conditionn aux observations et selon Mn+1, B ,N n n i = (X i, V i) i = (X i , V i ) : X lacquisition, X
n n n n+1 n+1 n+1

i i + V i t + X W X,i X = X n n n n n+1 N E i ,i,N i i i N n i )] t (Vn )(X Vn+1 = Vn + An C1 k n i [Vn n n N W V,i C0 E + n n

(8.45)

Cette mutation nous amne ltape n + 1 mais le dplacement nest pas contraint au point dacquisition suivant. Il faut localiser autour de la position suivante sur le chemin dacquisition. Cette localisation est une slection o lon garde les particules dj prsentes dans Bn+1 , de rayon Rn+1 et on redistribue selon
Bn ,N n +1 ,

i X n+1

particules

selon S n+1 Bn ,N n+1, n+1 i i i ,V ) Xn = (X +1 n+1 n+1 i i (Xn , V ) se trouvent dans B n+1 . +1 n+1

i i = (Xn +1 , Vn+1 ), et lensemble des

Il faut naturellement que les points centres des boules sur le chemin dacquisition soient susamment rapprochs, cest dire que la frquence dchantillonnage du systme dobservations soit leve. Cest une condition ncessaire la non-extinction de lalgorithme destimation. Dans la situation dun uide homogne isotrope, lalgorithme que lon vient de dcrire est complet. Il sera mis en application dans le cas de uides simuls ou rels pour des coulements uni ou bidimensionnels en 9.1, 9.2 ou 9.3. Pour des mesures dans latmosphre qui lchelle de la turbulence est fondamentalement un coulement tridimensionnel, il est ncessaire de modier le modle de dynamique pour lui rendre des caractristiques compatibles avec le uide gophysique.

8.4

Adaptation dun modle de turbulence strati pour les mesures atmosphriques

Latmosphre est un uide gazeux et lon va considrer ici que lon ne parle que dcoulement en air sec. On occulte volontairement la prsence deau sous forme de vapeur ou de gouttelettes ou tout autre compos chimique ractant ou

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

202

passif et darosols. La prise en compte de ces caractristiques pourra faire lobjet damliorations successives du ltre que lon prsente maintenant. La dynamique du uide atmosphrique est caractrise par lexistence de forces de ottaison et de gradients verticaux de vitesses et de tempratures. Pour un coulement en dimension 3, il faut donc, outre les vitesses, modliser des niveaux de tempratures. En ce qui concerne lobservation il sera alors utile de complter la mesure de la vitesse du uide par une mesure de la temprature. On expose en premier lieu un modle Lagrangien de turbulence strati prvu pour simuler la dispersion des lments innitsimaux dun uide.

8.4.1

Modle Lagrangien de dispersion de Das et Durbin pour un rgime de turbulence stratie

Le modle Lagrangien de turbulence stratie propos par Das et Durbin (2005) pour la dispersion de composants passifs est une amlioration des modles de Pope, avec lutilisation dune quation supplmentaire sur la temprature, un couplage entre les quations et lajout dun terme correspondant aux proprits de ottabilit des uides. Partant dune quation de Langevin identique 3.5 les auteurs cherchent mettre en forme des modles Lagrangiens prenant en compte les eets de stratication induit par la ottabilit dun uide turbulent pesant et proposent des fermetures linaires du second ordre. Ils obtiennent un jeu dEDS de type It pour lesquels ils ajustent les constantes ou les paramtres liants les quations. Prsentons leur modle en utilisant les systmes dacquisition Lagrangien. Cest une reprsentation physique, on doit supposer que toutes les quantits possdent les rgularits susantes, sont direntiables quand il le faut, et ne sannulent pas quand elles se trouvent aux dnominateurs. Soit Qt,x un champ de vecteur dans lespace des phases E et un champ de vitesses Ut,x D E . Ut,x peut tre au besoin une partie des coordonnes de Qt,x . On considre Xtx0 E R3 le ot Lagrangien partant de x0 E . On dispose alors de 2 systmes dacquisition, le premier (Xtx0 , Ut,x ) fournit la vitesse Lagrangienne Vt = Ut,Xtx0 et le second (Xtx0 , Qt,x ) donne le processus dacquisition Lagrangienne Qt . On note q t la uctuation de Qt la moyenne Eulrienne < Q >t,x . On note alors la composante horizontale de la vitesse Lagrangienne du uide

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

203

h Vth = Ut,X x0 , la composante verticale Wt et lacquisition Lagrangienne t du t champ de temprature t,x .

Les modles de Das et Durbin sont relatifs aux uctuations de ces grandeurs Lagrangiennes (Vth , Wt , t ). Il est ncessaire dintroduire un certain nombre dobjets. Soient E h le sous-espace des vitesses horizontales, sous-ensemble de E , E W E le sous espace des vitesses verticales et E E le sous-espace des tempratures avec in ne E = E h E W E . On considre 3 processus de Wiener : B h valeurs dans E h , B W valeurs dans E W et B dans E . Le taux de dissipation turbulente reste not t et lnergie cintique turbulente kt et leurs dnitions sont identiques celles introduites au chapitre 3. Nous dnissons le coecient de ottabilit t par t =
1 <>t,X x0
t

, la temp-

rature est toujours strictement positive, et enn la constante de pesanteur g qui nest porte que par la composante verticale de la vitesse du uide. Le modle h t dv dw d t de Das et Durbin scrit alors
> h 1 t h = C v dt + (C2 1) w dt + (C0 t ) 2 dBt t d<V 2 kt t dz 1 1 t t dt + (C0 t ) 2 dB W w dt + (1 C5 ) t g = C t 2 kt t 1 d<> 1 t 2 dB dt + ( C ) dt w = C1 C t t 2 kt t dz
h 1

(8.46)

o < V h >=< U h >t,Xtx0 , < >=< >t,Xtx0 . Des constantes ont t ajustes exprimentalement, ainsi C2 = 0.6 et C5 = 1/3. Ici C0 nest plus la constante de Kolmogorov mais un paramtre calcul par C0 = 2 <v h w >d < Vh > t g > 1 C1 C2 + C5 <w 3 t dz (8.47)

avec < v h w > la moyenne Eulrienne du produit des uctuations Lagrangiennes h > celle pour Wt et t . C2 , C5 sont des constantes calibres de Vt et Wt et < w C2 = 0.6 et C5 = 1/3. C1 et C1 sont rgles par C1 = max 1.8 , 1 + C2 C = max 2.5 , t g <v h w >d < Vh > > C5 <w t dz t (8.48) (8.49)

1 (C1 + R) 2

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide Le terme C est donn lui par : C = t 2 > 2C1 C1 R < kt

204

(8.50)

2 > la moyenne Eulrienne du carr de la uctuation Lagrangienne de avec < temprature et R = 1.5. On renvoie larticle de Das et Durbin (2005) pour clairer la signication de lensemble des paramtres et des constantes choisies. On y trouvera galement une discussion sur lapport de leur modle par rapport aux modles antrieurs. Pour notre part nous allons dduire de 8.46 un modle Lagrangien strati que lon pourra adapter au problme du ltrage.

8.4.2

Modle Lagrangien de turbulence dduit pour latmosphre sche

Par une simple lecture des termes des quations de dynamique, il est noter que le modle de Das et Durbin est trs proche du modle Lagrangien de Pope pour la turbulence homogne isotrope, seuls ont t rajouts des couplages avec les vitesses verticales pour les composantes horizontales, le couplage avec la temprature pour la vitesse verticale et une quation diagnostique pour la temprature sous forme dun processus dIt coupl la vitesse verticale. On va donc reprendre une partie du travail fait sur ladaptation du modle de Pope simpli. Notre modle donnera lvolution non pas des uctuations mais du quadruplet dtat (Xt , Vth , Wt , t ). On rcrit donc les uctuations comme la dirence entre la quantit Lagrangienne et la moyenne Eulrienne. Pour se rapprocher du travail de S.B. Pope, on rintroduit sur la composante horizontale le gradient de pression horizontal h < p > qui donne le mouvement moyen. On note temporairement d < W > et d < > les direntielles qui vont tre estims de la mme manire que le gradient de pression dans le modle simple par des moyennes dincrments des vitesses et de la temprature. Notre modle Lagrangien pour la turbulence strati sexprime par :

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

205

X dXt = Vt dt + X dBt 1 t (Vth < V h >) dt dVth = h < p > dt C 2 kt 1 h> Vh +(C2 1) (Wt < W >) d<V dt + (C0 t ) 2 dBt dz 1 t (Wt < W >) dt dWt = d < W > C 2 kt 1 W + (1 C5 ) g (t < >) dt + (C0 t ) 2 dBt 1 t dt = d < > C1 C (t < >) dt 2 kt 1 d< > (Wt < W >) dz dt + (C ) 2 dBt X0 = x0 V0 = v0 , W0 = w0 0 = 0

(8.51)

o lon a not Xt la position de llment du uide partie de x0 et la vitesse Lagrangienne totale Vt = (Vth , Wt ). Comme prcdemment, les 2 quantits t et C vont tre approches par des moyennes sur les carrs des incrments en apprenant les caractristiques du uide. Il sagit dune premire adaptation de ce que Das et Durbin ont crit. On va se permettre quelques simplications, dabord en rendant constant un certain nombre de paramtres. C0 redevient la constante universelle de Kolmogorov avec C0 = 2.1. Utilisant le travail de Das et Durbin et les ajustements exprimentaux quils ont montrs, on choisit de prendre C1 = 1.8, C5 = 1/3, C1 = 2.5, C2 = 0.6 et C5 = 1/3. En second lieu, les moyennes Eulriennes sont approches par loprateur de moyenne que lon a construit t. Le coecient de ottabilit t est lui approch directement par linverse de la 1 temprature moyenne locale t (t )(Xt ), t = (t )(Xt ) .
t

Il reste des paramtres cachs lobservation directe, les gradients verticaux d<V h > d<> que lon note par h et , o z signe la dimension verticale. Le t = t = dz dz ltre sera charg de les apprendre, nous dtaillons cela paragraphe 8.4.3. Le modle, bien que plus touu, fait toujours partie de la classe des quations de McKean-Vlasov champ moyen. Sa discrtisation se fait galement par un schma dEuler explicite.

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide On peut crire le systme total en utilisant des notations dj utilises :
h h Ah n = E[Vn Vn1 ] h En = h h 2 E[Vn Vn 1 ] C0 t E[Wn Wn1 ]2 W En = C0 t E[n n1 ]2 C = C0 t

206

AW n = E[Wn Wn1 ] A n = E[n n1 ]

On choisit de modliser et de dnir les nergies cintiques turbulentes pour lhorizontale et pour la verticale de manire dirente pour rendre compte du ca1 h h h 2 W 2 ractre strati : kn =1 ([Vn n (Vn )] )(Xn ) et kn = 2 n ([Wn n (Wn )] )(Xn ). 2 n
2 Pour lquation sur la temprature on choisit dutiliser les modules des kn = h 2 W 2 2 h 2 W 2 (kn ) + (kn ) et des En = (En ) + (En ) .

Munit de ces direntes modlisations, le systme de dynamique est rgi par : X Xn+1 = Xn + Vn t + X Bn h C1 En h h h h h Vn h [Vn n (Vn )(Xn )] t +1 = Vn + An 2 kn h h h 1 2 +(C2 1) [Wn n (Wn )(Xn )] n .t + (C0 En ) Bn W C1 En Wn+1 = Wn + AW W [Wn n (Wn )(Xn )] t n 2 kn W W 1 2 +(1 C5 ) n g [n n (n )(Xn )] t + (C0 En ) Bn (8.52) C E n 1 n+1 = n + A n C1 2 kn [n n (n )(Xn )] t 1 2 [Wn n (Wn )(Xn )] n t + (C ) Bn X 0 = x0 V0h = v0 , W0 = w0 0 = 0 Le modle discret que lon vient dcrire a quelque peu perdu le sens physique que Das et Durbin lui avaient donn, mais il a t prpar pour servir dans un ltre et lon compte sur lobservation du uide pour en retrouver les caractristiques.

8.4.3

Adaptation de lalgorithme particulaire de ltrage pour les uides atmosphriques

Lalgorithme de ltrage reposant sur le systme 8.52 est identique dans sa structure celui servant pour les uides homognes isotropes. Il sagit dassurer

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

207

le couplage entre les systmes dacquisition Lagrangienne, dobservation et le long du chemin du capteur. Par hypothse, on dispose chaque pas de temps n 0 des observations Yn et des boules Bn centres sur la position du capteur Zn E de rayon Rn > 0. On a alors le mme schma dvolution destin contraindre les processus dacquisition vivre dans le systme de boules associ la trajectoire du capteur (Z0 , . . . , Zn ) :
Slection dobservation Bn1 h,Bn1 Bn1 Bn1 Bn1 h,Bn1 Bn1 Bn1 n (Xn , W n (X , Wn1 , n1 ) 1 , Vn1 1 , n1 ) 1 , Vn1 Mutation Slection dans la boule Bn h Bn h,Bn Bn n n, V n n) (X , Wn , (Xn , Vn , Wn , B n )

Les tapes de slection conduites par lobservation et les conditionnements aux suites de boules ne sont pas direntes de celles dcrites dans le cas simple et dtailles dans les paragraphes 8.2.3 pour les lois exactes et 8.3 pour la rsolution particulaire associe. Aussi nous ne rdigeons ici que ltape de mutation et lestimation du noyau de transition conditionnel par des systmes de particules en interaction. i, V 0h,i , W i, i ), distribus A ltape initiale on dispose de N quadruplets (X 0 0 0 selon tous placs dans la boule B = B ( Z , R ) . 0 0 0 0 On se place la n-ime itration aprs ltape de slection aux observations. On i, V h,i , W i, i )1iN . Avec cet ensemble de particules, dispose des particules (X n n n n on estime les paramtres locaux qui viennent dtre slectionns : h,N = t A n N W,N = t A n N t ,N = A n N
N h,i h,i V n [V 1 ] n i=1 N

h,N = t E n N.C0 W,N = t E n N.C0 t N = C N


N

N h,i 2 h,i V n [V 1 ] n i=1 N

i W i ] [W n n1
i=1 N

i W i ]2 [W n n1
i=1

i i [ n n1 ]
i=1

i 2 i [ n n1 ]
i=1

On calcule galement en utilisant lensemble des particules les gradients verticaux moyens locaux qui sont aussi des composantes de grande chelle, h n et n . Pour procder cette estimation on propose de sparer le nuage de particules

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

208

en 2 sous-ensembles, lun tant au-dessus du centre de gravit du nuage, lautre au dessous. On calcule alors la quantit moyenne pour chacun des 2 nuages et la position de leur centre de gravit respectifs. Le gradient est alors estim par le rapport des dirences. Pour le vent horizontal, on obtient les 2 valeurs moyennes V 1,n et V 2,n avec comme hauteurs des centres de gravit X 1,n et X 2,n . De mme pour la temprature on obtient 1,n et 2,n avec les positions sur la verticale X 1,n et X 2,n . On estime alors les gradients moyens sur lensemble des particules par : h,N n = V 2,n V 1,n X 2,n X 1,n 2,n 1,n X 2,n X 1,n
3, 3, 3,h 3,h h h 3, 3, 3,h 3,h h h

(8.53) (8.54)

,N = n

Pour chaque particule on calcule les moyennes locales qui lui sont propres 1 h,i i i i i,N n n n n i i savoir ,i,N (V )(X ), ,i,N (W )(X ), ,i,N ( = ,i,N n n n n )(Xn ) et n i ) mais (
h,i,N W,i,N i,N aussi les nergies cintiques turbulentes kn kn et kn .
n n

On rappelle lexpression de la moyenne rgularise approche pour le vent horizontal : N h,j i j j =1 Vn G (Xn Xn ) ,i,N h,i i n (Vn )(Xn ) = (8.55) N i X k) n n G (X
k=1

o G est le noyau de rgularisation faible de la masse de Dirac. Les autres moyennes sapprochent de manire analogue. Tous les paramtres ont t estims, chaque particule 1 i N suit le modle de dynamique : X X,i i i i X n+1 = Xn + Vn t + Bn h,N n h,i i )] t h,i )(X h,i ,i,N (V n h,N C1 E h,i V h,i,N [Vn +1 = Vn + An n n n 2 kn h,N i ,i,N i i h,i h,N ) 1 2 B +(C2 1) [Wn n (Wn )(Xn )] n .t + (C0 E n n (8.56) W,N i i i i ,i,N i 1 En W,N n n n C )] t +A )( X = W ( W W W,i,N [Wn n n n +1 2 kn W,N 1 i ,i,N i i,N W,i n n i ) 2 Bn )] t + (C0 E (n )(X g [ +(1 C5 ) n n n N ,i,N i n ,N C1 C1 E i )] t i i i (n )(X i,N [n n n n+1 = n + An 2 kn N 1 ,N i ,i,N i i ,i [Wn n (Wn )(Xn )] n t + (C ) 2 Bn

Chapitre 8. Filtre non-linaire pour les mesures mobiles dun uide

209

Cette tape de mutation termine, on conditionne le systme de particules Bn+1 et on obtient le sysla boule suivante Bn+1 par le noyau de slection Sn+1 , Bn ,N
h,i i i i tme (Xn +1 , Vn+1 , Wn+1 , n+1 ) o lon peut slectionner les particules en utilisant h,i i , V n i i la nouvelle observation Yn+1 pour obtenir (X +1 , Wn+1 , n+1 )1iN , ce qui n+1 conclut la description de litration de lalgorithme de ltrage par particules.
n+1

La mthode qui vient dtre dcrite pour ltrer les mesures ralises sur les coulements tridimensionnels atmosphriques devra tre complte dans des travaux venir. Il conviendrait notamment de dtailler les erreurs que lon commet dans nos direntes approximations, ainsi que leur propagation dans le systme de dynamique. En attendant nous avons dcrit nos mthodes destimations, prsent divers ltres pour des coulements homognes isotropes ou pour des uides pesant scoulant en 3 dimensions. Nous pouvons passer aux applications numriques an dillustrer sur des cas simuls ou rels de vents leur capacit ltrer et vrier leur ecacit attendue.

Chapitre 9 Applications aux mesures du vent atmosphrique


Tout au long des chapitres prcdents, nous avons construit les outils thoriques nouveaux et dduit les algorithmes pratiques innovants pour ltrer des mesures prises par un capteur plac dans un milieu alatoire et bruites par le systme de mesure. Nous avons particularis lapplication pour correspondre la mesure des vitesses releves dans un uide turbulent. Ce dernier chapitre est la concrtisation de notre travail et est la fois numrique et exprimental. Nous devons confronter nos ltres des donnes relles. Mais avant cela, il est ncessaire de vrier laptitude de lalgorithme ltrer des mesures simules par un modle identique celui du ltrage. Cette tape permet de sassurer de la pertinence de nos choix. Dans un second temps on pourra tenter la mme exprience sur des donnes relles. Dans ce cas ce sont la fois lalgorithme du ltre et le modle retenu pour simuler la dynamique dans le ltre qui sont valus. Dans chacun des tests, nous utilisons des donnes de rfrence, relles ou simules, supposes parfaites que lon bruite articiellement. Les bruits rajouts numriquement sont btis sur des variables alatoires gaussiennes par simplicit, mais nimporte quelle loi aurait pu tre retenue. Il est alors demand aux divers ltres partant du signal ainsi bruit destimer le signal de rfrence. On conclura ce chapitre exprimental en valuant sur quelques cas les erreurs commises par les ltres que lon propose.

