Filtre de Kalman d'ensemble et filtres particulaires pour le ... - Inria
Filtre de Kalman d'ensemble et filtres particulaires pour le ... - Inria
Filtre de Kalman d'ensemble et filtres particulaires pour le ... - Inria
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
20<br />
15<br />
10<br />
Sir<br />
Bootstrap<br />
EnKF<br />
Borne Cramér−rao<br />
20<br />
15<br />
10<br />
Sir<br />
Bootstrap<br />
EnKF<br />
Borne Cramér−rao<br />
5<br />
5<br />
0<br />
0 50 100 150 200 250 300<br />
20<br />
15<br />
10<br />
5<br />
Sir<br />
Bootstrap<br />
EnKF<br />
Borne Cramér−rao<br />
0<br />
0 50 100 150 200 250 300<br />
0<br />
0 50 100 150 200 250 300<br />
20<br />
15<br />
10<br />
5<br />
Sir<br />
Bootstrap<br />
EnKF<br />
Borne Cramér−rao<br />
0<br />
0 50 100 150 200 250 300<br />
FIG. 1 – Variances <strong>de</strong>s estimateurs <strong>et</strong> borne <strong>de</strong> Cramer-<br />
Rao - Q = I, R = I, Haut : EDO. Bas : EDS. ... bootstrap<br />
, .- SIR, — EnKF, - - - borne <strong>de</strong> Cramer-Rao.<br />
FIG. 3 – Variances <strong>de</strong>s estimateurs <strong>et</strong> borne <strong>de</strong> Cramer-<br />
Rao - EDO, Haut : Q = I, R = 25I. Bas : Q = 25I,<br />
R = I . ... bootstrap , .- SIR, — EnKF, - - - borne <strong>de</strong><br />
Cramer-Rao.<br />
20<br />
15<br />
10<br />
5<br />
Sir<br />
Bootstrap<br />
EnKF<br />
Borne Cramér−rao<br />
0<br />
0 50 100 150 200 250 300<br />
20<br />
15<br />
10<br />
5<br />
Sir<br />
Bootstrap<br />
EnKF<br />
Borne Cramér−rao<br />
0<br />
0 50 100 150 200 250 300<br />
FIG. 2 – Variances <strong>de</strong>s estimateurs <strong>et</strong> borne <strong>de</strong> Cramer-<br />
Rao - Q = 25I, R = 25I, Haut : EDO. Bas : EDS. ...<br />
bootstrap , .- SIR, — EnKF, - - - borne <strong>de</strong> Cramer-Rao.<br />
sont simulées à partir <strong>de</strong> la solution <strong>de</strong> référence en<br />
ajoutant un bruit gaussien centré <strong>de</strong> variance I 3,3 aux<br />
va<strong>le</strong>urs <strong>de</strong> l’état (Figure 1) <strong>et</strong> 25I 3,3 (Figure 2). On<br />
note I n,n la matrice i<strong>de</strong>ntité sur R n,n . Dans <strong>le</strong> premier<br />
cas, l’erreur du modè<strong>le</strong> est un bruit gaussien centré <strong>de</strong><br />
variance Q = I 3,3 <strong>et</strong> dans <strong>le</strong> second cas <strong>de</strong> variance<br />
Q = 25I 3,3 .<br />
Pour comparer <strong>le</strong>s performances <strong>de</strong>s <strong>filtres</strong>, 100 trajectoires<br />
du modè<strong>le</strong> <strong>de</strong> Lorenz ont été simulées <strong>et</strong> réestimées<br />
en utilisant <strong>le</strong>s trois <strong>filtres</strong> avec 100 particu<strong>le</strong>s. Les figures<br />
1 à 3 montrent l’erreur en variance <strong>de</strong>s estimateurs ainsi<br />
que la trace <strong>de</strong> la borne <strong>de</strong> Cramer-Rao <strong>pour</strong> <strong>le</strong>s <strong>de</strong>ux<br />
schémas <strong>de</strong> discrétisation EDO <strong>et</strong> EDS. Pour faciliter <strong>le</strong>s<br />
comparaisons, l’erreur en variance est approchée par la<br />
formu<strong>le</strong> <strong>de</strong> l’équation (12). Nous avons vérifié que <strong>le</strong>s<br />
biais sont nuls. Avant <strong>de</strong> discuter <strong>le</strong>s figures, il faut remarquer<br />
que <strong>le</strong> temps <strong>de</strong> calcul nécessaire <strong>pour</strong> <strong>le</strong> filtre<br />
EnKF est en moyenne 3 fois plus important que celui <strong>de</strong>s<br />
