Le processus systématique de combinaison d'observations avec l'estimation a priori de l'état d'un modèle afin de produire une condition initiale ou une analyse améliorée et intérieurement cohérente pour les prévisions et les réanalyses.

Principe

Formuler l'estimation d'état comme une optimisation ou une mise à jour bayésienne qui prend en compte les erreurs d'observation, les erreurs d'arrière-plan du modèle et leurs covariances ; mettre en œuvre via des méthodes variationnelles, des filtres d'ensemble ou des approches hybrides pour minimiser l'erreur d'analyse.

Démonstration

Des radiances satellitaires, des pressions en station et des profils de température radiosondés sont assimilés via des opérateurs corrigés des biais dans un système d'assimilation qui met à jour l'analyse atmosphérique tridimensionnelle utilisée pour initialiser une prévision météorologique.

Mauvaise application

Insérer directement des observations brutes sans tenir compte des erreurs de représentativité ou des biais instrumentaux peut corrompre l'état du modèle ; surpondérer un type de données peut produire des ajustements artificiels et réduire la compétence des prévisions.

Conséquence

Une assimilation de données efficace réduit l'erreur d'état initial, augmente la compétence des prévisions surtout à court et moyen terme, et produit des analyses cohérentes adaptées à l'exploitation opérationnelle, à la génération d'ensembles et aux réanalyses.

Inversion

Une prévision en libre évolution initialisée à partir d'un état de modèle antérieur sans mises à jour d'observations montre la conséquence de l'absence d'assimilation : dérive d'arrière-plan plus importante et croissance généralement plus rapide des erreurs de prévision par rapport aux runs assimilés.

Limite

S'applique aux méthodes qui fusionnent observations et arrière-plan du modèle pour estimer l'état du système ; exclut la correction de biais en aval des prévisions, l'étalonnage du modèle sans lien avec l'estimation d'état et le post‑traitement purement statistique appliqué après génération de la prévision.

Tension sémantique

La tension existe entre assimilation et opérateurs d'observation ou post‑traitements basés sur l'apprentissage machine : les deux peuvent améliorer les prévisions, mais l'assimilation vise à améliorer l'état du modèle en cohérence avec la physique, tandis que le ML peut contourner la correction explicite d'état.

Synthèse

L'assimilation de données est la fusion raisonnée d'observations et d'un arrière-plan de modèle via des méthodes statistiques ou variationnelles pour produire la meilleure estimation possible de l'état du système pour initialisation et analyse, en tenant explicitement compte des erreurs et des covariances.