Chapitre 9. Applications aux mesures du vent atmosphrique

211

Nous dbutons par un signal unidimensionnel gnr au moyen du modle Lagrangien simpli de Pope que lon perturbe et que le ltre doit dbruiter.

9.1

Filtrage de vitesses unidimensionnelles simules


Simulation des vitesses dun uide en coulement unidimensionnel

9.1.1

Cette premire application dmarre par la simulation dun signal unidimensionnel utilisant le modle simpli pour la turbulence homogne isotrope. Pour gnrer la donne on reprend le systme 8.18 et on se munit dun systme de particules voluant de manire a priori. Pour alimenter le systme, il est ncessaire de produire une srie de commandes An = E(n ) et En = E(n ). Pour le terme An on choisit de construire un signal compos de plusieurs sinusodes de priodes direntes. Pour le terme En il faut procder de manire plus raliste. Dans la littrature physique, voir Frisch (1995), on saperoit que le taux de dissipation turbulente dun uide fournit une srie temporelle caractristique. On propose de simuler cette variable par les incrments dun processus de Lvy -stable croissant. Ainsi la srie temporelle dduite est positive presque srement non nulle. Ce type de processus est la somme de sauts damplitude appartenant [0, [, souvent petits mais pouvant prendre de grandes valeurs par moments en fonction de . En utilisant les incrments dun tel processus, pourvu quon ait limin les sauts damplitude innie, on retrouve lallure des sries temporelles des taux de dissipation turbulentes. Soit la mesure de Lvy unilatrale dordre [0, 1[ dnie sur [0, [ par (dx) = dx x1+

On peut dnir le processus de Lvy Lt par sa fonction caractristique :

Lt (u) = exp t
0

(exp(i.u.x) 1) (dx))

(9.1)

Chapitre 9. Applications aux mesures du vent atmosphrique

212

Pour simuler ce processus il faut supprimer les petits sauts arrivant trop frquemment, cest dire avec une frquence innie, et lon restreint (dx) lintervalle [, [ avec le paramtre de cut-o > 0. On obtient par un calcul immdiat 1 (dx) = . La restriction est alors la somme de processus de Poisson marqus 1 de paramtre = et de loi de densit x1+ . La simulation discrte du processus de Lvy de cut-o se fait alors par la mthode dinversion de la fonction de rpartition. On retient alors pour En les 1 incrments du processus simul. Pour lexprience numrique on retient = 2 et 3 = 10 . La gure 9.1 montre un exemple de telles simulations. La srie des En a bien lallure que lon attend pour une srie temporelle de taux de dissipation turbulent, avec des pics dintensit et de frquence variable et restant suprieure une valeur moyenne non nulle.
i i On utilise pour tout instant n > 0 un systme de N particules (Xn , Vn )1iN . i i A linstant initial on distribue (X0 , V0 ) selon une loi normale centre sur x0 R et V0 R. Les particules sont en interaction par le champ moyen et voluent selon lquation de dynamique : i i i X X,i Xn+1 = Xn + Vn t + n Wn En i ,i,N i i i i (Vn Vn )(Xn )] t (9.2) i [Vn n +1 = Vn + An C1 kn V,i C0 .En Wn + i X,i i i avec ,i,N (Vn est donn par 8.44 et les Wn et )(Xn ) telle que dni en 8.43, kn n V,i Wn sont des processus de Wiener standard.

A chaque pas de temps on prend la moyenne empirique des vitesses des partiN 1 i cules pour former Vn = N i=1 Vn la vitesse locale simule pour notre coulement 1D de commande An et En . Pour lapplication numrique on utilise un systme de 300 particules. On initialise lalgorithme autour de 0 pour les positions et 2 pour les vitesses. Comme commande, on se sert des simulations prsentes gure 9.1 et on obtient un signal 1D quillustre les 2 graphiques 9.2. Lallure de ces graphiques est semblable aux mesures relles pratiques sur un uide. La vue de dtail permet de voir des eets dintermittence que lon a cherch reproduire en utilisant le processus de Lvy pour la commande En . Comme nous travaillons dans le domaine de la turbulence homogne, on peut confronter cette simulation K41 et notamment vrier que le spectre de puissance des vitesses suit en diagramme logarithmique une pente en 5/3. On note sur

Chapitre 9. Applications aux mesures du vent atmosphrique

213

450 400 350 300 250 200 150 100 50 0 0 1 2 3 4 5 6 7 8 9 10

0.12

0.10

0.08

0.06

0.04

0.02

0.00 0 1000 2000 3000 4000 5000 6000

1.3 1.2 1.1 1.0 0.9 0.8 0.7 0.6 0 1000 2000 3000 4000 5000 6000

Fig. 9.1 Exemple de simulation dun processus de Lvy -stable de paramtre 1 = 2 et du processus E(n ). En haut la srie temporelle du processus de Lvy croissant et au milieu celle de ses incrments En et en bas une srie pour la commande An .

Chapitre 9. Applications aux mesures du vent atmosphrique

214

2.6 2.4 2.2 2.0 1.8 1.6 1.4 1.2 1.0 0 1000 2000 3000 4000 5000 6000

1.7

1.6

1.5

1.4

1.3

1.2

1.1 4200

4400

4600

4800

5000

5200

5400

5600

5800

6000

Fig. 9.2 Exemple de simulation des vitesses dun uide en coulement unidimensionnel. En haut la srie temporelle complte et en bas un dtail montrant des passages intermittents.

Chapitre 9. Applications aux mesures du vent atmosphrique

215

la gure 9.3, en haut, que le spectre de puissance relve lgrement la queue, signe de la prsence dun peu dintermittence dans le signal. Pour le vrier on peut examiner en 9.3 en bas lhistogramme empirique des incrments de vitesses, Lagrangiens et forcment longitudinaux. On y voit avec la courbe en rouge que lallure gaussienne est globalement respecte, mais que les queues de la distribution empiriques sont un peu plus lourdes, ce qui conrme que notre simulation a gnr un peu du phnomne dintermittence. Ces simulations peuvent nous servir de base pour tester notre ltre particulaire.

9.1.2

Filtrage des vitesses dun uide 1D simul

On utilise des signaux numriques tels que lon vient de les construire et on leur ajoute un bruit, que lon prend gaussien en premire intention. Cet exercice somme tout acadmique demande alors au ltre de retrouver le signal de rfrence en observant le signal bruit et permet de tester notre algorithme en lui-mme. Tant pour la simulation du signal rfrant que pour ltape de mutation du ltrage, on utilise le systme 9.2. On a bien l un test de la procdure de ltrage. Le fait davoir pris un bruit dobservation gaussien est un handicap dans le cas prsent. On la vu sur la gure 9.3 les incrments de vitesses sont proches dune distribution gaussienne. Cette gaussianit du bruit dobservation rend paradoxalement le ltrage plus dicile. Le couplage entre les systmes dacquisition Lagrangien et dobservation donne une dynamique champ moyen conditionne par les observations. Le ltre associ ce type de problme reprend les direntes tapes dcrites dans le chapitre prcdent, avec le modle de dynamique donn par 9.2 et une slection gntique suivant le noyau 8.40. Dans cette application, on choisit un bruit dobservation de variance 1/4, un systme de 300 particules, des particules initialises autour de la premire observation par une gaussienne centre rduite et des positions distribues autour de lorigine. Le pas de temps est arbitrairement x 1/20 de seconde pour se rapprocher des cas rels que lon verra par la suite. Le rayon des boules autour du capteur pour conditionner les particules la trajectoire de celui ci est un problme. Nous navons pas de rgle physique ou thorique nous permettant de le dterminer a priori. Ce sujet est dailleurs lune

Chapitre 9. Applications aux mesures du vent atmosphrique

216

10

10

20

30

40

50
2 1 0 1

10

10

10

10

25

20

15

10

0 0.20

0.15

0.10

0.05

0.00

0.05

0.10

0.15

0.20

Fig. 9.3 En haut le spectre de puissance des vitesses du uide que lon a simul avec en bleu fonc la pente en 5/3 caractristique de la turbulence homogne isotrope. En bas lhistogramme empirique des incrments des vitesses superpos en vert de la courbe dune loi normale centre.

Chapitre 9. Applications aux mesures du vent atmosphrique

217

2.4 2.2 2.0 1.8

2.6 2.4 2.2 2.0 1.8

1.6 1.6 1.4 1.2 1.0 1.4 1.2 0 1000 2000 3000 4000 5000 6000 7000 1.0 0 1000 2000 3000 4000 5000 6000 7000

1.60 1.55 1.50 1.45 1.40 1.35 1.30 1.25 1.20 1.15 1.10 4000 4500 5000 5500
1.7 1.6 1.5 1.4

60001.3
1.2 1.1 5500

6500

5550

5600

5650

5700

5750

5800

5850

Fig. 9.4 En haut une srie temporelle de vent simul avec droite le bruit dobservation rajout en cyan. En bas, en rouge, le rsultat du ltrage sur le dernier tiers de la srie avec un dtail montrant le bon suivi du ltre particulaire malgr les fortes perturbations.

Chapitre 9. Applications aux mesures du vent atmosphrique

218

des voies damlioration de notre algorithme de ltrage. Nous prenons donc ici un rayon constant arbitrairement x 1. Pour cet exemple, et ce sera toujours le cas dans ce mmoire, la variance du bruit dobservation est suppose connue. Mais dans un cadre plus gnral cette hypothse nest pas ncessaire et le ltre peut apprendre cette variance en la considrant comme un tat cach du systme dobservation. Cette apprentissage alourdit nanmoins les calculs, et nous avons prfr le considrer ici comme une donne du problme. Le code Scilab de cette partie est donn en annexe C. Sur la gure 9.4, on peut voir en haut gauche le signal de rfrence avec droite le signal bruit numriquement. En bas de cette gure, on a en rouge le rsultat du ltrage, avec une vue de dtail sur un moment contenant un battement caractristique de lintermittence. On note que les structures mmes rapides sont respectes avec des dynamiques semblables. Par le ltrage on a obtenu une ralisation possible de lcoulement tant donn les paramtres du milieu que lon a appris, cest la dirence que lon remarque entre le signal de rfrence et le signal estim par ltrage. Les pics que lon peut observer a et l sont des moments o le ltre suit le bruit qui a une dynamique proche de celle de la turbulence et le battement est alors considr comme plausible. Le rsultat du ltrage peut sexaminer sur la srie temporelle, mais aussi, et surtout dans le cas des vitesses dun uide turbulent, sur le diagramme du spectre de puissance quillustre la gure 9.5. En cyan le spectre de puissance (DSP) du signal bruit. On note que ds 0.2 Hz la ligne spectrale saplatit pour ne montrer quun bruit blanc. On a en noir la DSP retrouver et en rouge la restitution du ltre particulaire. Le ltre a donc retrouv correctement la cascade spectrale avec les bons niveaux dnergie. Les pentes sont respectes et sont comparables la droite verte de pente 5/3. Les structures de la DSP sont retrouves et on peut noter vers 0.4 Hz le bon accord entre laspect du spectre ltr et celui de rfrence. Fort de ce premier succs sur un signal synthtique, on peut chercher ltrer un signal rel issu de mesures atmosphriques dont on ne prend quune seul composante.

Chapitre 9. Applications aux mesures du vent atmosphrique

219

Densit Spectrale de Puissance 1024 points 0 5 10 15


DSP (dB)

20 25 30 35 40 45 50 10
2

Vent original 10 Vent filtr Vent bruit

1
frquence (Hz)

5/3 10

10

Fig. 9.5 Densit spectrale de puissance pour le signal bruit en cyan, le signal de rfrence retrouver en noir et le signal ltr en rouge. La droite verte correspond la pente en 5/3 de K41.

9.2
9.2.1

Filtrage dune composante de vent rel


Les donnes anmomtriques exprimentales en atmosphre relle

Pour pouvoir traiter des mesures relles nous avons cherch des donnes rputes de qualit, cest dire ne comprenant pas de bruits instrumentaux. Le chapitre sur les systmes dacquisition nous a convaincu de la ncessit de possder des chantillonnages serrs et donc davoir des capteurs rapides. Pour obtenir ces donnes haute cadence, notre choix sest port vers des anmomtres soniques qui ont galement la particularit dtre non intrusifs et ne perturbent pas lcoulement dans le domaine de mesure. Le lecteur avide de technologie peut se reporter la page internet du fabricant qui a conu et industrialis le Gill Solent HS Research Sonic Anemometer que nous utiliserons. Ce capteur permet dobtenir les 3 composantes du vent (2 composantes horizontales et 1 verticale). Par sa technologie il fournit galement une mesure de la temprature. Nous reviendrons sur ce point dans la section 9.4. Les donnes seront, soit issues dun site de mesures oprationnelles SaintSardos dans le Tarn et Garonne dans le cadre de la campagne exprimentale CarboEurope, soit issues dun mt de mesures du vent que lquipe 4M du CNRM-

Chapitre 9. Applications aux mesures du vent atmosphrique

220

Toulouse a implant notre demande sur le site de Mto-France Toulouse. Le site exprimental de Toulouse tait motiv par le besoin de surveiller le systme de mesure an dobtenir des donnes assurment sans perturbations instrumentales. Sur le site de Saint-Sardos les mesures ont t ralises une frquence de 20 Hz alors que sur le site exprimental de Mto-France Toulouse elles se sont tages entre 5 et 50 Hz. Dans les 2 cas, les capteurs sont placs 10 m pour se trouver hors de la couche limite de surface. Dans cette premire tape exprimentale, les capteurs sont rests xes. Pour une seconde phase il est projet de raliser des mesures mobiles, mais la faisabilit et le protocole de mesures nont ce jour pas encore permis de procder cette seconde campagne qui ncessite de prendre des prcautions particulires pour obtenir des donnes sans bruit.

9.2.2

Filtrage de donnes unidimensionnelles relles

Pour lapplication de ce paragraphe, on enregistre des donnes de vent relles. Les vitesses recueillies sont dcomposes sur les 3 axes horizontaux et vertical. Dans le domaine de la mesure et la vitesse dchantillonnage que lon a choisi latmosphre peut tre considre comme tant homogne et isotrope sur le plan horizontal. On ne considre quune seule composante horizontale. Pour lapplication numrique on slectionne linstant de lexprience au hasard dans la base de donnes exprimentale en ne vriant que la qualit du signal qui nous servira de rfrence. On ajoute alors au signal rel un bruit numrique. On le choisit de nouveau Gaussien et on prend un cart-type de 1/3. On se donne un ensemble de 300 particules que lon initialise autour de la premire observation. La mthode et lalgorithme sont alors en tout point quivalent ceux que lon a prsent pour le dbruitage de donnes simules. La gure 9.6 illustre les sries temporelles pour le signal de rfrence estimer en noir, le signal bruit introduit dans le ltre en cyan, et les vitesses estimes par notre algorithme particulaire en rouge. Avec le mme code couleur, lillustration 9.7 montre les densits spectrales de puissance pour les 3 signaux. Il est remarquable de voir laccord entre le signal turbulent rel et ce qua

Chapitre 9. Applications aux mesures du vent atmosphrique

221

0 1 2 3 4 5 6 7 0 500 1000 1500 2000 2500 3000

1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 1400

1600

1800

2000

2200

2400

2600

Fig. 9.6 Filtrage dun vent 1D rel 20 Hz mesur sur le site de Saint-Sardos le 10 janvier 2005 entre 12h00 et 12h03 UTC ltr par algorithme particulaire conditionnel avec 300 particules. En pointill bleu le signal bruit, en noir le signal de rfrence et en rouge le vent estim.

Chapitre 9. Applications aux mesures du vent atmosphrique

222

20 10 0 10 20 30 40 50
2 1 0 1

10

10

10

10

Fig. 9.7 Densit spectrale de puissance pour le signal bruit en cyan, le signal rel retrouver en noir et le signal ltr en rouge. La droite verte correspond la pente en 5/3 de K41. restitu le ltre que nous avons dvelopp. Il semble que le modle propos par S.B. Pope pour la turbulence homogne isotrope ait une certaine pertinence pour latmosphre lchelle de nos mesures. Il ne sagissait pas de vrier le bienfond de cette modlisation par son utilisation dans un ltre, mais cela peut nous rassurer sur la possibilit duser des modles Lagrangiens pour ltrer des mesures exprimentales ralises dans latmosphre relle. La gure 9.6 permet de voir que le ltre rend la trajectoire dune ralisation possible des vitesses. On note quil y a toujours ces pics des instants o lalgorithme a trop suivi les bruits. La DSP dlivre par notre ltre non-linaire permet de revenir aux bons niveaux dnergie avec une pente qui respecte la loi en puissance de Kolmogorov. On peut alors modier lgrement lalgorithme de traitement pour pouvoir passer aux mesures bidimensionnelles.

Chapitre 9. Applications aux mesures du vent atmosphrique

223

9.3
9.3.1

Filtrage dun vent bidimensionnel rel


Filtrage dun vent horizontal dans un cas standard

Dans latmosphre la vitesse verticale du uide a une dynamique dirente des composantes horizontales. Cette dirence vient du phnomne de ottaison des lments de uide et de stratication thermique. On peut alors imaginer pouvoir traiter le vent horizontal de faon autonome en considrant lcoulement bidimensionnel. A lchelle de mesure, sur le plan horizontal le uide est isotrope. Cet argument peut amener une facilit en traitant indpendamment les mesures bruites par le ltre unidimensionnel dont on a montr la validit. Cette simplication permet un traitement immdiat sans travail supplmentaire mais ne permet pas de proter de la nature du uide bidimensionnel. Pour tirer parti de lcoulement 2D on propose dcrire le modle de dynamique pour les particules avec une nergie cintique turbulente kn et un taux de dissipation turbulente n identiques sur les 2 coordonnes. De plus on propose une slection de la particule sur les 2 composantes de vitesses en mme temps (contrairement la technique simple qui pouvait slectionner une composante de vitesse dune particule et en redistribuer lautre). En notant les 2 composantes horizontales de la vitesse au n-ime instant (Un , Vn ), le modle de dynamique scrit : U,i U,i i U X,U,i Xn +1 = Xn + Un t + n Wn V,i V,i i V X,V,i Xn+1 = Xn + Vn t + n Wn En Ui i ,i,N i U,i i U (Un )(Xn )] t i [Un n n+1 = Un + An C1 kn (9.3) U,i C0 .En Wn + En i i V i ,i,N i V,i (Vn )(Xn )] t Vn i [Vn n +1 = Vn + An C1 kn V,i C0 .En Wn +
V U ), lquation associe est , Yn En crivant lobservation Yn = (Yn Y,U Y,U U .Wn = H (Un ) + n Yn Y,V Y,V V .Wn = H (Vn ) + n Yn

(9.4)

Y,V Y,U sont des processus de Wiener standard. et Wn o pour tout instant n, Wn

Chapitre 9. Applications aux mesures du vent atmosphrique

224

1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 1400 1500 1600 1700 1800 1900 2000 2100 4.0 3.5 3.0 2.5 2.0 1.5 1.0 0.5 0.0 0.5 1400 1500 1600 1700 1800 1900 2000 2100

20 10 0 10 20 30 402 10 20 10 0 10 20 30 402 10
1 0 1 1 0 1

10

10
DSP V du vent

10

10

10

10

Fig. 9.8 Sries temporelles et densit spectrale de puissance pour un signal bidimensionnel. En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Sur le diagramme des DSP est rajout une droite de couleur verte de pente en 5/3. Le ltrage utilise 300 particules.
+(Yn Le potentiel de slection est alors Gn (Un , Vn ) = exp( (Yn Un )2. Y n Y 2 Y,U 2 Y,V 2 (n ) = (n ) + (n ).
U 2 V

Vn )2

) avec

En pratique sur un jeu de donnes relles sont extraites les 2 composantes horizontales et il leur est ajout numriquement le bruit dobservation. On demande alors au ltre destimer ltat observ et on le compare au signal de rfrence. Lapplication numrique utilise le mme jeu de donnes que pour le paragraphe 9.2.2, soit les mesures de la station de Saint-Sardos le 10 janvier 2005 entre 12h00 et 12h03. Le ltre conditionnel opre avec un ensemble de 300 particules. On illustre cette application sur la gure 9.8 qui montre un extrait des sries temporelles bruites, ltres et relles, ainsi que leur densits spectrales de puissance respectives. Graphiquement les rsultats du ltre sont du mme niveau de qualit que pour le cas unidimensionnel trait auparavant. Nanmoins on peut remarquer que les spectres des signaux estims restent dans les frquences les plus

Chapitre 9. Applications aux mesures du vent atmosphrique

225

hautes au dessus du spectre de rfrence. Cest un signe dexcs dnergie dans ces frquences l que lon peut attribuer la dicult de sparer des bruits dobservation et de dynamique quivalents ainsi quau modle qui en dimension 2 dans latmosphre ne prend pas en compte tous les phnomnes physiques, notamment les ajustements dus aux forces de gravit.

