Oceanic currents estimation from satellite image sequences

Cette thèse étudie des méthodes d'assimilation de données par filtrage particulaire à l'estimation d'écoulements fluides observés au travers de séquences d'images. Nous nous appuyons sur un filtre particulaire spécifique dont la distribution de proposition est donnée par un filtre de Kalman d'ensemble, nommé filtre de Kalman d'ensemble pondéré. Deux variations à celui-ci sont introduites et étudiées. La première consiste à utiliser un bruit dynamique (permettant de modéliser l'incertitude du modèle et de séparer les particules entre elles) dont la forme spatiale suit une loi de puissance, cohérente avec la théorie phénoménologique de la turbulence. La deuxième variation repose sur un schéma d'assimilation multi-échelles introduisant un mécanisme de raffinements successifs à partir d'observations à des échelles de plus en plus petites. Ces deux méthodes ont été testées sur des séquences synthétiques et expérimentales d'écoulements 2D incompressibles. Ces résultats montrent un gain important sur l'erreur quadratique moyenne. Elles ont ensuite été testées sur des séquences d'images satellite réelles. Sur les images réelles, une bonne cohérence temporelle est observée, ainsi qu'un bon suivi des structures de vortex. L'assimilation multi-échelles montre un gain visible sur le nombre d'échelles reconstruites. Quelques variations additionnelles sont aussi présentées et testées afin de s'affranchir de problèmes importants rencontrés dans un contexte satellitaire réel. Il s'agit notamment de la prise en compte de données manquantes sur les images de température de surface de l'océan. En dernier lieu, une expérience d'un filtre de Kalman d'ensemble pondéré avec un modèle océanique complet est présentée pour une assimilation de champs de courants de surface en mer d'Iroise, à l'embouchure de la Manche. Quelques autres pistes d'amélioration sont également esquissées et testées.This thesis studies fluid flows estimation with particle filtering-based assimilation methods imaged using digital cameras. We rely on a specific particle filter, of which the proposal distribution is given by an Ensemble Kalman Filter, namely the Weighted Ensemble Kalman Filter. Two variations of this method are introduced and tested. The first consists in using a dynamical noise (which modelizes the model uncertainty and separates the particles from each others); its spatial form obeys to a power law stemming from the phenomenological theory of the turbulence. The second variation relies on a multiscale assimilation scheme introduicing successive refinements from observations at smaller and smaller scales. These two methods are tested on synthetic and experimental sequences of 2D incompressible flows. Results show an important gain on the Root Mean Square Error. They are then tested on real satellite images. A good temporal coherence and a good tracking of vortex structures are observed on the real images. The multiscale assimilation shows a visible gain on the number of reconstructed scales. Some additional variations are also presented and tested in order to take into account important problems in a real satellite context. The main contribution is the management of missing data areas in the Sea Surface Temperature sequence. Lastly an experiment involving a Weighted Ensemble Kalman Filter with a complete oceanic model is presented for a surface currents fields assimilation in Iroise Sea near the English Channel mouth. Some other improvements are also drawn and tested