<strong>filtres</strong> SIR <strong>et</strong> bootstrap <strong>pour</strong> l’oscillateur <strong>de</strong> Lorenz.<br />
Le fait <strong>de</strong> considérer une équation différentiel<strong>le</strong> ordi-<br />
naire ou stochastique ne modifie pas l’ordre <strong>de</strong> l’erreur<br />
en moyenne quadratique.<br />
Les figures 1 <strong>et</strong> 2 montrent que dans tous <strong>le</strong>s cas <strong>le</strong>s performances<br />
<strong>de</strong>s <strong>filtres</strong> SIR <strong>et</strong> EnKF sont similaire. Pour ces<br />
<strong>de</strong>ux <strong>filtres</strong> l’erreur en moyenne quadratique, entre la trajectoire<br />
estimé <strong>et</strong> la trajectoire <strong>de</strong> référence, est proche<br />
<strong>de</strong> la borne <strong>de</strong> Cramer Rao. En revanche, on observe<br />
que <strong>le</strong> filtre bootstrap semb<strong>le</strong> inadapté dans <strong>le</strong> cas où<br />
<strong>le</strong>s variances sont faib<strong>le</strong>s. Ce phénomène peut s’expliquer<br />
par <strong>le</strong> fait qu’après l’étape <strong>de</strong> prédiction <strong>le</strong>s particu<strong>le</strong>s<br />
peuvent toutes se trouver sur un <strong>de</strong>s lobes <strong>et</strong> alors<br />
que l’observation est sur l’autre lobe. L’étape <strong>de</strong> correction<br />
du bootstrap ne perm<strong>et</strong> pas <strong>de</strong> déplacer <strong>le</strong>s particu<strong>le</strong>s<br />
<strong>et</strong> on observe donc une forte erreur. Lorsque la variance<br />
<strong>de</strong> l’équation d’état est forte, <strong>le</strong> risque <strong>de</strong> se trouver dans<br />
c<strong>et</strong>te situation est moins important car <strong>le</strong>s particu<strong>le</strong>s sont<br />
plus dispersées.<br />
La figure 3 donne <strong>le</strong>s résultats obtenus par un schéma<br />
EDO dans <strong>le</strong>s cas où <strong>le</strong> rapport <strong>de</strong> la variance <strong>de</strong><br />
l’équation d’état sur la variance <strong>de</strong> l’équation d’observations<br />
est 1/25 (haut) puis 25 (bas). On remarque que dans<br />
<strong>le</strong> cas où on a une force incertitu<strong>de</strong> sur <strong>le</strong>s observations,<br />
<strong>le</strong>s erreurs en moyenne quadratique s’éloignent significativement<br />
<strong>de</strong> la borne <strong>de</strong> Cramer-Rao. On constate l’inverse<br />
lorsque qu’on a une forte confiance dans <strong>le</strong>s observations.<br />
En eff<strong>et</strong> dans ce <strong>de</strong>rnier cas, <strong>le</strong>s observations sont<br />
proches <strong>de</strong> la trajectoire <strong>de</strong> référence <strong>et</strong>, à chaque étape<br />
d’assimilation, l’observation attire fortement <strong>le</strong> nuage <strong>de</strong><br />
particu<strong>le</strong>s.<br />
5 CONCLUSION<br />
Dans ce papier, nous comparons trois métho<strong>de</strong>s usuel<strong>le</strong>s<br />
d’assimilation <strong>de</strong> données séquentiel<strong>le</strong> <strong>pour</strong> estimer la<br />
trajectoire d’un oscillateur <strong>de</strong> Lorenz dont l’observation<br />
est discrète <strong>et</strong> bruitée. On m<strong>et</strong> en évi<strong>de</strong>nce que <strong>le</strong>s <strong>filtres</strong><br />
EnKF <strong>et</strong> SIR ont <strong>de</strong>s performances similaires. Ces <strong>de</strong>ux<br />
<strong>filtres</strong> conduisent à une erreur en moyenne quadratique<br />
très proche <strong>de</strong> la borne <strong>de</strong> Cramer-Rao, ce qui peut être