Réduction de modèle et de données pour l'assimilation efficace – MODENA

La fiabilité des modèles numériques repose sur notre capacité à calibrer les paramètres méconnus du modèle à partir de données observables. L'assimilation de données est particulièrement difficile pour les modèles d'océan à cause de la complexité des modèles et de la grande dimension des paramètres et des données. L'objectif de ce projet est d'explorer de nouvelles méthodes pour améliorer la description probabiliste de la solution Bayesienne du problème inverse, tout en prenant en compte les limitations computationelles imposées par la complexité des modèles océaniques. Ce projet repose sur trois axes principaux ainsi que sur leur interactions: 1/ l'utilisation de transport de mesure comme outils d'approximation de densité de probabilité 2/ le développement de méthodes de réduction de modèle pour alléger les coûts de calcul et 3/ la réduction de dimension pour identifier des directions pertinentes sur lesquelles il faut concentrer l'effort numérique. Même si les applications visées ici sont en modélisation océanique, les méthodologies développées dans ce projet abordent des challenges présents dans plusieurs autres domaines d'applications dans lesquels nos contributions pourront être utilisées et disséminées.