9.3.2

Variations sur le ltrage du vent en dimension 2

On prote de cet exemple qui se rapproche de la physique avec des cots numriques encore raisonnables pour tester lalgorithme dans direntes congurations de bruit dobservation. Ces bruits seront choisis pour avoir des caractristiques se rapprochant de la ralit, par exemple en tant Gaussiens auto-rgressifs ou Gaussiens et blancs avec une variance dpendant des niveaux de turbulence atteints.

Dans le cas de bruits colors Gaussiens, la gure 9.9 montre les spectres de puissance des bruits colors qui ont t rajouts sur les 2 composantes horizontales du vent. Pour ce cas nous avons repris les mesures de la station de Saint-Sardos le 10 janvier 2005 entre 12h00 et 12h03 et utilis 300 particules. Les sries temporelles et les DSP des signaux bruits, de rfrence et estims sont montrs sur la reprsentation 9.10. Laccord entre les vitesses estimes et les vitesses de rfrence reste trs bon, la correction spectrale est spectaculaire. Davoir chang le type de bruit dobservation en le rendant dirent du bruit de dynamique ( cette chelle de mesure) a amlior la sparation entre le signal et le bruit. On peut alors varier le bruit dobservation et le rendre dpendant de la variance des vitesses sur dans un intervalle de longueur nie. Ce type de bruit est proportionnel au niveau de turbulence, et sapparente ce que lon peut trouver exprimentalement lors de mesures mobiles dans la nature. Pour lapplication numrique nous avons choisi des mesures ralises sur le site de Mto-France le 26 Juillet 2006 19h30 UTC. Cette srie a t retenue pour montrer une variation de niveau dans la turbulence de lcoulement. La gure 9.11 montre les sries temporelles et les DSP des 3 signaux, bruits rels et estims, avec un ltre conditionnel de 300 particules. Ce type de bruit est plus dlicat ltrer car il dpend de la bonne estimation des vitesses sur lintervalle de calcul de la variance qui entre en compte dans celle du bruit dobservation. On peut dire que spectralement la rponse est correcte, on retrouve le spectre initial. Sur les sries temporelles on voit que le suivi est un peu plus perturb, avec vers la n de la srie temporelle, quand la turbulence devient faible, un trop grand maintien de lagitation turbulente par

Chapitre 9. Applications aux mesures du vent atmosphrique

226

4 6 8 10 12 14

10

15 16 18 20 22 24 26
2 1 0 1 2

20

25

30
2 1 0 1 2

10

10

10

10

10

10

10

10

10

10

Fig. 9.9 Spectres de puissance des bruits autorgressifs pour chacune des composantes horizontales U et V .

0 1 2 3 4 5 6 7 0 500 1000 1500 2000 2500 3000

20 10 0 10 20 30 402 10 20 10 0 10 20 30 0 500 1000 1500 2000 2500 3000 402 10


1 0 1 2 1 0 1 2

10

10

10

10

3.5 3.0 2.5 2.0 1.5 1.0 0.5 0.0

10

10

10

10

Fig. 9.10 Sries temporelles et densit spectrale de puissance pour un signal bidimensionnel avec un bruit autorgressif. En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Le ltrage utilise 300 particules.

Chapitre 9. Applications aux mesures du vent atmosphrique

227

0 1 2 3 4 5 6 0 200 400 600 800 100012001400160018002000

10 5 0 5 10 15 20 25 30 35 402 10 10 5 0 5 10 15 20 25 30 35 402 10

10

10

10

2.0 1.5 1.0 0.5 0.0 0.5 1.0 1.5 2.0 0 200 400 600 800 100012001400160018002000

10

10

10

Fig. 9.11 Sries temporelles et densit spectrale de puissance pour un bruit dpendant du niveau de turbulence. En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Le ltrage utilise 300 particules. notre ltre. Nous allons reparler du cas des coulements laminaires un peu plus bas. Pour continuer les tests sur notre ltre, on propose ensuite de comparer sur une mme srie le rsultat du ltre conditionnel et le rsultat obtenu par le ltre que lon peut coder en utilisant des mutations selon les lois a priori.

Ce ltre est relativement dirent de notre ltre conditionnel. En eet, nous sommes dans la situation dune dynamique champ moyen avec commande (sans modle Markovien pour la commande) et les lois du champ moyen sont conditionnes la ralisation de celle-ci. Comme la montr le chapitre 6, il faut dans ce cas faire tourner un ensemble de M systmes de d particules pour apprendre la loi du uide a priori et faire le ltrage sur un systme indpendant dont les N particules voluent selon la loi apprise. Le ltrage et la slection se font sur ce systme supplmentaire. Nous maintenons une tape de localisation pour maintenir le couplage avec le capteur.

Chapitre 9. Applications aux mesures du vent atmosphrique

228

1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 0 100 200 300 400 500 600 700

20 10 0 10 20 30 40 502 10 10 0 10 20 30 40
0 100 200 300 400 500 600 700
1 0 1

10

10

10

1.0 0.5 0.0 0.5 1.0 1.5 2.0 2.5

502 10

10

10

10

Fig. 9.12 Sries temporelles et densit spectrale de puissance pour des vitesses bidimensionnelles traites par le ltre usant de mutation de loi a priori. Le ltrage utilise 70 systmes de 300 particules. Pour lapplication numrique nous choisissons de prendre 70 systmes de 100 particules. Nous utilisons les donnes du site de Toulouse du 26 Juillet 2006 19h30 UTC que lon bruite dun bruit blanc Gaussien dcart-type 1/3. Lillustration 9.12 montre les sries temporelles et les DSP obtenues par ce ltre a priori. Sur la gure 9.13 la mme squence de vent mais ltre par le ltre conditionnel avec 300 particules. Sur les spectres de puissance on peut voir que le ltrage conditionnel a une meilleure cascade dnergie par rapport au ltre a priori qui semble voir les dtails ns avec moins dacuit. Le ltre conditionnel est relativement robuste, il est possible de le faire agir sur des donnes issues de dirents moments dune journe. Mais on rencontre une dicult lorsque le vent faiblit, que la turbulence se rduit et que lcoulement devient trop laminaire. Dans ce cas, le signal restitu est trop turbulent . Ce fait vient de la nature essentiellement turbulente du modle de Pope, ce qua montr le paragraphe 8.1.4 et le ltre particulaire reposant sur cette dynamique considre le bruit dobservation en partie comme de lagitation turbulente.

Chapitre 9. Applications aux mesures du vent atmosphrique

229

-1.5 -2.0 -2.5 -3.0 -3.5 -4.0 -4.5 -5.0 0 100 200 300 400 500 600 700

20 10 0 -10 -20 -30 -40 -50 -2 10 10 0 -10 -20 -30 -40


0 100 200 300 400 500 600 700
-1 0 1

10

10

10

1.0 0.5 0.0 -0.5 -1.0 -1.5 -2.0 -2.5

-50 -2 10

-1

10

10

10

Fig. 9.13 Sries temporelles et densit spectrale de puissance pour des vitesses bidimensionnelles traites par le ltre conditionnel. Le ltrage utilise 300 particules.

Chapitre 9. Applications aux mesures du vent atmosphrique

230

0 1 2 3 4 5 6 0 100 200 300 400 500 600 700 800 9001000

10 5 0 5 10 15 20 25 30 35 402 10 0 5 10 15 20 25 30 35 402 10

10

10

10

1.5 1.0 0.5 0.0 0.5 1.0 1.5 2.0 2.5

0 100 200 300 400 500 600 700 800 9001000

10

10

10

Fig. 9.14 Sries temporelles et densit spectrale de puissance pour un coulement laminaire puis devenant turbulent. En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Le ltrage utilise 300 particules

Pour illustrer sur un cas pratique, nous reprenons les donnes du 26 Juillet 2006 sur le site de Toulouse en nous plaant 19h15 UTC. On rajoute la mesure de rfrence un bruit blanc Gaussien de variance 1/9. Lalgorithme conditionnel avec 300 particules est utilis pour ltrer. Les rsultats sont montrs sur la gure 9.14. Les mesures de rfrence montrent que la premire partie du signal est relativement laminaire alors que la seconde est plus turbulente. On voit que, par construction, le ltre surestime le niveau de turbulence et retrouve des estimes correctes dans la seconde partie. Les spectres pris sur lensemble des 2 pisodes montrent que la correction spectrale a t satisfaisante. Cest ici une limite structurelle de notre modle. Pour palier cette faiblesse, il conviendrait de modier les constantes du modle comme le font Das et Durbin pour devenir des fonctions o entrent en jeu lnergie cintique kn et le taux de dissipation turbulent n . Ces dirents essais ont permis de voir lecacit du ltre conditionnel, de noter son intrt conceptuel et son avantage en terme de cots de calculs. Son

Chapitre 9. Applications aux mesures du vent atmosphrique

231

amlioration naturelle sera lintroduction des forces de pesanteur et pour se faire il faut passer au problme de lcoulement de dimension 3.

9.4

Filtrage de la temprature et dun vent rel tridimensionnel

Dans latmosphre il existe dirents phnomnes amenant des mouvements turbulents dsordonns et des mouvements ordonns, orients dans des directions dtermines. Ces phnomnes ont des origines diverses, comme la rgulation des champs de pression de grandes chelles, le transport dnergie par les masses dair humide, la convection due aux chauages des surfaces par le rayonnement solaire, lexpression des forces dArchimde sur les lments uides ou dans une autre gamme dchelle les forces de Coriolis pour les dplacements synoptiques. Pour lexprience numrique qui vient, nous nous limitons au domaine de la turbulence dchelle mtrique qui, avec les cadences de mesures ralises, peut tre considre comme localement homogne. Il y a dans cette gamme dchelle une dirence de comportement entre les vitesses dans le plan horizontal et la vitesse verticale. Cette dernire est impacte par les forces de ottabilit dues aux dirences de temprature sur la verticale. Il est ncessaire denrichir le modle simpli de Pope pour prendre en compte ces couplages entre les vitesses des lments du uide et leur temprature. Au paragraphe 8.4.2, nous avons dduit du modle de turbulence stratie de Das et Durbin nos modles comportementaux pour les coulements atmosphriques puis dans la section 8.4.3 nous avons dcrit les algorithmes particulaires pour ltrer ce type de mesures. Les vecteurs dtat comportent alors les 3 composantes de la vitesses du uide et la temprature. Il est alors pertinent de mesurer la temprature du uide en mme temps que le vent. Instrumentalement il faut que les mesures soient colocalises an de ne pas avoir de dphasages entre les donnes. Ce dphasage est alatoire et dpend de la vitesse du uide lui-mme. Il est possible de le supprimer automatiquement mais le dcalage repose sur des transformes de Fourier et utilise la force moyenne du vent dans un intervalle susamment long pour que les FFT ne soient pas trop perturbes par les eets de bord. In ne le recalage automatique introduit des erreurs de mesures diciles supprimer ensuite. Pour des applications futures

Chapitre 9. Applications aux mesures du vent atmosphrique

232

on pourra dans la modlisation dun ensemble de capteurs prendre en compte les mesures non colocalises, mais en traitant les dcalages dans le modle de dynamique que lon fait voluer au pas de temps le plus n. Pour notre application numrique nous avons prfr utiliser les mesures de temprature ralises par les anmomtres soniques eux-mmes. Mesurer une temprature par ce type dinstrument nest pas forcment optimal. Mais en rduisant les frquences de mesures pour limiter les perturbations et en choisissant des moments de la journe o la mesure de temprature est de meilleure qualit, on obtient des valeurs colocalises, synchronises, avec le meilleur compromis instrumental, pouvant servir de rfrence pour les tempratures. Dans la suite les dirents exemples reposeront sur les donnes recueillies sur le site de Mto-France Toulouse le 30 Aot 2006 avec des mesures instrumentales 50 Hz ramenes numriquement 5 Hz par un ltrage des frquences au dessus de 5 Hz par la mthode de Fourier suivie dune dcimation des donnes. Le vent de rfrence est donc lui aussi 5 Hz. Dans chacun des cas, nous avons choisi de perturber les donnes par un bruit Gaussien dont la variance dpend du niveau de turbulence, choix qui nous parait correspondre le mieux aux perturbations que subissent les systmes de mesures mobiles. Dans toutes les illustrations le ltre conditionnel utilise 800 particules et est initialis sur chacune des 4 composantes par des Gaussiennes centres rduites. Les tapes du ltre sont les mmes que dans les cas uni ou bidimensionnel, on ajoute seulement lors de ltape de mutation le calcul des gradients verticaux par la mthode propose en 8.53. Le premier exemple utilise des mesures ralises entre 17h00 et 17h10 UTC. On montre sur les gures 9.15 et 9.16 les sries temporelles et densits spectrales de puissance pour les signaux bruites en cyan, de rfrence en noir et ltrs en rouge. Le ltre reoit un signal assez fortement bruit par moment, le suivi du ltre est relativement correct avec par endroit quelques dcrochages notamment sur la temprature. Les spectres sont nettement corrigs reproduisant les bons niveaux dnergie avec des cascades satisfaisantes. Ce rsultat est rassurant, le modle tridimensionnel que lon a construit est valable pour ltrer un signal dans latmosphre. Linitialisation de la composante temprature des particules par des Gaussiennes ne sest pas fait sans heurt et le ltre a appris le milieu et corrig les niveaux de temprature de nos particules. Sans lavoir tudi, on peut augurer dune certaine stabilit du ltre particulaire bti sur le modle de Das et Durbin. Il y a des eets de couplages entre les composantes, mais les erreurs commises sur

Chapitre 9. Applications aux mesures du vent atmosphrique

233

8 6

20 10

4 2 0 2 4 0 500 1000 1500 2000 2500 3000 3500

0 10 20
3 2 1 0 1

10 15 10 5 0 5 10 15 20 25

10

10

10

10

6 4 2 0 2 4 6 0 500 1000 1500 2000 2500 3000 3500

10

10

10

10

10

Fig. 9.15 Sries temporelles et densit spectrale de puissance pour le vent horizontal dans un coulement atmosphrique de dimension 3 (composante U en haut, V en bas). En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Le ltrage utilise 800 particules lune dentre elles ne se rpercutent que peu sur les estimes des autres. Lallure des 4 sries temporelles est caractristique et montre les dirences de comportement entre les sries de vents horizontaux, de la vitesse verticale et de la temprature. Pour la temprature nous sommes aux limites de rsolution du capteur sonique pour ce paramtre et malgr nos prcautions nous ne pouvons assurer la pertinence de la temprature de rfrence. Si les estims sur les paramtres dtat nous paraissent avoir un sens physique, on peut extraire de la squence de ltrage les quantits utilises dans le modle de dynamique et montrer ce qui est la meilleure estime de chacun dentre eux. En y mettant les guillemets ncessaires, le ltrage nous a permis de fournir une estimation haute cadence des paramtres caractristiques de la turbulence (les guillemets portent sur lexactitude et la pertinence physique du modle de dynamique au travers duquel ces quantits sont values). Sur la gure 9.17 en haut gauche on trouve la srie temporelle pour le paramtre En qui sapparente un taux de dissipation de la turbulence. Par abus de langage, on nommera cette srie

Chapitre 9. Applications aux mesures du vent atmosphrique

234

4 3 2 1 0 1 2 3 4 0 500 1000 1500 2000 2500 3000 3500

10 5 0 5 10 15 20 25
3 2 1 0 1

10 5 0 5 10 15 20 25 30 35 10

10

10

10

10

295.8 295.6 295.4 295.2 295.0 294.8 294.6 294.4 294.2 294.0 293.8 293.6

500 1000 1500 2000 2500 3000 3500

10

10

10

10

Fig. 9.16 Sries temporelles et densit spectrale de puissance pour le vent vertical et la temprature dans un coulement atmosphrique de dimension 3(composante W du vent en haut, temprature en bas). En cyan le signal bruit, en noir le signal rel retrouver et en rouge le signal ltr. Le ltrage utilise 800 particules

Chapitre 9. Applications aux mesures du vent atmosphrique

235

taux de dissipation turbulente . En haut droite sur un plan horizontal le long de la trajectoire nous avons plac les composantes horizontales de An qui sont lies h < p > dt. Sur cette image on peut remarquer lbauche de structures tourbillonnaires. Au milieu et en bas de 9.17 on voit les valeurs retenues pour les n n n gradients verticaux dU , dV et d ainsi que celles du coecient de ottabilit n . dz dz dz n Sur la srie de n et sur le gradient d on retrouve les soucis dinitialisation dont dz nous avons parl pour la temprature. Lobservation est alors clairement une mthode dapprentissage des caractristiques du uide. Chaque particule ralise une trajectoire possible de celui-ci dans lespace des phases, et notre estim E[Vn | Y[0,n] X[0,n] B[0,n] ] est une ralisation moyenne du uide tant donnes les caractristiques de la turbulence. A terme nous pouvons esprer utiliser ces techniques dans les problmes dassimilation des modles mtorologiques hectomtriques. Pour cette application le capteur tait xe, seul le uide se dplaait, mais la mesure peut tre considre comme mobile dans un uide stationnaire ce qui correspond au rgime dit de turbulence ge. Dans ce uide xe, on peut restituer la pseudo-trajectoire du systme dacquisition. Cest ce que montre la reprsentation 9.18 o lon a extrait la trajectoire dune particule entre les pas de temps 840 et 1040. On retrouve des bauches de tourbillons pour cette trajectoire en 3 dimensions. Des 4 composantes dtat, la temprature est le paramtre estim le moins satisfaisant. A grande chelle et sur les DSP, les mesures ltres sont tout fait valables mais sur certaines priodes, les sries estimes et de rfrence ont des squences trs direntes. Soit la mesure du capteur tait mdiocre et nous avons une rfrence de pitre qualit, soit le modle utilis tait trop simple, soit par nos modications nous avons dgrad la pertinence de la modlisation sur la temprature. Une voie damlioration sera lavenir de redonner aux constantes la forme de fonction que leur avaient attribu Das et Durbin. Dun point de vue purement mtrologique il est certainement ncessaire davoir une meilleure modlisation du uide atmosphrique, notamment avec une meilleure prise en compte des phnomnes lis la convection, la ottabilit, la densit et la temprature. Cela passera galement par lintroduction deau dans le modle que ce soit sous forme de vapeur ou de contenu en eau.

