Variational assimilation of Geophysical images leveraging deep learning tools
Résumé
De nombreuses applications en géoscience nécessitent d’estimer l’état d’un système physique. L’assimilation de données fournit un cadre rigoureux pour le faire lorsque des connaissances de la dynamique qui régit lesystème et des observations de ce système sont disponibles. Quand ce type de problème inverse est résolu sous une forme variationnelle, le processus d’optimisation implique la méthode de l’état adjoint pour un calcul efficace du gradient. D’un point de vue informatique, cette méthode est équivalente à l’algorithme de rétropropagation et est mise en œuvre en utilisant la différenciation automatique.Le récent développement des outils d’apprentissage profond permet une mise en œuvre flexible de ces méthodes et ouvre la porte à une modélisation hybride axée sur les données et la connaissance. Ceci est illustré sur deux problèmes d’assimilation d’images géophysiques.
Origine : Fichiers produits par l'(les) auteur(s)