Efficient Bayesian data assimilation via inverse regression

Benoit Kugler (1) , Florence Forbes (1) , Sylvain Douté (2) , Michel Gay (3)

1 STATIFY - Modèles statistiques bayésiens et des valeurs extrêmes pour données structurées et de grande dimension
2 IPAG - Institut de Planétologie et d'Astrophysique de Grenoble
3 GIPSA-SIGMAPHY - GIPSA - Signal Images Physique

We propose a Bayesian approach to data assimilation problems, involving two steps. We first approximate the forward physical model with a parametric invertible model, and we then use its properties to leverage the availaibility of a priori information. This approach is particularly suitable when a large number of inversions has to be performed. We illustrate the proposed methodology on a multilayer snowpack model.

On propose une approche bayésienne pour résoudre un problème d'assimilation de données. Dans un premier temps, le modèle direct est approché par un modèle paramétrique inversible. Dans un deuxième temps, l'information a-priori est intégrée. Cette division en deux étapes permet de traiter efficacement un nombre important d'inversions. La méthode est illustrée sur une étude du manteau neigeux, utilisant un modèle de rétrodiffusion électro-magnétique.

Mots clés: Data assimilation; inverse problem; regression; statistical learning

Domaines: Statistiques [math.ST]

Benoit Kugler, Florence Forbes, Sylvain Douté, Michel Gay. Efficient Bayesian data assimilation via inverse regression. JDS 2021 - 52èmes Journées de Statistique de la Société Française de Statistique (SFdS), Jun 2021, Nice, France. pp.1-6. ⟨hal-03215200⟩