Chapitre 9. Applications aux mesures du vent atmosphrique

236

1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 0 500 1000 1500 2000 2500 3000 3500

316 314 312 310 308 306 304 302 300 1025

1030

1035

1040

1045

1050

1055

0.8 0.6 0.4 0.2 0.0 0.2 0.4 0.6 0.8 0 500 1000 1500 2000 2500 3000 3500

0.5 0.4 0.3 0.2 0.1 0.0 0.1 0.2 0.3 0.4 0.5

500 1000 1500 2000 2500 3000 3500

0.8 0.6 0.4 0.2 0.0 0.2 0.4 0.6 0 500 1000 1500 2000 2500 3000 3500

3.415e03 3.410e03 3.405e03 3.400e03 3.395e03 3.390e03 3.385e03 3.380e03 0 500 1000 1500 2000 2500 3000 3500

Fig. 9.17 Sries temporelles des paramtres estims par le ltre conditionnel avec 800 particules. En haut le taux de dissipation turbulente total n et un extrait des vecteurs h < p > dt le long de la trajectoire. En bas gauche les gradients n n n verticaux dU et dV et droite le gradient d et le coecient de ottabilit n . dz dz dz

Chapitre 9. Applications aux mesures du vent atmosphrique

237

32 34 36 38 40 42 44 46 48 44 40 36 213 32 28 24 250 140 177

Fig. 9.18 Trajectoire dacquisition du systme coupl au capteur pour 1 particule entre les instants 840 et 1040.

Chapitre 9. Applications aux mesures du vent atmosphrique

238

Nanmoins, notre ltre pour la turbulence atmosphrique est assez robuste, il permet de traiter nombre de cas, mais comme les ltres uni ou bidimensionnel, il a des dicults suivre le signal lorsque les coulements deviennent laminaires. Pour mettre ceci en image, nous prsentons sur les 3 gures 9.19, 9.20 et 9.21 les rsultats de ltrages sur dirents moments de la journe du 30 Aot 2006 sur le site de Mto-France Toulouse, 03h00, 12h00 et 16h00 UTC, toujours 5 Hz et pour un ltre contenant 800 particules. Ces 3 cas montrent bien les dicults que lon rencontre sur les tempratures, notamment 03h00 UTC alors que dans le mme temps les composantes du vent restent bien traites. Aprs ces quelques cas pratiques mis en images sur des exemples simuls ou rels de vent, on peut souhaiter avoir des prcisions numriques sur la qualit du ltrage en fonction du bruit, du nombre de particules ou sinterroger sur lapport proprement dit des modles champ moyen. Cest ce que nous examinons dans la section suivante.

9.5

Estimations numriques des erreurs du ltrage particulaire unidimensionnel

Graphiquement on ne peut juger pleinement de la qualit dun ltre. Sur les sries temporelles on peut dj voir que les signaux estims ne divergent pas du signal de rfrence, on a pu souligner une certaine stabilit lors dinitialisations inappropries. Lexamen des spectres de puissance a montr que la structure nergtique du signal estim tait correcte, avec le bon niveau de puissance. Mais il faudrait pour terminer pouvoir mesurer objectivement lcart que lon commet entre la loi du processus exacte et la loi estime par le ltre, ou mesurer lcart en fonction du nombre de particules entre la loi exacte du ltre et la loi approche que nos particules ont chantillonne. Ce travail est assez dlicat, nous navons pas accs aux lois exactes. En revanche dans toutes les applications il a t utilis un vent de rfrence qui a servi au bruitage, et auquel on a compar lestime. Ce vent de rfrence est une ralisation du milieu alatoire tant donns les paramtres de celui-ci, ce nest pas la quantit estimer, mais on propose de lutiliser comme telle et de calculer lcart moyen que le signal ltr a avec lui. En utilisant cet cart terme terme entre le signal de rfrence et le vent estim on va pouvoir par le calcul dune moyenne et dune variance regarder son comportement quand le nombre de particules augmente, ou quand le niveau de

Chapitre 9. Applications aux mesures du vent atmosphrique

239

10 15 8 6 4 2 0 2 4 0 500 1000 1500 2000 2500 3000 3500 10 5 0 5 10 15 20 25


3 2 1

10

10

10

5/3

10

10

8 6 4 2 0 2 4 6 0 500 1000 1500 2000 2500 3000 3500

15 10 5 0 5 10 15 20
3 2 1

10

10

10

5/3

10

10

5 4 3 2 1 0 1 2 3 4 5 0 500 1000 1500 2000 2500 3000 3500 10 15 20 25


3 2 1 0 1

10 5 0 5

10

10

10

10

10

288.4 288.3 288.2 288.1 288.0 287.9 287.8 287.7 287.6 287.5 287.4 0 500 1000 1500 2000 2500 3000 3500 30 40
3 2 1 0 1

0 10 20

10

10

10

10

10

Fig. 9.19 Sries temporelles et DSP pour le ltrage des donnes du 30 Aot 2006 03h00 UTC sur le site de Toulouse. Le ltrage utilise 800 particules. De haut en bas les 2 composantes horizontales du vent, la vitesse verticale W puis la temprature T .

Chapitre 9. Applications aux mesures du vent atmosphrique

240

6 5 4 3 2 1 0 1 2 3 0 30 500 1000 1500 2000 2500 3000 3500


3 2 1 0 1

10 0 10 20

10

10

10

10

10

3 2 1 0 1 2 3 4 5 0 500 1000 1500 2000 2500 3000 3500

20 10 0 10 20
3 2 1 0 1

10

10

10

10

10

2 10 1 0 1 2 3 4 0 5 0 5 10 15 20 25 30 500 1000 1500 2000 2500 3000 3500


3 2 1 0 1

10

10

10

10

10

297 296

20 10

295 294 293 292 291 290 289 0 500 1000 1500 2000 2500 3000 3500 20 30
3 2 1 0 1

0 10

10

10

10

10

10

Fig. 9.20 Sries temporelles et DSP pour le ltrage des donnes du 30 Aot 2006 12h00 UTC sur le site de Toulouse. Le ltrage utilise 800 particules. De haut en bas les 2 composantes horizontales du vent, la vitesse verticale W puis la temprature T .

Chapitre 9. Applications aux mesures du vent atmosphrique

241

10 8 6 4 2 0 2 4 0 500 1000 1500 2000 2500 3000 3500

20 10 0 10 20

10

10

10

10

10

4 3 2 1 0 1 2 3 4 5 0 500 1000 1500 2000 2500 3000 3500

15 10 5 0 5 10 15 20 25
3 2 1 0 1

10

10

10

10

10

3 2 1 0 0 1 2 20 3 4 0 500 1000 1500 2000 2500 3000 3500 30 10


3 2 1 0 1

10

10

10

10

10

10

297.0 296.5 296.0 295.5 295.0 294.5 294.0 293.5 293.0 0 500 1000 1500 2000 2500 3000 3500 30
3 2 1 0 1

10 0 10 20

10

10

10

10

10

Fig. 9.21 Sries temporelles et DSP pour le ltrage des donnes du 30 Aot 2006 16h00 UTC sur le site de Toulouse. Le ltrage utilise 800 particules. De haut en bas les 2 composantes horizontales du vent, la vitesse verticale W puis la temprature T .

Chapitre 9. Applications aux mesures du vent atmosphrique

242

bruit varie pour un vent simul ou pour un vent rel. On va pouvoir galement marquer lintrt des modles Lagrangiens champ moyen notamment en les modiant. On dgrade dabord notre modle Lagrangien exact en supprimant n le terme de frquence turbulente (le rapport k ) puis dans un second temps en n enlevant totalement le terme de rappel au champ moyen Vn n (Vn )(Xn ). Dans les rsultats graphiques prsents, on a pu noter des comportements similaires des sries temporelles de vents estims comparativement leur rfrence alors que les composantes du vent horizontal taient uni, bi ou tridimensionnelles. Ainsi on se contentera pour limiter les cots numriques de conduire les tests sur des vitesses unidimensionnelles.

9.5.1

Ecarts au vent de rfrence simul ou rel

Dans lensemble des tests numriques qui vont suivre, on utilisera soit le signal unidimensionnel que lon a simul et prsent sur la gure 9.2 ou le signal rel relev sur le site de Saint-Sardos le 10 janvier 2005 12h00 comme montr sur le graphique 9.6. Dans les deux cas rel ou simul, on reprend le mme algorithme de ltrage qui nous a permis de produire les illustrations. Pour se faire les lois du ltrage ont t approches par des systmes de particules voluant selon les quations 8.45 qui correspondent au modle de dynamique : X X Xn+1 = Xn + Vn t + n Wn n ) (9.5) Vn+1 = Vn + E(n )/t + C1 E( [Vn n (Vn )(Xn )] t kn V + C0 .E(n )Wn Pour lobservation nous choisissons le modle direct, le plus simple :
Y Yn = Vn + Wn Y est un processus de Wiener standard et Vn est une variable borne. o Wn

(9.6)

Notre ltre particulaire sera dabord test avec un nombre grandissant de particules de 100 700 particules et des carts-types du bruit Gaussien stageant entre 1 et 3 . Pour chaque conguration, nous avons calcul lcart chaque pas 7 2 de temps entre le vent de rfrence et lestim, puis calcul la moyenne absolue et la variance empirique de tous les carts. Nous avons ensuite rpt lopration

Chapitre 9. Applications aux mesures du vent atmosphrique

243

Fig. 9.22 Ecart entre le vent de rfrence simul et le vent estim. Moyenne et variance sur un chantillon de 5 ralisations en fonction du nombre de particules et du niveau de bruit. sur plusieurs simulations. Par le nombre de simulations faire et les temps de calculs, elles ont t limites 5. Cest insusant pour des statistiques mais cela permettra davoir des tendances sur le comportement de lalgorithme particulaire. Nous nous bornerons des constatations en bauchant des explications. Les illustrations 9.22 et 9.23 donnent les courbes des moyennes absolues et carts-types tracs partir des tableaux de lAnnexe B. La gure 9.22 concerne les carts entre le vent simul et ses estims. Les carts1 (courbe rose), 1 (vert), 2 (cyan), 1 (violet), 1 (marron), type du bruit sont de 3 2 3 4 1 1 (bleu-vert) et 7 (en bleu). En abscisse les systmes de particules sont composs 5 de 100, 200, 300, 400, 500, 600 et 700 lments. A t rajoute la courbe rouge qui est lajustement au sens des moindres carrs dune courbe du type y = A.xB . Pour la moyenne le paramtre A vaut 0, 303 et B = 0, 0627, pour la variance A = 0, 1627 et B = 0, 1752. Plusieurs lments sont constater. Dabord pour un bruit lev, la dcroissance en fonction du nombre N de particules se fait selon une loi en puissance plus plate que la fonction 1N . Laplatissement est total pour des bruits faibles mais sans aller au zro. Quand les bruits sont peu importants, il nest ncessaire que de peu de particules pour dbruiter. Quand le nombre de particules de ltrage devient important celles-ci restent proches des mmes tats donnant une forte concentration de particules dans lespace dtat. Dun autre cot la dynamique champ moyen conditionnel ncessite un nombre susant de points de lespace des phases chantillonns pour approcher correctement la loi conditionnelle. On peut alors penser

Chapitre 9. Applications aux mesures du vent atmosphrique

244

Fig. 9.23 Ecart entre le vent de rfrence rel et le vent estim. Moyenne et variance sur un chantillon de 5 ralisations en fonction du nombre de particules et du niveau de bruit quavec des bruits petits le champ moyen nest pas correctement suivi et que la dynamique nest pas susamment bien reproduite, do le peu de gain par augmentation du nombre de particules. Nous ne pouvons pas conclure de manire certaine, lcart portant sur une ralisation du milieu pris comme rfrence et peu de simulations ont t faites, mais si cest le cas il conviendrait de se tourner vers la technique classique o le champ moyen est appris sur des systmes voluant a priori. Dans la seconde situation, dont les rsultats sont visibles sur la gure 9.23, nous comparons les carts entre le vent rel pris en rfrence et les estims du ltre. Les niveaux de bruits et le code couleur sont identiques la gure prcdentes. Les courbes dajustement ont pour coecients A = 0, 3731, B = 0, 1368 pour la moyenne et A = 0, 2237 et 0, 2008 pour la variance. Quel que soit le niveau de bruit, les courbes ont des pentes plus marques que pour le cas simul. On note galement quelles ont des niveaux plus levs. Les dirences de comportement de ces moyennes et variance par rapport aux carts aux vitesses simules peuvent tre dues un modle de dynamique qui nest pas parfait pour les donnes relles unidimensionnelles. Il est vrai que la donne originale provient dun coulement de dimension 3 dun uide pesant pour lequel nous navons retenu quune composante horizontale. Ces essais nous ont permis de dgager les dicults du ltrage conditionnel pour un processus champ moyen, particulirement lorsque les bruits de mesures se rduisent. Pour le traitement du vent rel on sest interrog sur la qualit du modle Lagrangien. On peut noter que lchantillon de vent rel a des vitesses

Chapitre 9. Applications aux mesures du vent atmosphrique

245

Fig. 9.24 Ecarts entre le vent estim et le vent simul avec les 3 sortes de modles. A gauche les moyennes sur un jeux de 5 sries de simulation, droite la variance. 1- Modle exact, = 3 , 2- Modle sans frquence turbulente, = 3 , 2 2 3 1 3- Modle sans champ moyen, = 2 , 4- Modle exact, = 4 , 5- Modle sans frquence turbulente, = 1 , 6- Modle sans champ moyen, = 1 4 4 deux fois suprieures la celui de la simulation. Ltape de localisation pour suivre le capteur qui est ncessaire la modlisation Lagrangienne doit perturber plus fortement le ltrage dans le cas rl.

9.5.2

Modications du modle et erreurs correspondantes

Maintenant, pour tester la pertinence et lapport du modle Lagrangien champ moyen, on propose de dgrader progressivement le modle de Pope, dabord n ) , qui pondre dans le en rendant xe la frquence turbulente, le rapport E( kn modle 9.5 le terme de rappel au champ moyen, puis en supprimant compltement le terme de champ moyen, Vn n (Vn )(Xn ). On conduit alors les mmes expriences avec un nombre de particules qui schelonnent entre 100 et 700 et les mmes niveaux de bruits. Pour les graphiques qui suivent, pour des raisons de clart nous ne prsentons que 2 niveaux de bruits dobservations, un fort = 3 et un faible = 1 . Nous 2 5 comparons alors les moyennes et variances des carts pour le modle complet exact, pour le modle avec la frquence turbulente constante et valant 1 et pour le modle sans champ moyen se rduisant Vn+1 = Vn + E(n ) + C1 [Vn n (Vn )(Xn )]t + V C0 .E(n )Wn . Nous prenons comme rfrence dabord le vent simul, gure 9.24 puis le vent rel, gure 9.25.

Chapitre 9. Applications aux mesures du vent atmosphrique

246

Fig. 9.25 Ecarts entre le vent estim et le vent rel avec les 3 sortes de modles. A gauche les moyennes sur un jeux de 5 sries de simulation, droite la variance. 1- Modle exact, = 3 , 2- Modle sans frquence turbulente, = 3 , 3- Modle 2 2 3 1 sans champ moyen, = 2 , 4- Modle exact, = 4 , 5- Modle sans frquence turbulente, = 1 , 6- Modle sans champ moyen, = 1 4 4 Sur le graphique 9.24 on remarque quen bruit fort, les rsultats semblent lgrement meilleurs avec un champ moyen que sans, mme avec une frquence turbulente constante, mais quen bruit faible labsence de pondration par la frquence turbulente dgrade fortement le ltrage. Des 3 modles seul le modle complet possde des courbes de moyenne et de variance suivant une fonction puissance. Pour un vent rel, sur le graphique 9.25, on voit quen bruit faible les courbes pour le modle exact ou le modle sans champ moyen sont remontes et revenues au niveau de la courbe avec une frquence turbulente constante. Lerreur sur le modle est alors moins agrante. L encore la prise en compte du champ moyen semble avoir un apport positif quand le nombre de particule augmente. On termine la prsentation de ces graphiques en juxtaposant pour le vent rel et le vent simul les rsultats des modles exact et des modles sans champ moyen sur la gure 9.26 pour les 2 niveaux de bruits fort et faible. On retrouve les caractristiques que lon vient de dcrire, mais il est surtout intressant de noter que dans le cas dun bruit faible, le dcalage entre entre les courbes pour le vent simul et le vent rel est constant. Cette dirence pourrait sinterprter comme lerreur systmatique du modle de Pope vis a vis de lcoulement atmosphrique. Dans les bruits faibles la contribution du champ moyen est moins nette, mais les moyennes et variance seules ne sont pas susantes pour porter un jugement. On va conclure ce chapitre par lexamen des sries et spectres de puissance du

Chapitre 9. Applications aux mesures du vent atmosphrique

247

Fig. 9.26 Comparaison entre le modle exact et le modle sans champ moyen, pour les carts entre le vent estim et les vents rel ou simul. A gauche les moyennes sur un jeux de 5 sries de simulation, droite la variance. 1- Modle 3 exact vent rel, = 3 , 2- Modle exact vent simul, = 2 , 3- Modle sans champ 2 3 moyen vent rel, = 2 , 4- Modle sans champ moyen vent simul, = 3 , 52 1 1 Modle exact vent rel, = 5 , 6- Modle exact vent simul, = 5 , 7- Modle sans champ moyen vent rel, = 1 , 8- Modle sans champ moyen vent simul, 5 1 bruit 5 , 9- Courbe de tendance de la srie n 1 ltrage obtenu par ce modle dgrad.

9.5.3

Essais de ltrage utilisant le modle sans champ moyen

La section prcdente nous a permis de comparer les rsultats du ltrage obtenu par lalgorithme utilisant le modle Lagrangien complet avec le mme modle sans le champ moyen. Nous pouvons montrer le rsultat du ltrage dune srie temporelle de vent rel perturbe par un bruit gaussien et dbruite en suivant le modle dgrad sans champ moyen. La gure 9.27 montre le rsultat pour un ltre particulaire slection gntique, avec une tape de localisation pour suivre le capteur utilisant 500 particules. Sur la srie temporelle il est visible que les structures de grandes chelles sont respectes mais que les variations rapides sont moins bien restitues. Ce fait est conrm par la rponse spectrale qui creuse et ne sajuste pas celle du signal de rfrence. Ainsi sans le terme de champ moyen le signal estim suit une trajectoire mdiane retant moins les caractristiques du milieu. Le terme de champ moyen qui est un rappel lisotropie et une modlisation des uctuations rapides est donc important dans la modlisation du uide pour le processus de ltrage.

