Assimilation de Données Distribuées et Images Satellite – ADDISA

1. Contexte et motivation du projet La mauvaise prévision des événements extrêmes en météorologie et en océanographie a des conséquences dramatiques. Les spécialistes ont l'obligation morale et institutionnelle de réaliser une prévision précoce de ces événements afin d'alerter les autorités aussi tôt que possible et d'éviter les dommages importants aux biens et aux personnes. Les événements pour lesquelles ces prévisions sont fondamentales concernent par exemple : les tempêtes, le brouillard, les événements de neige ou de gel, les raz de marée, etc. Des précurseurs de ces phénomènes sont pourtant visibles sur les images satellitaires, mais ils ne sont généralement pas utilisés pour la prévision. Par ailleurs, dans certains domaines géophysiques, telle que l'océanographie, le réseau d'observation n'est pas suffisamment dense pour obtenir une prévision de grande qualité. Les données d'observation de la terre, qui représentent un volume gigantesque de données complémentaires, sont toutefois largement sous-utilisées. Ces données deviennent donc fondamentales pour améliorer autant que faire se peut la qualité de la prévision. La prévision numérique se heurte à de nombreuses difficultés : La non-linéarité des écoulements géophysiques induit des interactions entre les différentes échelles d'espace et de temps ainsi qu'entre les différentes composantes de l'environnement physique (océan, atmosphère), La connaissance que l'on a de ces phénomènes est fortement hétérogène : Information de type mathématique, obtenue en écrivant les lois de conservation. On obtient généralement un ensemble complexe d'Equations aux Dérivées Partielles non linéaires. Information de type physique, issue de mesures in situ et à distance. Information de type statistique, obtenue par des données historiques. Information fournie par les images, en particulier issues de l'observation spatiale. La mise en œuvre de la prévision numérique dans le contexte des écoulements géophysiques requiert la reconstitution de l'état du fluide, à un instant initial, en utilisant toutes les sources d'information potentiellement disponibles. C'est la problématique de l'Assimilation de Données. Les méthodes d'assimilation, fondées sur les méthodes de contrôle optimal ou sur celles de l'estimation statistique optimale, ont été proposées dès les années 1980, notamment par certains participants de ce projet (INRIA), puis mises en œuvre dans un cadre opérationnel (en particulier par MétéoFrance et le LEGI). Ces méthodes sont maintenant utilisées dans les plus grands centres météorologiques et océanographiques dans le monde. A l'heure actuelle, les outils d'assimilation permettent essentiellement d'utiliser les trois premiers types d'information, énumérés ci-dessus. Toutefois, en dépit de leur important potentiel informatif et de la possibilité d'y visualiser les précurseurs des événements extrêmes, les images et leur dynamique temporelle ne sont pas utilisées de façon systématique pour la prévision, et ceci faute d'un cadre méthodologique approprié. La présente proposition a donc pour objet l'extension de l'assimilation de données aux images, notamment celles acquises par des capteurs embarqués sur satellite. Les problèmes de données massives apparaissent alors : une année d'acquisitions satellite METEOSAT seconde génération représente environ 35000 images, pour un volume de données de 52To. Par ailleurs, intégrer l'information image dans le processus d'assimilation de données ne fait que renforcer le caractère hautement hétérogène (différentes données in situ, différents modèles, différentes images représentant des informations physiques de nature variée,...) et naturellement distribué (les modèles, les données, les images ne sont pas stockées sur les mêmes sites) du processus. Ce constat de sous utilisation des images existe dans d'autres disciplines connexes, telles que l'hydrologie (l'observation spatiale du lit majeur d'un fleuve lors d'une crue n'est utilisée de façon optimale da