Chapitre 9. Applications aux mesures du vent atmosphrique

248

7 1400

1500

1600

1700

1800

1900

2000

2100

2200

2300

20 10 0 10 20 30 40 10

10

10

10

Fig. 9.27 Sries temporelles et DSP pour le ltrage de Saint-Sardos utilisant un ltre particulaire gntique avec 500 particules

Chapitre 9. Applications aux mesures du vent atmosphrique

249

Pour conrmer cette remarque et vrier que le fait ne vient pas de notre algorithme de ltrage, on peut proposer dutiliser un autre type de ltre. En eet, protant de la structure plus simple de la dynamique, en fait linaire, loccasion nous est donne de mettre en uvre au lieu du ltre gntique, un systme de ltres de Kalman en interaction. Chaque ltre de Kalman utilise le rsultat des autres pour apprendre et nourrir le paramtre E(n ), ensuite les Kalman voluent et sont mis en comptition dans une tape de slection. La description des ltres de Kalman en interaction est faite dans lannexe A. Le graphique 9.28 prsente une ralisation du ltrage sur la mme srie que prcdemment avec le modle dgrad et des ltres de Kalman interagissants. Dans ce dernier cas, pour ce qui est des sries temporelles, on note que le signal estim a moins tendance moyenner, mais quil est en permanence en retard, comme pour un ltre de Kalman en phase de poursuite pour capturer le bon tat dans lespace des phases. Pour la densit spectrale de puissance on obtient la mme structure que prcdemment ce qui conrme la ncessit de placer un terme de champ moyen dans la dynamique pour restituer correctement les cascades nergtiques. In ne le ltre que nous avons dvelopp est celui qui possde les meilleurs compromis de prcision, de proprits spectrales, nergtiques et de cot de calcul. Cest galement celui qui rpond le plus compltement au problme de la mesure mobile dans un champ vectoriel alatoire. Lensemble des applications numriques que nous avons menes a t prsent dans ce chapitre. Elles ont t la concrtisation des techniques de ltrage nouvelles que nous avons dveloppes. Nous en avons vu lecacit et les limites, et galement les dfauts. Tout ceci nous donne la matire conclure et la voie suivre pour les dveloppements futurs.

Chapitre 9. Applications aux mesures du vent atmosphrique

250

7 1400

1500

1600

1700

1800

1900

2000

2100

2200

2300

20 10 0 10 20 30 40 50 10
3 2 1 0

10

10

10

Fig. 9.28 Sries temporelles et DSP pour le ltrage de Saint-Sardos utilisant 1000 ltres de Kalman en intraction

Chapitre 10 Conclusions et Perspectives


Ltude que nous avons conduite dans cette thse nous a permis de dfricher et de proposer des premires solutions pour un domaine qui tait vierge de toute entreprise. Ce travail dingnierie stochastique a galement t la source de dveloppements de modlisation mathmatiques innovantes pour la mcanique des uides, la turbulence atmosphrique et les mesures ralises ponctuellement dans un milieu alatoire. Au cours de la dernire dcennie, la technique du ltrage particulaire a pris un essor particulier, tant du cot des mathmatiques appliques que du cot des sciences de lingnieur. La thorie probabiliste est maintenant bien en place et les applications en physique, en chimie, en statistique, en nance sont nombreuses. Lapproximation particulaire du ltrage non-linaire donne lieu maintenant des traitements en temps rel dans les problmes de poursuite de cibles, de suivi de terrain et de dbruitage de signaux radar ou sonar. Mais les travaux appliqus nont que peu port sur la mcanique des uides. Les premiers dentre eux sont mettre au crdit dAnne Cuzol et Etienne Mmin de lIRISA de Rennes sur le suivi dun uide bidimensionnel laide dimage par une technique de ltrage stochastique. Sur le dbruitage des signaux issus de mesures exprimentales recueillis dans un uide turbulent il nexistait pas de ltres non-linaires adapts. Dans ce mmoire, nous avons dvelopp et analys une mthode permettant de traiter ce type de donnes et fournit son approximation particulaire. Dans les premiers chapitres nous avons prsent les connaissances sur lesquelles

Chapitre 10. Conclusions et Perspectives

252

notre tude sest assise et pos le problme du ltrage non-linaire dun processus alatoire. An de pouvoir tre appliqu la mcanique des uides nous avons dans le chapitre 6 tendu le ltrage aux processus champ moyen en traitant divers cas, dont celui dun processus conditionn aux observations. Dans le chapitre 7 nous avons prsent un nouvel outil, lacquisition dun champ de vecteur stochastique le long dun chemin alatoire. Cet objet mathmatique nous a permis alors de raliser le couplage entre les modles Lagrangiens, le systme dobservation et la trajectoire dun capteur mobile. Le modle Lagrangien est alors ferm par lobservation en conditionnant le noyau de Markov, la poursuite du point de mesure seectue par un processus de slection en conditionnant le processus vivre dans des boules autour du chemin dacquisition. Ces couplages permettent dobtenir un ltre champ moyen conditionnel qui est numriquement moins coteux que lalgorithme utilisant une dynamique a priori. Le ltre non-linaire pour les uides turbulents et son approximation particulaire prsente au chapitre 8 ne sont alors plus quune consquence des algorithmes correspondants au ltrage des processus champ moyen et lestimation des processus dacquisitions coupls. Les ltres ont t crits pour des coulements allant du symbolique uide unidimensionnel au uide atmosphrique tridimensionnel pesant avec des couplages par la temprature du milieu et par les gradients verticaux de vitesse. Nous avons test la mthode sur des cas typiques de ltrage de mesures issues de uides turbulents dans le domaine de la turbulence inertielle. Notre algorithme nous a permis de dbruiter les mesures de vitesses dun uide turbulent tantt simul tantt rel et den estimer les paramtres caractristiques. Nous avons alors pu faire varier les types et les niveaux de bruits et comparer direntes techniques de ltrage. La puissance des techniques particulaires stochastiques a t mise en valeur, notamment en permettant le couplage des systmes dacquisition et la fermeture du modle Lagrangien par les observations. Les rsultats probants obtenus ici ont pu tre en partie quantis, nous rassurant quant au comportement du ltre quand le nombre de particules va en augmentant. Cette dernire partie nous a montr galement certaines dicults portant sur le degr de nesse de la modlisation Lagrangienne que nous avons retenue. Pour poursuivre ce travail, il serait intressant dappliquer cette mthode

Chapitre 10. Conclusions et Perspectives

253

dautres cas dcoulement, aussi bien numriques que rels, atmosphriques mais aussi de laboratoire. Cette tude en ouvrant un domaine peu explor nous a galement suggr de nombreuses perspectives. Tout dabord dans le domaine de lingnierie stochastique, la technique des processus dacquisition est prometteuse. Elle permet de rendre compte des mesures dans un uide quelles soient xes ou mobiles, mais aussi daborder les problmes de modlisation et dassimilation de processus alatoires sous-maille approchs par leurs modles Lagrangiens autour des points de grille. Pour ltrer les mesures de systmes dacquisition comme pour toute autre donne, il faut 2 jeux dquations. Lun porte sur la dynamique du signal suivi, lautre porte sur lobservateur. Les amliorations du ltre passeront par de meilleures modlisations de ces deux processus. Les mesures atmosphriques sont rarement eectues directement. Dans le cas des mesures anmomtriques par ultrasons, comme celle que nous avons utilise, la mesure relle est un temps de propagation acoustique. Il y aurait intrt prendre comme mesure de base ces temps an de dbruiter la source de la mesure. Dans le problme des mesures mobiles en atmosphre nous navons pas accs directement la mesure de la vitesse du uide seulement linuence de la vitesse relative du capteur par rapport au uide sur ces divers lments sensibles. Dans cette mesure mobile le problme de ltrage se rattache en premier lieu un problme destimation du milieu par fusion de donnes. Ce travail sur la formalisation de lquation dobservation est essentielle et prend une grande part dans la qualit des rsultats, cest elle qui donne sa pertinence ltape de slection. Cette amlioration importante dans lestimation des mesures faites par les capteurs mobiles sera alors applicable pour les mesures aroports et pourra tre propose la communaut des micro-physiciens de latmosphre comme lire de traitement des donnes rapides et pourra galement initier la conception dune nouvelle gnration de systmes de mesures croises, intgres dans un mme dispositif. Pour valider exprimentalement la technique propose pour les mesures directes et mobiles de vent, il sera ncessaire de mettre au point et de raliser une campagne exprimentale de mesure o les capteurs seront monts sur une plateforme ayant une trajectoire rectiligne et pour laquelle on peut faire varier la vitesse de dplacement.

Chapitre 10. Conclusions et Perspectives

254

Cette thse amne galement des suites plus mtorologiques. Dabord en travaillant sur une meilleure modlisation de la dynamique Lagrangienne du uide atmosphrique dans le domaine turbulent. Le chapitre 9 nous avait montr que le modle de temprature que lon avait retenu ntait pas parfait (mais susamment pour ltrer de manire satisfaisante). Il faut donc commencer par revenir aux termes donns par Das et Durbin dans leur article, mais il sera galement ncessaire de rajouter de leau dans latmosphre . Pour se faire il faut caractriser pleinement lvolution de la densit des lments de uide, quantit dpendant de la temprature et de lhumidit, de rajouter un contenu en eau sous forme dun processus de diusion. Ces termes rcrits doivent modier le terme de ottabilit et prendre en compte les phnomnes de convection. Depuis longtemps des mesures en vue dtudier les paramtres de la turbulence en mtorologie sont faites par la communaut des mtorologistes. Mais jusqualors ces mesures sont intgres sur des trs longs pas de temps pour obtenir des grandeurs moyennes. Avec lapprentissage du uide faite par notre ltre, ds que les modles servant ltrer les mesures ont une pertinence physique susante pour le uide atmosphrique, nous serons aptes proposer des grandeurs caractrisant la turbulence tous les instants. On peut dj avec les essais faits au chapitre 9 montrer que les lires standard de calcul des ux turbulents utilisant nos sries ltres ou les donnes de rfrence aboutissent des rsultats identiques. Le graphique 10.1 illustre cela sur un exemple. Nous avons report les sries temporelles ltres ainsi que les moyennes Eulriennes approches par le ltre en rouge. La lire de calcul classique approche la moyenne locale par un ltre linaire du premier ordre (voir chapitre 4) que nous avons plac en vert. On calcule ensuite empiriquement les termes de covariance n n 1 1 < ui wi >2 + < vi wi >2 o < w T >= n i=1 wi Ti et le coecient = n i=1 les variables primes sont les uctuations relatives aux 2 types de moyennes. Les quantits obtenues sont quivalentes, < w T >= 0.01255 pour le calcul utilisant les moyennes Eulriennes de notre ltre et 0.01248 pour la lire classique. De mme pour le coecient not , lestimation par notre ltre donne = 0.220 et le calcul classique = 0.211. Cette premire tentative de calcul des lments des ux turbulents nous laisse entrevoir plusieurs opportunits. Dabord en fournissant des donnes caractrisant la turbulence et ses ux

Chapitre 10. Conclusions et Perspectives

255

Vent Composante U
8 6 4 2 0 2 4 200 400 600 800 1000 1200 1400 1600 1800 2000

Vent Composante W
2.0 1.5 1.0 0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 200 400 600 800 1000 1200 1400 1600 1800 2000

Vent Composante V
4 3 2 1 0 1 2 3 4 200 400 600 800 1000 1200 1400 1600 1800 2000

Temprature
295.1 295.0 294.9 294.8 294.7 294.6 294.5 294.4 294.3 294.2 294.1 200 400 600 800 1000 1200 1400 1600 1800 2000

wT = 0.0125464 wT mthode classique = 0.0124804

tau ~ 0.2204135 tau mthode classique ~ 0.2105395

Fig. 10.1 Calculs eectus sur lensemble de la priode pour estimer : E(w T ) < w T > et < u w >2 + < v w >2

Chapitre 10. Conclusions et Perspectives

256

haute cadence. Ensuite en proposant une mthode destimation et dassimilation de grandeurs turbulentes dans les modles mtorologiques de meso-chelle voire hectomtriques. Ces volets techniques ne masquent pas les perspectives dtude que nous pourrons mener avant tout dans le domaine des mathmatiques appliques. Le chapitre 6 a donn les premiers lments de ltude du ltrage des processus champ moyen en particulier dans les dynamiques conditionnelles. Il conviendra de terminer ce travail initi avec Franois Le Gland et poursuivre ces estims Lp par une tude du TCL associ, de la stabilit du ltre, des proprits de propagation du chaos, etc. Dans le mme temps, les processus dduits des systmes dacquisition gnraux mriteraient dtre tudis en dtail, notamment lors des couplages du processus le long dun chemin avec les dynamiques Lagrangiennes. A plusieurs reprises dans ce travail, les algorithmes de ltrage par systmes de particules en interaction ont crois diverses formes de ltres de Kalman. Il faudra poursuivre linterprtation du ltre de Kalman densemble (EnKF) en terme de processus champ moyen de type McKean-Vlasov prsente lannexe A. Ce travail commenc avec Pierre Del Moral doit conduire des rsultats limites sur les EnKF et laisse entrevoir une nouvelle gnration de ltres particulaires avec une tape de slection plus sous forme dun processus de correction que dun processus de branchement classique, pour les cas non gaussiens. Paralllement ce travail sur les EnKF qui doit permettre de ltrer des signaux issus de la mcanique des uides, les ltres de Kalman en interaction, introduits dans Del Moral (2004), devraient galement permettre de traiter des signaux ayant des dynamiques champ moyen. Lexemple montr la n du chapitre 9 en est une premire ralisation. Les tats pilots chacun par un Kalman apprennent le champ moyen, lensemble des Kalman interagissent au travers de ce champ moyen et dans ltape de slection. Lanalyse mathmatique de ces ltres est encore faire et permettra de complter le travail eectu sur les EnKF. Les algorithmes prsents au chapitre 6 pour traiter les processus avec divers types de champ moyen ne sont pas les seuls. Les annes qui viennent verront arriver dautres procdures pour prendre en compte les interactions de champ moyen et conduire de nouveaux ltres utilisables en mcanique des uides quil conviendra dtudier et danalyser.

Bibliographie
Amirdjanova, A. et Xiong, J. (2006). Large deviation principle for a stochastic Navier-Stokes equation in its vorticity form for a two-dimensional incompressible ow. Discrete and continuous dynamical systems series B, 6:651666. Antonelli, F. et Kohatsu-Higa, A. (2002). Rate of convergence of a particle method to the solution of the McKean-Vlasovs equation. Ann. Appl. Probab., 12:423 476. Arnaud, E., Mmin, E. et Cernuschi-Frias, B. (2003). Filtrage conditionnel pour le suivi de point dans des squences dimages. In Congrs Francophone de Vision par Ordinateur, ORASIS03. Arnaud, E., Mmin, E. et Cernuschi-Frias, B. (2005). Conditional lters for image sequence based tracking - application to point tracking. IEEE Trans. on Image Processing, 14:6379. Balkovsky, E., Falkovich, G., Kolokolov, I. et Lebedev, V. (1997). Intermittency of Burgers turbulence. Phys. Rev. Lett., 78:14521455. Bally, V. (2001). An elementary introduction to Malliavin calculus. Rapport technique, INRIA - 4718. Bally, V. et Talay, D. (1996a). The law of the Euler scheme for stochastic dierential equations I. Convergence rate of the distribution function. Probab. Theory Rel. Fields, 104:4360. Bally, V. et Talay, D. (1996b). The law of the Euler scheme for stochastic differential equations II : Convergence rate of the density. Monte Carlo Methods and Applications, 2:93128. Bashirov, A. (2003). Partially Observable Linear Systems under dependant noises. Birkhuser. Basson, A. (2008). Spatially homogeneous solutions of 3d stochastic Navier-Stokes equations and local energy inequality. Stoch. Proc. Appl., 118:417451.

BIBLIOGRAPHIE

258

Baudoin, F. (2005). An Introduction to the Geometry of Stochastic Flows. Imperial College Press. Bec, J. (2002). Particules, singularits et turbulence. Thse de doctorat, UMPC. Ben Arous, G. (1989). Flots et series de Taylor stochastiques. Probab. Theory Rel. Fields, 81:2977. Bensi, R., Biferale, L., Ciliberto, S., Struglia, M. et Tripiccione, R. (1996). Generalized scaling in fully developed turbulence. Physica D, 96:162181. Bolley, F. (2005). Applications du transport optimal des problmes de limites en champ moyen. Thse de doctorat, Ec. Normale Sup. Lyon. Bossy, M. (2005). Some stochastic particle methods for nonlinear parabolic PDEs. ESAIM : proceedings, 15:1857. Bossy, M., Fezoui, L. et Piperno, S. (1997). Comparaison dune mthode stochastique et dune mthode dterministe appliques lquation de burgers, rapport de recherche n 3093. Rapport technique, INRIA. Bossy, M., Jabir, J.-F. et Talay, D. (2009). Mathematical study of a simplied lagrangian stochastic model. (en preparation). Bossy, M., Rousseau, A., Bernardin, F., Salameh, T. et Drobinski, P. (2007). Stochastic particle method applied to local wind simulation. In IEEE International Conference for Clean Electrical Power. Bossy, M. et Talay, D. (1995). A stochastic particle method for some onedimensional nonlinear PDE. Mathematics and Computer in Simulation, 38:43 50. Bossy, M. et Talay, D. (1996a). A stochastic particle method for the McKeanVlasov and the Burgers equation. Zeitschrift fr angewandte Mathematik und Mechanik, 76:319322. Bossy, M. et Talay, M. (1996b). Convergence rate for the approximation of the limit law of weakly interacting particles : application to the Burgers equation. Ann. Appl. Probab., 6:818861. Busnello, B., Flandoli, F. et Romito, M. (2005). A probabilistic representation for the vorticity of a 3d viscous uid and for general systems of parabolic equations. Proceedings of the Edinburgh Mathematical Society, 48:295336.

BIBLIOGRAPHIE

259

Caarelli, L., Kohn, R. et Nirenberg, L. (1982). Partial regularity of suitable weak solutions of the Navier-Stokes equations. Comm. Pure Appl. Math., 35-6:771 831. Cannone, M. (1995). Ondelettes, Paraproduits et Navier-Stokes. Diderot Editeur. Chainais, P. (2001). Cascades log-inniment divisibles et analyse multirsolution, application ltude des intermittences en turbulence. Thse de doctorat, ENSLyon. Chassaing, P. (2000). Turbulence en mcanique des uides. Cpadus Editions. Chertkov, M., Falkovich, G. et Kolokolov, I. (1998a). Intermittent dissipation of a passive scalar in turbulence. Phys. Rev. Lett., 80:21212124. Chertkov, M., Kolokolov, I. et Vergassola, M. (1997). Inverse cascade and intermittency of passive scalar in one-dimensional smooth ow. Phys. Rev. E, 56:54835499. Chertkov, M., Kolokolov, I. et Vergassola, M. (1998b). Inverse versus direct cascades in turbulent advection. Phys. Rev. Lett., 80:512515. Chevillard, L., Roux, S., Leveque, E., Mordant, N., Pinton, J. et Arneodo, A. (2003). Lagrangian velocity statistics in turbulent ows : Eects of dissipation. Phys. Rev. Lett., 91:214502.1214502.4. Chuin-Mu, W., Geng-Cheng, L., Chi-Yuan, L. et Ruey-Maw, C. (2004). An unsupervised Kalman lter-based linear mixing approach to MRI classication. Circuits and Systems, 2004. Proceedings. The 2004 IEEE Asia-Pacic Conference, 2:1105 1108. Crisan, D., Del Moral, P. et Lyons, T. (1999a). Discrete ltering using branching and interacting particle systems. Markov Processes and Related Fields, 5:293 318. Crisan, D., Del Moral, P. et Lyons, T. (1999b). Interacting particle systems approximations of the Kushner-Stratonovitch equation. Adv. Appl. Probab., 31:819838. Crisan, D. et Lyons, T. (1997). Nonlinear ltering and measure-valued processes. Probab. Theory Rel. Fields, 109:217244. Cuzol, A. (2006). Analyse dcoulements uides partir de squences dimages : estimation de champs de vitesses et suivi temporel par ltrage stochastique non linaire. Thse de doctorat, IRISA, Univ. Rennes I.

BIBLIOGRAPHIE

260

Da Prato, G. et Debussche, A. (2003). Ergodicity for the 3d stochastic NavierStokes equations. Journal des Mathematiques Pures et Appliquees, 82:877947. Da Prato, G. et Zabczyk, J. (1992). Stochastic Equations in innite dimensions. Cambridge University Press. Da Prato, G. et Zabczyk, J. (2003). Ergodicity for innite dimensional systems. Cambridge University Press. Das, S. et Durbin, P. (2005). A Lagrangian stochastic model for dispersion in stratied turbulence. Phys. of Fluids, 17:025109.1025109.10. Daubechies, I. (1992). Ten lectures on wavelets. SIAM books. De Moor, G. (1983). Les thories de la turbulence dans la couche limite atmosphrique. Cours et Manuels de lcole Nationale de la Mtorologie. Debussche, A. et Odasso, C. (2006). Markov solutions for the 3d stochastic NavierStokes equations with state dependent noise. Journal of Evolution Equations, 6:305324. Degond, P. et Lemou, M. (2002). Turbulence models for incompressible uids derived from kinetic theory. Journal of Mathematical Fluid Mechanics, 4:257 284. Del Moral, P. (1998). Measure valued processes and interacting particle systems. Application to nonlinear ltering problems. Ann. Appl. Probab., 8:438495. Del Moral, P. (2003). Arbres gnalogiques et estimation non lineaire. Rapport technique, LSP, Univ. Paul Sabatier. Del Moral, P. (2004). FeynmanKac Formulae, Genealogical and Interacting Particle Systems with Applications. Springer-Verlag. Del Moral, P., Doucet, A. et Peters, G. (2006). Sharp propagation of chaos estimates for Feynman-Kac particle models. Teoriya Veroyatnosteri i ee Primeneniya, 51:131. Del Moral, P. et Guionnet, A. (1999). Central limit theorem for nonlinear ltering and interacting particles systems. Ann. Appl. Probab., 9:275297. Del Moral, P. et Guionnet, A. (2001). On the stability of interacting processes with applications to ltering and genetic algorithm. Annales de lInstitut Henri Poincare (B) Probability and Statistics, 37:155194.

BIBLIOGRAPHIE

261

Del Moral, P. et Jacod, J. (2001). Stochastics in nite and innite dimensions, chapitre Interacting particle ltering with discrete-time observations : asymptotic behaviour in the Gaussian case, pages 101122. Birkhuser. Del Moral, P., Jacod, J. et Protter, P. (2001a). The Monte-Carlo method for ltering with discrete-time observations. Probab. Theory Rel. Fields, 120:346 368. Del Moral, P., Kallel, L. et Rowe, J. (2001b). Modeling genetic algorithm with interacting particle systems. Rev. Mat. Teoria apl., 8:1978. Del Moral, P., Kouritzin, M. et Miclo, L. (2001c). On a class of discrete generation interacting particle systems. Electronic Journal of Probability, 16:126. Del Moral, P. et Ledoux, M. (2000). Convergence of empirical processes for interacting particle systems with applications to nonlinear ltering. J. Theor. Probab., 13:225257. Del Moral, P. et Lezaud, P. (2006). Stochastic Hybrid Systems : Theory and Safety Critical Applications, chapitre Branching and interacting particle interpretation of rare event probabilities. Springer-Verlag. Del Moral, P. et Miclo, L. (2000). Sminaire de Probabilits XXXIV Lecture Notes in Mathematics 1729, chapitre Branching and Interacting Particle Systems approximations of Feynman-Kac formulae with applications to nonlinear ltering, pages 1145. Springer-Verlag. Del Moral, P., Noyer, J.-C., Rigal, G. et Salut, G. (1995). Rsolution particulaire et traitement non-linaire du signal : Applications radar/sonar. Traitement du signal, 12:287301. Del Sole, T. (1999). Stochastic models of shear-ow turbulence with enstrophy transfer to subgrid scales. J. of Atm. Sci., 56:36923703. Diaz, J. et Galiano, G. (1997). On the boussinesq system with nonlinear thermal diusion. Nonlinear Analysis, Theory, Methods and Applications, 30:32553263. Doucet, A., de Freitas, N. et Gordon, N. (2001a). Sequential Monte Carlo Methods in Practice. Springer. Doucet, A., Gordon, N. et Krishnamurthy, V. (2001b). Particle lters for state estimation of jump Markov linear systems. IEEE Trans. on Signal Processing, 49:613624. Duchon, J. et Robert, R. (2000). Inertial energy dissipation for weak solutions of incompressible Euler and Navier-Stokes equations. Nonlinearity, 13:249255.

BIBLIOGRAPHIE

262

E, W. et Vanden Eijnden, E. (2000). Generalized ows, intrinsic stochasticity and turbulent transport. Proceedings of the National Academy of Science, 97:8200 8205. Ellis, R. (1985). Entropy, Large Deviations, and Statistical Mechanics. SpringerVerlag. Ethier, S. et Kurtz, T. (1986). Markov Processes characterization and convergence. Wiley and co. Falkovich, G. (2006). Lecture notes on turbulence and coherent structures in uids, plasmas and nonlinear media, chapitre Chap 1, Introduction to turbulence theory, pages 120. World Scientic. Favre, A., Kovasznay, L., Dumas, R., Gaviglio, J. et Coantic, M. (1976). La turbulence en mcanique des uides. Gauthier-Villars. Flandoli, F., Gubinelli, M., Hairer, M. et Romito, M. (2008). Rigorous remarks about scaling laws in turbulent uids. Communications in Mathematical Physics, 278:129. Flandoli, F. et Romito, M. (2002). Probabilistic analysis of singularities for the 3D Navier-Stokes equations. Mathematica Bohemica, 2:211218. Flandoli, F. et Romito, M. (2007). Stochastic Dierential Equations : Theory and Applications, chapitre Regularity of transition semigroup associated to a 3d stochastic Navier-Stokes Equation, pages 263280. World Scientic. Fontbona, J. (2006). A probabilistic interpretation and stochastic particle approximations of the 3-dimensional Navier-Stokes equations. Probab. Theory Rel. Fields, 136:102156. Fox, R. (1997). The Lagrangian spectral relaxation model of the scalar dissipation in homogeneous turbulence. Phys. of Fluids, 9:23642386. Fox, R. (1999). The Lagrangian spectral relaxation model for dierential diusion in homogeneous turbulence. Phys. of Fluids, 11:15501571. Frisch, U. (1980). Fully developed turbulence and intermittency. Annals of the New York Academy of Sciences, 357:359367. Frisch, U. (1995). Turbulence. Cambridge University Press. Fujisaki, M., Kallianpur, G. et Kunita, H. (1972). Stochastic dierential equations for the nonlinear ltering problem. Osaka J. Math., 1:1940.

BIBLIOGRAPHIE

263

Funaki, T. et Woyczynski, W. (1998). Interacting particle approximations for fractal Burgers equation. Stoch. Proc. and Rel. Topics, pages 141166. Gibbon, J. et Doering, C. R. (2005). Intermittency and regularity issues in 3D Navier-Stokes turbulence. Archive for Rational Mechanics and Analysis, 177: 115150. Gicquel, L., Givi, P., Jaberi, F. et Pope, S. (2002). Velocity ltered joint density function for large eddy simulation of turbulent ows. Phys. of Fluids, 14:1196 1213. Girimaji, S. et Pope, S. (1990). A diusion model for velocity gradients in turbulence. Phys. of Fluids A, 2:242256. Gobet, E., Pags, G., Pham, H. et Printems, J. (2007). Discretization and simulation for a class of SPDEs with applications to Zakai and McKean-Vlasov equations. paraitre dans SIAM, Journal of Numerical Analysis. Hairer, M., Mattingly, J. et Pardoux, E. (2004). Malliavin calculus for highly degenerate 2D stochastic Navier-Stokes equations. Comptes Rendus Mathematique, 339:793796. Haworth, D. et Pope, S. (1986). A generalized Langevin model for turbulent ows. Phys. of Fluids, 29:387405. Haworth, D. et Pope, S. (1987). A pdf modeling study of self-similar turbulent free shear ows. Phys. of Fluids, 30:10261044. Heinz, S. (2002). On the Kolmogorov constant in stochastic turbulence models. Phys. of Fluids, 14:40954098. Heppe, B. (1998). Generalized Langevin equation for relative turbulent dispersion. J. Fluid Mech., 357:167198. Hunt, J., Phillips, O. et Williams, D. (1991). Turbulence and stochastic processes : Kolmogorovs ideas 50 years on. The Royal Society. Jabir, J.-F. (2008). Modles stochastiques Lagrangiens de type McKean-Vlasov conditionnels et leur connement. Thse de doctorat, Universit de Nice Sophia Antipolis. Johnson, R. (2000). Lagrangian air-mass tracking with smart balloons during ACE-2. Tellus B, 52:321334.

BIBLIOGRAPHIE

264

Julier, S. J. et Uhlmann., J. K. (1997). A new extension of the Kalman lter to nonlinear systems. In Proc. of AeroSense : The 11th Int. Symp. on Aerospace/Defence Sensing, Simulation and Controls. Kac, M. (1956). Foundation of kinetic theory. In Proc. Third Berkeley Sympos. on Math. Statist. and Probab. 3, 171- 197, Univ. Calif. Kallianpur, G. et Striebel, C. (1967). Stochastic dierential equations occuring in the estimation of continuous parameter of stochastic processes, tech. report 103, dep. of stat. Rapport technique, Univ. of Minnesota. Karatzas, I. et Shreve, S. (1998). Brownian Motion and Stochastic Calculus, 2nd Ed., GTM 113. Springer-Verlag. Kobayashi, T. et Simon, D. (2005). Evaluation of an enhanced bank of Kalman lters for in-ight aircraft engine sensor fault diagnostics. Journal of Engineering for Gas Turbines and Power, 127:497504. Kolmogorov, A. (1941). The local structure of turbulence in incompressible viscous uid for very large Reynolds numbers. Dokl. Akad. Nauk SSSR, 30:299303. Kolokolov, I. (2000). Intermittence phenomena in the Burgers equation involving thermal noise. JETP Letters, 71:1214. Krylov, N., Rockner, M. et Zabczyk, J. (1999). Stochastic PDEs and Kolmogorov Equations in innite dimensions. Springer-Verlag. Kurtz, T. et Xiong, J. (1999). Particle representations for a class of nonlinear SPDEs. Stoch. Proc. Appl., 83:103126. Kurtz, T. et Xiong, J. (2001). Stochastics in Finite/Innite Dimensions, chapitre Numerical solutions for a class of SPDEs with application to ltering, pages 233258. Birkhauser. Laval, J., Dubrulle, B. et Williams, W. M. (2003). Langevin models of turbulence : Renormalization group, distant interaction algorithms or rapid distortion theory. Phys. of Fluids, 15:13271339. Le Gland, F. et Oudjane, N. (2004). Stability and uniform approximation of nonlinear lters using the Hilbert metric and application to particle lters. Ann. Appl. Probab., 14:144187. Le Jan, Y. et Sznitman, A. (1997). Stochastic cascades and 3-dimensional NavierStokes equations. Probab. Theory Rel. Fields, 109:343366.

BIBLIOGRAPHIE

265

Lee, X., Massman, W. et Law, B. (2004). Handbook of micrometeorology. Kluwer Academic Publishers. Lenschow, D. (1986). Probing the Atmospheric Boundary Layer, chapitre Aircraft Measurements in the Boundary Layer, pages 3955. American Meteorological Society. Lenschow, D. et Spyers-Duran, P. (1989). Measurement techniques : air motion sensing. NCAR bulletin, 23. Liebethal, C. et Foken, T. (2001). Der einuss von korrekturen fr die eddykovarianz-methode auf die schliessung der energiebilanz. sterr. Beitr. Meteorol. & Geophys, 27:215. Lumley, J. (1970). Stochastic tools in turbulence. Academic press. Malik, N. et Vassilicos, J. (1999). A Lagrangian model for turbulent dispersion with turbulent-like ow structure : comparison with direct simulation for twoparticle statistic. Phys. of Fluids, 11:15721580. McKean, H. (1966). A class of Markov processes associated with nonlinear parabolic equations. Proceedings of the National Academy of Sciences of the United States of America, 56:19071911. McKean, H. (1967). Propagation of chaos for a class of non linear parabolic equations. Stochastic Dierential Equations (Lecture Series in Dierential Equations), 7:4157. Mlard, S. (1996). Probabilistic models for nonlinear partial dierential equations lectures given at the 1 st session of the Centro Internazionale Matematico Estivo (C.I.M.E.) held in Montecatini Terme, Italy, May 22-30, 1995, chapitre Asymptotic behaviour of some interacting particle systems for McKean-Vlasov and Boltzmann models. Springer-Verlag. Mlard, S. (2001). Monte-Carlo approximations of the solution of the 2D NavierStokes equation with nite measure initial data. Probab. Theory Rel. Fields, 121:367388. Mlard, S. et Roelly-Coppoletta, S. (1988). Sminaire de Probabilits, XXII, Lecture Notes in Math., 1321, chapitre Systme de particules et mesuresmartingales : un thorme de propagation du chaos, pages 438448. Springer. Menaldi, J. et Sritharan, S. (2002). Stochastic 2D Navier-Stokes equation. App. Math. & Optim., 46:3153.

BIBLIOGRAPHIE

266

Meyer, Y. (1990). Ondelettes et Oprateurs, tome 1. Hermann. Miclo, L. et Del Moral, P. (2001). Genealogies and increasing propagation of chaos for Feynman-Kac and genetic models. Ann. Appl. Probab., 11:11661198. Mikulevicius, R. et Rozovskii, B. (2001). Stochastic Navier-Stokes equations. propagation of chaos and statistical moments. Optimal control and partial differential equation, pages 258267. Mikulevicius, R. et Rozovskii, B. (2004). Stochastic Navier-Stokes equations for turbulent ows. SIAM J. Math. Analysis, 35:12501310. Minier, J. et Peirano, E. (2001). The PDF approach to turbulent polydispersed two-phase ows. Phys. Reports, 352:1214. Novikov, E. (1980). The eects of intermittency on statistical characteristics of turbulence and scale similarity of breakdown coecients. Phys. of Fluids A 2, 5:814820. Nualart, D. (1995). The Malliavin Calculus and Related Topics. Springer-Verlag. Olla, P. et Paradisi, P. (2004). Relations between Lagrangian models and synthetic random velocity elds. Phys. Rev. E, 70:0463051 04630521. Onsager, L. (1949). Statistical hydrodynamics. Nuovo Cimento, 6:279287. Pardoux, E. (1991). Ecole dEt de Probabilits de Saint-Flour XIX-1989, Lecture Notes in Mathematics 1464, chapitre Filtrage non-linaire et quations aux drives partielles stochatiques associes, pages 69163. Springer-Verlag. Polyakov, A. (1995). Turbulence without pressure. Phys. Rev. E, 52:61836188. Pope, S. (1981). Transport equation for the joint probability density function of velocity and scalars in turbulent ow. Phys. of Fluids, 24:588596. Pope, S. (1983). A Lagrangian twotime pdf equation for inhomogeneous turbulent ows. Phys. of Fluids, 26:34483450. Pope, S. (1985). PDF methods for turbulent reactive ows. Progress in Energy and Combustion Science, 11:119192. Pope, S. (1991). Application of the velocity-dissipation probability density function model to inhomogeneous turbulent ows. Phys. of Fluids A, 3:19471957. Pope, S. (1994a). Lagrangian PDF methods for turbulent ows. Ann. Rev. Fluid Mech., 26:2363.

BIBLIOGRAPHIE

267

Pope, S. (1994b). On the relationship between stochastic Lagrangian models of turbulence and second-moment closure. Phys. of Fluids, 6:973985. Pope, S. (1995). Particle method for turbulent ows : integration of stochastic model equations. J. of Computational Phys., 117:332349. Pope, S. (2000). Turbulent Flows. Cambridge University Press. Pope, S. (2002a). A stochastic Lagrangian model for acceleration in turbulent ows. Phys. of Fluids, 14:23602375. Pope, S. (2002b). Stochastic Lagrangian models of velocity in homogeneous turbulent shear ow. Phys. of Fluids, 14:16961702. Pope, S. et Chen, Y. (1990). The velocity-dissipation probability density function model for turbulent ows. Phys. of Fluids A, 2:14371449. Renner, C., Peinke, J. et Friedrich, R. (2002). On the interaction between velocity increment and energy dissipation in the turbulent cascade. arXiv :physics/0211121. Revuz, D. et Yor, M. (1990). Continuous Martingales and Brownian Motion. Springer-Verlag. Romito, M. (2006). Existence of martingale and stationary suitable weak solutions for a stochastic Navier-Stokes system. arXiv :math.PR/0609318. Rousset, M. (2006). Mthodes population Monte-Carlo en temps continu pour la physique numrique. Thse de doctorat, LSP, Univ. Paul Sabatier, Toulouse. Sawford, B. et Yeung, P. (2001). Lagrangian statistics in uniform shear ow : Direct numerical simulation and Lagrangian stochastics models. Phys. of Fluids, 13:26272634. Sawford, B. et Yeung, P. (2003). Improved Lagrangian mixing models for passive scalars in isotropic turbulence. Phys. of Fluids, 15:961985. Schertzer, D., Lovejoy, S. et Hubert, P. (2002). Mathematical Problems in Environmental Science and Engineering, chapitre An Introduction to Stochastic Multifractal Fields, pages 106179. Higher Education Press. Schmitt, F., Schertzer, D., Lovejoy, S. et Brunet, Y. (1994). Empirical study of multifractal phase transitions in atmospheric turbulence. Nonlinear Processes in Geophysics, 1:95104.

BIBLIOGRAPHIE

268

Shannon, C. (1948). A mathematical theory of communication. The Bell system technical journal, 27:623656. She, Z. (1997). Lecture Notes in Physics, chapitre Hierarchical structures and scalings in turbulence. Springer-Verlag, Berlin. Sheikhi, M., Drozda, T., Givi, P. et Pope, S. (2003). Velocity scalars ltered joint density function for large eddy simulation of turbulent ows. Phys. of Fluids, 15:23212337. Slooten, P. V., Pope, S. et Jayesh (1998). Advances in PDF modeling for inhomogeneous turbulent ows. Phys. of Fluids, 10:246265. Sritharan, S. (1995). Nonlinear Stochastic PDEs : Burgers Turbulence and Hydrodynamic Limit, chapitre Nonlinear ltering of stochastic Navier-Stokes equation, pages 247260. Springer-Verlag. Stratonovich, R. (1960). Conditional Markov processes. Theor. Prob. Appl., 5:156 178. Swiech, A. (2006). Large deviations for stochastic Navier-Stokes equations : a PDE approach. prepublication. Sznitman, A. (1991). Ecole dEt de Probabilits de Saint-Flour XIX-1989, Lecture Notes in Math., 1464, chapitre Topics in propagation of chaos. Springer-Verlag. Talay, D. (1996). Probabilistic Models for Nonlinear Partial Dierential Equations, Lecture Notes in Mathematics 1627, chapitre Probabilistic numerical methods for partial dierential equations : elements of analysis, pages 48196. Springer-Verlag. Tanaka, H. (1978). Probabilistic treatment of the Boltzmann equation of Maxwellian molecules. Probab. Theory Rel. Fields, 46:67105. Thomson, D. (1986a). On the relative dispersion of two particles in homogeneous stationnary turbulence and the implications for the size of concentration uctuations at large times. Quaterly Journal of the Royal Meteorological Society., 112:890894. Thomson, D. (1986b). A random walk model of dispersion in turbulent ows and its application to dispersion in a valley. Quaterly Journal of the Royal Meteorological Society., 112:511530. Thomson, D. (1990). A stochastic model for the motion particle pairs in isotropic high-Reynolds-number turbulence, and its application to the problem of concentration variance. J. Fluid Mech., 210:113153.

BIBLIOGRAPHIE

269

Tran, V., Monbet, V. et LeGland, F. (2006). Filtre de Kalman densemble et ltres particulaires pour le modle de Lorenz. In Actes de la Manifestation des Jeunes Chercheurs STIC (MajecSTIC06), Lorient, November 22-24, 2006. Van Slooten, P. et Pope, S. (1997). PDF modeling for inhomogeneous turbulence with exact representation of rapid distortions. Phys. of Fluids, 9:10851105. Varadhan, S. (2004). Random walks in a random environment. Proceedings of the Indian Academy of Science, 114:309318. Vincenzi, D. (2003). Diusion, tirement et intermittence dans le transport turbulent. Thse de doctorat, Universit de Nice Sophia-Antipolis. Wang, D., Tong, C. et Pope, S. (2004). Experimental study of velocity ltered joint density function for large eddy simulation. Phys. of Fluids, 16:35993613. Weynans, L. (2006). Mthode particulaire multi-niveaux pour la dynamique des gaz, application au calcul dcoulements multiuides. Thse de doctorat, Universit Joseph Fourier. Wieser, A., Fiedler, E. et Corsmeier, U. (2001). The inuence of the sensor design on wind measurements with sonic anemometer systems. J. of Atm. and Oceanic Tech., 18:15851608. Xu, J. et Pope, S. (1997a). Analysis of numerical errors in solving particle Langevin equations, cornell university report fda 9707. Rapport technique, Cornell University. Xu, J. et Pope, S. (1997b). Sources of bias in particles-mesh methods for PDF models for turbulent ows, cornell university report fda 9701. Rapport technique, Cornell University. Xu, J. et Pope, S. (1999). Assessment of numerical accuracy of PDF/Monte Carlo methods for turbulent reacting ows. J. of Computational Phys., 152:192230. Yakhot, V. (1998). Probability density and scaling exponents of the moments of longitudinal velocity dierence in strong turbulence. Phys. Rev. E, 57:1737 1751. Yakhot, V. (2001). Mean-eld approximation and a small parameter in turbulence theory. Phys. Rev. E, 63:026307. Yeung, P. et Pope, S. (1988). An algorithm for tracking uid particles in numerical simulations of homogeneous turbulence. J. of Computational Phys., 79:373416.

BIBLIOGRAPHIE

270

Yor, M. (1977). Sminaire de probabilits XI - 1975-1976, chapitre Sur les thories du ltrage et de la prdiction, pages 257297. Springer-Verlag. Zakai, M. (1969). On the optimal ltering of diusion processes. Zeischrift. Wahrscheinlichkeitstheorie. Verw. Geb., 11:230243. Zeitouni, O. (2003). Lecture Notes on Random Walks in Random Environment, chapitre II, pages 191312. Springer Verlag.

Annexe A Filtrage Stochastique dune dynamique linaire Gaussienne


Dans cette annexe, on rappelle les techniques existantes pour ltrer des processus rgis essentiellement par des bruits de dynamique ou dobservation Gaussiens. On note N (, ) la mesure Gaussienne sur Rd de moyenne Rd et de matrice de covariance Rdd et N (, )(dx) = 1 (2 )d/2 det( ) exp [21 (x ). 1 .(x )T ] dx

A.1

Le ltre de Kalman-Bucy

Cet estimateur est lun des plus utilis dans les sciences de lingnieur car il est ecace et facile mettre en uvre, notamment sur les machines vectorielles. Dans le cas du traitement du signal, le problme du ltrage consiste estimer les lois conditionnelles des tats dun signal par rapport une squence dobservations partielles et bruites. On la dj voqu, les tats du Xn ne sont pas directement atteints. Mais chaque pas de temps n, on dispose dune observation Yn de ltat Xn . On peut montrer que le ltre de Kalman pour une dynamique linaire Gaussienne bruit dobservations Gaussiens est le prdicteur optimal et quil fournit les lois conditionnelles : Loi(Xn | Y0 , . . . , Yn1 ) et Loi(Xn | Y0 , . . . , Yn ). Premier du genre, cest aussi larchtype du ltre adaptatif qui apprend les paramtres au fur et mesure de larrive des observations.

Annexe A. Filtrage Stochastique dune dynamique linaire Gaussienne

272

Soit le couple signal/observation (Xn , Yn ) suppos tre une chane de Markov valeurs dans Rp+q , et dnie pour n 0 : Xn = An .Xn1 + Bn Wn (A.1) Yn = Cn .Xn + Dn Vn Y = y 0 0 Par hypothse, les termes (An , Bn , Cn , Dn ) sont des matrices dterministes, les bruits Wn , et Vn sont des variables alatoires Gaussiennes indpendantes. On suppose quils sont indpendants de la variable initiale X0 , avec des matrices de v w . et Rn covariance respectivement Rn La variable initiale X0 est suppose de moyenne X 0 = E(X0 ) et de matrice de covariance P 0 = E((X0 E(X0 )) . (X0 E(X0 ))T ). Le prdicteur est la mesure Gaussienne Loi(Xn | Y0 , . . . , Yn1 ) = N (X n , P n ). Le ltre optimal est la mesure toujours Gaussienne Loi(Xn | Y0 , . . . , Yn ) = n, P n ). N (X n ) correspondent aux esprances conditionnelles Les moyennes (X n , X n = E(Xn | Y0 , . . . , Yn ) X n = E(Xn | Y0 , . . . , Yn1 ) et X n ) reprsentent les matrices de covariance derreurs entre Les matrices (P n , P n ) et le signal Xn observ les estimateurs conditionnels (X n , X n = E([Xn X n ].[Xn X n ]T ) P n = E([Xn X n ].[Xn X n ]T ) et P On calcule rcursivement, au fur et mesure de larrive des observations, lvolution des lois conditionnelles par deux tapes dapprentissage n, P n ) N (X n , P n ) N (X N (X n+1 , P n+1 )
Mise jour Prdiction

(A.2)

Ltablissement des quations du ltre utilise le caractre linaire et des proprits des lois Gaussiennes : X n+1 = E(An+1 Xn + Bn+1 Wn+1 | (Y0 , . . . , Yn )) n = An+1 X

(A.3)

n ) + Bn+1 Wn+1 ).(An+1 (Xn X n ) + Bn+1 Wn+1 )T ] P n+1 = E[(An+1 (Xn X n .AT + Bn+1 Rw B T (A.4) = An+1 .P
n+1 n+1 n+1

Annexe A. Filtrage Stochastique dune dynamique linaire Gaussienne

273

n X n ) comme X n X n = Gn (Yn Il est possible dexprimer la dirence (X Y n ) avec une matrice Gn que lon exprime par aprs et on a pour Y n : Y n = E(Yn |(Y0 , . . . , Yn1 )) = Cn X n (A.5)

n X n = Gn (Yn Y n ) Gn est appele la matrice de gain de Kalman. La forme X suggre que la correction sera dautant plus forte que lerreur dobservation sera grande, Gn agit donc comme une force de rappel. Pour la calculer, on utilise n ).(Yn Y n )T ) = 0 E((Xn X et Yn Y n = Cn (Xn X n ) + Dn Vn Prenant les esprances, on obtient E((Xn X n ).(Yn Y n )T ) = Gn E((Yn Y n ).(Yn Y n )T ) Ensuite de E((Xn X n ).(Yn Y n )T ) = E((Xn X n ).(Cn [Xn X n ] + Vn )T )
T = P n Cn

(A.6) (A.7)

(A.8)

(A.9)

T T v T 1 on dduit Gn = P n Cn (Cn P n Cn + Dn Rn Dn ) . Cette expression donne in ne

n = P n Gn Cn P n P Etabli, le ltre de Kalman tient en 5 quations. 2 pour ltape de prdiction : n X n+1 = An+1 X w T n AT P n+1 = An+1 P n+1 + Bn+1 Rn+1 Bn+1 et 3 pour ltape de correction : n = X n + Gn (Yn Cn X n ) X
v T 1 T T Dn ) (Cn P n Cn + Dn Rn Gn = P n Cn n = P n Gn Cn P n P

Quand lhypothse de linarit nest pas vrie, mais que lquation de dynamique est direntiable, il est possible de se ramener au cas prcdent par une

Annexe A. Filtrage Stochastique dune dynamique linaire Gaussienne

274

linarisation. Ce ltre est alors appel le Kalman tendu, nous ne le prsentons pas ici. Lestimateur de Kalman peut scrire de manire identique en temps continu, et devient le ltre de Kalman-Bucy.

A.2

Filtres de Kalman en interaction

n et de transporter et Un ltre de Kalman permet de suivre un tat estim X n, P n ) pour une dynamique linaire Gauscorriger la loi Gaussienne associe N (X sienne. Certains auteurs mettent en parallle plusieurs ltres de Kalman pour augmenter lexploration de lespace des phases. Ils restituent alors des tats moyens. Dans Del Moral (2004) se trouve une amlioration des ces Kalman en parallle, par une hybridation des Kalman avec un ltre particulaire comme prsent au chapitre 5. Lide est de placer N > 0 ltres de Kalman en parallle qui sont mis en comptition dans une tape de slection gntique. Les mieux placs seront favoriss en augmentant leur chance de donner des descendants, les moins adapts auront une chance plus grande de steindre. Les ltres de Kalman en interaction sont alors des algorithmes particulaires o chaque particule est conjointement un tat et une mesure Gaussienne. On utilise le mme modle de dynamique A.1 avec le mme jeu de notations.
i i i i Pour chaque particule, 1 i N , on note n = (n , n ) o n est ltat dans i lespace des phases et n est la loi Gaussienne associe. i A ltape initiale, on distribue les N tats 0 selon la loi 0 et les Gaussiennes N 1 1 i i i i i i 2 i i sont donnes par 0 = N (m0 , P0 ) avec m0 = N N j =1 0 et P0 = N j =1 [0 m0 ] . i La n-ime tape de slection se fait sur les particules n avec le noyau de i slection G(n ) qui est donn par : T v i i n ( i ) = dN (Cn mn , Cn Pn C + Rn ) (yn ) G n v) dN (0, Rn

(A.10)

n (zn )zn + [1 G n (zn )]n (n ) Cette slection gntique du type Sn,n (zn , ) = G i i , i = ( choisit N particules que lon note n n ). n Pour ltape de mutation, lquation de dynamique de ce ltre particulaire est

Annexe A. Filtrage Stochastique dune dynamique linaire Gaussienne

275

i volue selon le ltre de Kalman celle du ltre de Kalman et chaque particule n qui lui est propre avec les quations tablies dans la section prcdente. On trouvera dans Del Moral (2004) une estime derreur Lp de ces ltres de Kalman en interaction en 1N .

A.3

Filtre de Kalman densemble

Sils sont performants pour les systmes linaires ou linarisables bruits Gaussiens, ces ltres de Kalman sourent dun dfaut numrique qui peut devenir majeur lorsque la dimension du vecteur dtat devient important (disons quelques millions de composantes). En eet pour calculer la matrice de covariance, il faut calculer et stocker une matrice ayant un nombre dlments carr du nombre de dimension. Les mthodes particulaires pures ne sourent pas de cette dicult, mais sont galement coteuses en temps de calcul par le nombre de particules ncessaires lexploration des non-linarits. Geir Evensen a dvelopp et popularis dans les communauts des ocanographes puis des mtorologistes un ltre intermdiaire qui ne demande pas dinversion matricielle, qui permet dutiliser linformation dun ensemble limit de ltres de Kalman, mais qui nest pas aussi performant quun ltre particulaire pur. Nous prsentons ici le ltre de Kalman densemble dEvensen.

A.3.1

Le Filtre de Kalman densemble dEvensen

On considre le systme dobservation de ltat Xn Rd , avec d 1 : Xn = An (Xn1 ) + Qn .Wn Yn = Cn .Xn + Rn .Vn Wn N (0, 1) Vn N (0, 1) (A.11)

o A est cette fois une fonction non forcment linaire de Xn . Lalgorithme numrique du ltre de Kalman densemble N > 0 lments est alors le suivant : A ltape initiale, on se donne P0 > 0 et on produit un ensemble de ralisations 1 N ) i.i.d. avec N (0, P0 ) (X0 , . . . X 0

Annexe A. Filtrage Stochastique dune dynamique linaire Gaussienne Pour tout i = 1 . . . N , et n 1 on a le systme dquations de lEnKF :
i i ) + Xn = An (X n1 i Qn .Wn

276

i Wn N (0, 1) (A.12)

mN n
N Pn

1 = N

N i Xn i=1 N i i N T (Xn mN n )(Xn mn ) i=1 i Rn .Vn .( i=1 i T Rn .Vn ) i Vn N (0, 1) (A.15)

(A.13) (A.14)

1 = N 1 1 = N
N

N Rn

N T N T N 1 GN = Pn .Cn .(Cn .Pn .Cn + Rn ) n

(A.16)

Appliquant une correction de la mme manire que peut le faire le ltre de i n Kalman classique, les lments de lensemble X voluent selon : i = X i + GN . Yn Cn .X i + X n n n n
i Rn .Vn

(A.17)

Ces 6 quations constituent les tapes du ltre de Kalman dEvensen. Reprenant ce jeux dquations si on sintresse au processus de correction il volue pour chaque lment selon : i = An (X i ) + X n n1
i i i Qn .Wn + GN n . Yn Cn .An (Xn1 ) Cn . Qn .Wn + i Rn .Vn (A.18)

Franois Legland, Vu-Duc Tran et Valrie Monbet, Tran et al. (2006), ont tudi la convergence du ltre de lEnKF lorsque le nombre dlments devient grand et montr pour la premire fois des asymptotiques qui ntaient subodors quheuristiquement par les mtorologistes et ocanographes, et une convergence vers un processus qui nest pas celui escompt par ce ltre. Pour notre part, on peut proposer une interprtation dirente ce processus de ltrage.

A.3.2

Interprtation de lEnKF par un ltrage de processus champ moyen

Lquation sur lvolution du processus de mise jour A.18 suggre un processus de Markov non-linaire avec une interprtation en champ moyen pour lEnKF. n pour simplier la notation. On note le processus de mise jour Zn = X

Annexe A. Filtrage Stochastique dune dynamique linaire Gaussienne Le processus de Markov Zn suit lquation

277

Rn .Vn (A.19) T T 1 avec Gn = Pn Cn [Cn Pn Cn + Rn ] et Rn = E [An (Zn1 + Qn Wn ][An (Zn1 + T Qn Wn ]T et Rn = E [ Rn Vn ] Rn Vn


i Quand on utilise un systme de N particules (Zn )1iN pour approcher la i dynamique de Zn , on regarde par exemple la moyenne empirique de Zn : Zn = N 1 i i=1 Zn . Dans ce cas Z n = A(Zn1 ) + Gn [Yn Cn A(Zn1 )]. N

Zn = An (Zn1 ) +

Qn .Wn + GN n . Yn Cn .An (Zn1 ) Cn . Qn .Wn +

Si A est linaire, on retrouve exactement lestimateur de Kalman pour le processus de correction. En tous les cas, lestimation est exacte si le systme dobservation (Xn , Yn ) est linaire Gaussien, et cest le meilleur estimateur linaire sinon. On peut remplacer dans le modle de dynamique An (Zn1 ) + Qn .Wn par une fonction plus gnrale Fn (Zn1 , Wn ). On note n la loi de Zn , et on considre le systme observ Zn = Fn (Zn1 , Wn ) Yn = E(Zn ) + Vn (A.20)

Gn est clairement un oprateur de champ moyen dpendant de n et le processus de ltrage scrit Zn = F (Zn1 , Wn ) + Gn [Yn Cn F (Zn1 , Wn ) Vn ] (A.21)

Le ltre de Kalman densemble approche donc un processus de Markov nonN 1 N i linaire. Si A est linaire lapproximation est exacte et on a n =N i=1 Zn n = Loi(Zn ). Ce processus de Markov possde une interprtation de McKean. En eet F (Zn1 , Wn ) correspond ltape de mutation du processus de ltrage avec un noyau not Mn et Gn [Yn Cn F (Zn1 , Wn ) Vn ] qui est un processus de correction induit un noyau de slection Kn,Yn ,n1 et on a le systme dynamique n = n1 Kn,Yn ,n1 Mn issu de 0 . Dans le cas de bruit gaussien, [z x Gn (Yn Cn x)]2 ) Kn,Yn ,n1 (x, dz ) = exp( 2G2 n Rn (A.23) (A.22)

Ainsi le ltre de Kalman densemble est un ltre de Kalman en interaction par le champ moyen pour lequel on possde dj des estimes Lp .

Annexe A. Filtrage Stochastique dune dynamique linaire Gaussienne

278

LEnKF pour un ensemble de particules grand est plus cher quun ltre particulaire bas sur le mme modle, mais pour un petit ensemble dlments le ltre particulaire classique est plus risqu que le ltre densemble conduit par un processus de correction plutt que de redistribution.

Annexe B Tableaux des carts entre les vents de rfrence et ltrs


Nous prsentons les tableaux des carts entre un vent unidimensionnel qui nous a servi de rfrence et les vents ltrs dans une srie dexprience o lon a fait varier le niveau de bruit et le nombre de particules.

Annexe B. Tableaux des carts entre les vents de rfrence et ltrs

Tab. B.1 Ecart entre le vent de rfrence simul et le vent ltr en utilisant le modle complet. Erreur en moyenne absolue pour un nombre croissant de particules en fonction du niveau de bruit 3/2 1 1/2 1/3 1/4 1/5 1/7 100 0.30711 0.19175 0.09717 0.07303 0.05630 0.05209 0.04425 200 0.27740 0.20428 0.10932 0.07537 0.06502 0.04847 0.03805 300 0.28122 0.21818 0.11331 0.07250 0.05125 0.04409 0.03893 400 0.29011 0.20087 0.10194 0.07957 0.05458 0.04839 0.03905 500 0.28932 0.19060 0.10732 0.06743 0.05761 0.04421 0.03943 600 0.25754 0.20065 0.10663 0.06730 0.06104 0.04370 0.03806

700 0.26537 0.21703 0.09958 0.08317 0.05784 0.04998 0.04126

280

Annexe B. Tableaux des carts entre les vents de rfrence et ltrs

Tab. B.2 Ecart entre le vent de rfrence simul et le vent ltr en utilisant le modle complet. Variance de lerreur pour un nombre croissant de particules en fonction du niveau de bruit 3/2 1 1/2 1/3 1/4 1/5 1/7 100 0.17189 0.06920 0.02527 0.01508 0.01126 0.01003 0.00868 200 0.12857 0.08465 0.03178 0.01624 0.01327 0.01044 0.00780 300 0.12436 0.09101 0.03244 0.01583 0.00972 0.00852 0.00799 400 0.14821 0.07887 0.02535 0.01690 0.01131 0.00926 0.00826 500 0.13494 0.06990 0.02555 0.01439 0.01262 0.00998 0.00806 600 0.10776 0.08776 0.02621 0.01438 0.01077 0.00919 0.00782

700 0.11442 0.08246 0.02792 0.01844 0.01271 0.01008 0.00861

281

Annexe B. Tableaux des carts entre les vents de rfrence et ltrs

Tab. B.3 Ecart entre le vent de rfrence rel et le vent ltr en utilisant le modle complet. Erreur en moyenne absolue pour un nombre croissant de particules en fonction du niveau de bruit 3/2 1 1/2 1/3 1/4 1/5 1/7 100 0.38247 0.24579 0.17428 0.15155 0.13397 0.13607 0.12948 200 0.33575 0.21301 0.17944 0.14614 0.13238 0.12778 0.13751 300 0.30930 0.25296 0.16927 0.15570 0.11978 0.10635 0.12922 400 0.29681 0.25961 0.18324 0.16338 0.11419 0.10808 0.10158 500 0.31364 0.22383 0.17784 0.14141 0.11499 0.13793 0.09773 600 0.29849 0.25618 0.15755 0.14650 0.11702 0.14010 0.12232

700 0.33430 0.25201 0.16294 0.14398 0.13512 0.11273 0.10586

282

Annexe B. Tableaux des carts entre les vents de rfrence et ltrs

Tab. B.4 Ecart entre le vent de rfrence rel et le vent ltr en utilisant le modle complet. Variance de lerreur pour un nombre croissant de particules en fonction du niveau de bruit 3/2 1 1/2 1/3 1/4 1/5 1/7 100 0.23629 0.10615 0.05815 0.04803 0.04009 0.04312 0.04729 200 0.18611 0.08359 0.06013 0.04218 0.03763 0.03508 0.06226 300 0.18113 0.11449 0.05365 0.05005 0.03113 0.02572 0.05080 400 0.15122 0.12216 0.06546 0.05403 0.02871 0.02634 0.02455 500 0.16523 0.09309 0.05812 0.04051 0.02914 0.04718 0.02309 600 0.15344 0.10956 0.04831 0.04289 0.02968 0.04234 0.03867

700 0.16557 0.10779 0.05222 0.03960 0.03652 0.02827 0.02838

283

Annexe B. Tableaux des carts entre les vents de rfrence et ltrs

Tab. B.5 Ecart entre le vent de rfrence simul et le vent ltr en utilisant le modle complet, le modle sans frquence turbulente et sans champ moyen. Erreur en moyenne absolue pour un nombre croissant de particules en fonction du niveau de bruit et modle 3/2 modle exact 3/2 sans frquence 3/2 sans champ moyen 1/5 modle exact 1/5 sans frquence 1/5 sans champ moyen 100 0.30711 0.27574 0.29719 0.05630 0.13335 0.05941 200 0.27740 0.29833 0.31863 0.06502 0.13365 0.06225 300 0.28122 0.29434 0.31180 0.05125 0.12797 0.05960 400 0.29011 0.27034 0.27026 0.05458 0.12813 0.05987 500 0.28932 0.27095 0.22921 0.05761 0.14814 0.05717 600 0.25754 0.26662 0.26564 0.06104 0.12367 0.05452

700 0.26537 0.26991 0.32354 0.05784 0.13408 0.06037

284

Annexe B. Tableaux des carts entre les vents de rfrence et ltrs

Tab. B.6 Ecart entre le vent de rfrence simul et le vent ltr en utilisant le modle complet, le modle sans frquence turbulente et sans champ moyen. Variance de lerreur pour un nombre croissant de particules en fonction du niveau de bruit et modle 3/2 modle exact 3/2 sans frquence 3/2 sans champ moyen 1/5 modle exact 1/5 sans frquence 1/5 sans champ moyen 100 0.17189 0.12564 0.16312 0.01126 0.03671 0.01124 200 0.12857 0.14677 0.16368 0.01327 0.03598 0.01214 300 0.12436 0.14040 0.16129 0.00972 0.03538 0.01142 400 0.14821 0.12080 0.12710 0.01131 0.03480 0.01201 500 0.13494 0.13273 0.09688 0.01262 0.04594 0.01122 600 0.10776 0.11051 0.11841 0.01077 0.03198 0.01127

700 0.11442 0.12436 0.18795 0.01271 0.03737 0.01133

285

Annexe B. Tableaux des carts entre les vents de rfrence et ltrs

Tab. B.7 Ecart entre le vent de rfrence rel et le vent ltr en utilisant le modle complet, le modle sans frquence turbulente et sans champ moyen. Erreur en moyenne absolue pour un nombre croissant de particules en fonction du niveau de bruit et modle 3/2 modle exact 3/2 sans frquence 3/2 sans champ moyen 1/5 modle exact 1/5 sans frquence 1/5 sans champ moyen 100 0.38247 0.33909 0.32507 0.13397 0.15807 0.16023 200 0.33575 0.27239 0.28290 0.13239 0.12842 0.12320 300 0.30931 0.31440 0.30369 0.11978 0.13008 0.11629 400 0.29681 0.29114 0.29215 0.11419 0.12455 0.15075 500 0.31365 0.29109 0.35491 0.11500 0.12176 0.12634 600 0.29850 0.30142 0.32162 0.11703 0.12371 0.11391

700 0.28431 0.25129 0.31604 0.13513 0.12754 0.12055

286

Annexe B. Tableaux des carts entre les vents de rfrence et ltrs

Tab. B.8 Ecart entre le vent de rfrence rel et le vent ltr en utilisant le modle complet, le modle sans frquence turbulente et sans champ moyen. Variance de lerreur pour un nombre croissant de particules en fonction du niveau de bruit et modle 3/2 modle exact 3/2 sans frquence 3/2 sans champ moyen 1/5 modle exact 1/5 sans frquence 1/5 sans champ moyen 100 0.23629 0.20296 0.17511 0.04009 0.05770 0.05758 200 0.18611 0.12688 0.13450 0.03763 0.03345 0.03309 300 0.18113 0.16732 0.15741 0.03113 0.03593 0.02961 400 0.15122 0.14158 0.14507 0.02871 0.03221 0.05150 500 0.16523 0.13935 0.20428 0.02914 0.03113 0.03331 600 0.15344 0.15655 0.16276 0.02968 0.03221 0.02922

700 0.16557 0.09883 0.18184 0.03652 0.03288 0.03118

287

Annexe B. Tableaux des carts entre les vents de rfrence et ltrs

Tab. B.9 Ecart entre le vent rel ou simul et le vent ltr en utilisant le modle complet ou sans champ moyen et 2 niveaux de bruit. Erreur en moyenne absolue pour un nombre croissant de particules donne, modle, rel, exact, 3 2 3 simul, exact, 2 3 rel, dgrad, 2 simul, dgrad, 3 2 1 rel, exact, 5 1 simul, exact, 5 1 rel, dgrad, 5 simul, dgrad, 1 5 100 0.38247 0.30711 0.32507 0.29719 0.13607 0.05209 0.13395 0.05486 200 0.33575 0.27740 0.28290 0.31863 0.12779 0.04847 0.11614 0.04924 300 0.30931 0.28122 0.30369 0.31180 0.10636 0.04409 0.14318 0.04669 400 0.29681 0.29011 0.29215 0.27026 0.10809 0.04839 0.10926 0.04848 500 0.31365 0.28932 0.35491 0.22921 0.13793 0.04421 0.11553 0.04674 600 0.29850 0.25754 0.32162 0.26564 0.14010 0.04370 0.10999 0.04163

700 0.28431 0.26537 0.31604 0.32354 0.11273 0.04998 0.10804 0.05098

288

Annexe B. Tableaux des carts entre les vents de rfrence et ltrs

Tab. B.10 Ecart entre le vent rel ou simul et le vent ltr en utilisant le modle complet ou sans champ moyen et 2 niveaux de bruit. Variance de lerreur pour un nombre croissant de particules donne, modle, rel, exact, 3 2 3 simul, exact, 2 3 rel, dgrad, 2 simul, dgrad, 3 2 1 rel, exact, 5 1 simul, exact, 5 1 rel, dgrad, 5 simul, dgrad, 1 5 100 0.23629 0.17189 0.17511 0.16312 0.04313 0.01003 0.04072 0.01033 200 0.18611 0.12857 0.13451 0.16368 0.03509 0.01044 0.02937 0.00953 300 0.18113 0.12436 0.15741 0.16129 0.02573 0.00852 0.04716 0.00948 400 0.15122 0.14821 0.14507 0.12710 0.02634 0.00926 0.02775 0.00994 500 0.16523 0.13494 0.20428 0.09688 0.04718 0.00998 0.02895 0.00904 600 0.15344 0.10776 0.16276 0.11841 0.04235 0.00919 0.02793 0.00857

700 0.15256 0.11442 0.18185 0.18795 0.02828 0.01008 0.02649 0.01034

289

Annexe C Code Scilab Filtrage dun vent 1D Simul


Le vent est simul puis ltr avec le modle lagrangien simpli de S.B. Pope, le taux de dissipation turbulent n est donn par la simulation dun processus de Lvy -stable croissant que lon drive, le gradient de pression est la drive dune somme de sinusodes. Le ltrage utilise lalgorithme propos et couple les systmes Lagrangiens, le systme dobservation et la trajectoire du capteur //*************************************************** .. .. *********************************************// // Filtrage dun vent simul bruit artificiellement .. .. par un filtre particulaire avec // // une slection gntique, et une exploration base .. .. sur le modle de turbulence de S.B. Pope, // // et une localisation sur le chemin .. .. dacquisition // //*******************************************************.. ..***************************************** // Nettoyage pralable clear; stacksize(80000000);

Annexe C. Code Scilab Filtrage dun vent 1D Simul // Rpertoires de travail HomeDir=$HOME/Simu/Donnees/; //Chargement des fichiers NomFic=Vent_Simule_BB.txt; V_ref=fscanfMat(HomeDir+NomFic);

291

// Vent de rfrence

// paramtres du filtre Npart=100; // Nombre de particules N=length(V_ref); // Longueur totale de lchantillon sigma_bruit=1/16; // sigma du bruit dobservation rayon=1; // rayon de la boule de redistribution //paramtres du modle dt=1/20.825; // pas de temps = 1/frquence sqdt=sqrt(dt); // pour ne calculer quune fois sqrt(dt) C0=2.1; // C0 modle de Pope = constante de Kolmogorov C1=1/2+3/4*C0; // C1 modle de Pope C1=1/2+3/4*C0 C2=3; // Coefficient dinteraction des moyennes locales //construction du vent bruit Y=V_ref+sigma_bruit*rand(N,1,normal); //Affichage du Vent et du Vent bruit xset("window",0); absc=[1:N]; plot2d(absc,Y,[2]); plot2d(absc,V_ref,[3]); //********************************// // Filtrage et Estimation du vent // //********************************// // initialisation des matrices Xi=zeros(Npart,N); Xid=zeros(Npart,N); Vi_hat=zeros(Npart,N); Vi=zeros(Npart,N); Xi_hat=zeros(Npart,N); PIs=zeros(Npart,N);

Annexe C. Code Scilab Filtrage dun vent 1D Simul Z=zeros(1,N); Eps=zeros(1,N); V_Fil_lisse=zeros(1,N);

292

// pour s= 2 on a besoin de : Vi_hat(:,1)=ones(Npart,1)*Y(1)+sigma_bruit*rand(Npart,1,normal); Vi_hat(:,2)=ones(Npart,1)*Y(2)+sigma_bruit*rand(Npart,1,normal); Xi_hat(:,2)=0.1*rand(Npart,1,normal); V_Fil_lisse(1,1)=Y(1); V_Fil_lisse(1,2)=Y(2); //Distribution initiales des particules // Boucle sur le temps for s=3:N // MJ des positions Xi(:,s)=Xi_hat(:,s-1)+Vi_hat(:,s-1)*dt; Xid(:,s)=Xi(:,s)+sqdt*rand(Npart,1,normal); // 1re slection: on conditionne rester dans la boule de taille rayon // on redistribue sur le reste de manire uniforme Hors=find(abs( Xid(:,s)-mean(Xi(:,s)) )>rayon); Dans=find(abs( Xid(:,s)-mean(Xi(:,s)) )<=rayon); if Hors<>[] then indice=floor(1+length(Dans)*grand(1,length(Hors),def)); Xi(Hors,1:s)=Xi(Dans(indice),1:s); Xid(Hors,1:s)=Xid(Dans(indice),1:s); Vi_hat(Hors,1:s)=Vi_hat(Dans(indice),1:s); end

// Mutation // calcul des paramtres locaux Z(s)=mean(Vi_hat(:,s-1)-Vi_hat(:,s-2)); Eps(s)=dt/C0*mean((Vi_hat(:,s-1)-Vi_hat(:,s-2))^2); //Calcul du noyau de rgularisation G^{\delta} = Gd Gd=diag(0.5*ones(Npart,1)); for i=1:Npart-1

Annexe C. Code Scilab Filtrage dun vent 1D Simul for k=i+1:Npart Gd(i,k)=exp(-C2*(Xid(i,s)-Xi(k,s))^2); end end Gd=Gd+Gd; Gd=Gd./(sum(Gd,c)*ones(1,Npart)); // Moyenne locale rgularise PIs(:,s)=Gd*Vi_hat(:,s-1); // Energie cintique turbulente (paramtre k) K_hat=1/2*(Gd*(Vi_hat(:,s)-PIs(:,s))^2); // Nouvelles vitesses Vi(:,s)=Vi_hat(:,s-1)+Z(s)*dt-C1*Eps(s)./K_hat.*.. ..(Vi_hat(:,s-1)-PIs(:,s))*dt+sqrt(C0*Eps(s))*sqdt.. ..*rand(Npart,1,normal); // Slection lobservation (code non optimis) G=exp(-(Y(s)*ones(Npart,1)-Vi(:,s))^2/(2*sigma_bruit^2)); F=cumsum(G/sum(G)); Rej=find(rand(Npart,1,uniform)>=G); NRej=length(Rej); Texpo=cumsum(-log(grand(1,NRej+1,def))); Vexp=Texpo/Texpo(NRej+1); Xi_hat(:,s)=Xid(:,s); Vi_hat(:,s)=Vi(:,s); for i=1:NRej k=find(F>=Vexp(i)); Xi_hat(Rej(i),1:s)=Xid(k(1),1:s); Vi_hat(Rej(i),1:s)=Vi(k(1),1:s); end // Fin boucle sur le temps end

293

Annexe C. Code Scilab Filtrage dun vent 1D Simul // Lissage final des trajectoires for i=3:s V_Fil_lisse(i-1)=mean(Vi_hat(:,i)); end //*******************************************************// //*******************************************************// // Affichage des rsultats // //*******************************************************// //*******************************************************// // Affichage des trajectoires xset("window",1); absc=[1:s]; plot2d(absc,V_Fil_lisse(1:s),[5]); plot2d(absc,V_ref(1:s),[3]) titre="Vent original et filtr"; xtitle(titre, "", "") ;

294

Annexe C. Code Scilab Filtrage dun vent 1D Simul

295

Christophe Baehr

Title : Probabilistic models for atmospheric turbulence to lter measurements with particle approximations
PhD advisors : Pierre Del Moral, Dominique Bakry et Jean-Louis Brenguier Meteo-France, Toulouse, September 23rd 2008

Abstract : Non-linear ltering of local turbulent uid measurements was an unexplored domain, we have developed stochastic modelings and ecient lters. We have dened and studied the acquisition process of a vector eld along a random path. We propose non-linear lters for mean-eld processes and prove the convergence of their particle approximations. We deeply modify the Lagrangian models of uids proposed by the physicists to make them compatible with the problem of ltering, the closure of these equations was obtained by conditioning the dynamics to the observation and to the acquisition process. Our algorithm allowed us to lter velocity measurements of a turbulent uid, simulated or real in 1D to 3D ows. Keywords : nonlinear ltering, Feynman-Kac formula, genealogical algorithm, particle approximation, asymptotic convergence, atmospheric turbulence, Lagrangian models, mean eld equation, McKean-Vlasov Specialty : Applied Mathematics Toulouse Mathematics Institute (UMR 5219) Laboratory of Statistics and Probability 118 route de Narbonne 31062 Toulouse Cedex 9 Mto-France / CNRS CNRM / GAME URA1357 42 Avenue Coriolis 31057 Toulouse Cedex 1

Christophe Baehr

Titre : Modlisation probabiliste des coulements atmosphriques turbulents an den ltrer la mesure par approche particulaire
Directeurs de thse : Pierre Del Moral, Dominique Bakry et Jean-Louis Brenguier Mto-France, Toulouse, le 23 Septembre 2008

Rsum : Le ltrage non-linaire des mesures ponctuelles dun uide turbulent tait un sujet vierge, nous donnons ici des modlisations stochastiques et des ltres pertinents. Nous avons dni et tudi le processus dacquisition dun champ vectoriel le long dun chemin alatoire. Nous avons propos des algorithmes de ltrage non-linaire pour les processus champ moyen et dmontr la convergence des approximations particulaires. Nous avons remani les modles Lagrangiens du uide proposs par les physiciens en fermant ces quations par un conditionnement en les couplant lobservation et au processus dacquisition. Nos algorithmes permettent alors de ltrer les mesures de vitesses dun uide turbulent simules ou relles en coulement 1D 3D. Mots cls : Filtrage non-linaire, formule de Feynman-Kac, algorithme gnalogique, approximation particulaire, convergence asymptotique, turbulence atmosphrique, modles Lagrangiens, quation de champ moyen, McKean-Vlasov Discipline : Mathmatiques Appliques Institut de Mathmatiques de Toulouse (UMR 5219) Laboratoire de Statistique et Probabilits 118 route de Narbonne 31062 Toulouse Cedex 9 Mto-France / CNRS CNRM / GAME URA1357 42 Avenue Coriolis 31057 Toulouse Cedex 1