Motion estimation by data assimilation in reduced dynamic models

Estimation du mouvement par assimilation de données dans des modèles dynamiques d'ordre réduit

Karim Drifi (1, 2)

1 Clime - Coupling environmental data and simulation models for software integration
2 CEREA - Centre d'Enseignement et de Recherche en Environnement Atmosphérique

Motion estimation is a major challenge in the field of image sequence analysis. This thesis is a study of the dynamics of geophysical flows visualized by satellite imagery. Satellite image sequences are currently underused for the task of motion estimation. A good understanding of geophysical flows allows a better analysis and forecast of phenomena in domains such as oceanography and meteorology. Data assimilation provides an excellent framework for achieving a compromise between heterogeneous data, especially numerical models and observations. Hence, in this thesis we set out to apply variational data assimilation methods to estimate motion on image sequences. As one of the major drawbacks of applying these assimilation techniques is the considerable computation time and memory required, we therefore define and use a model reduction method in order to significantly decrease the necessary computation time and the memory. We then explore the possibilities that reduced models provide for motion estimation, particularly the possibility of strictly imposing some known constraints on the computed solutions. In particular, we show how to estimate a divergence free motion with boundary conditions on a complex spatial domain.

L'estimation du mouvement est un sujet fondamental pour l'interprétation de séquences d'images. Cette thèse concerne l'étude de la dynamique des écoulements géophysiques visualisée par l'imagerie satellitaire. Une bonne compréhension de ces écoulements géophysiques permet l'analyse et la prévision des phénomènes, par exemple en océanographie et en météorologie. L'assimilation de données constitue le cadre idéal pour prendre en compte de manière optimale les diverses sources d'informations disponibles et en particulier les modèles numériques et les données. On se propose donc, dans cette thèse, d'appliquer des méthodes d'assimilation variationnelles de données, dites4D-Var, pour estimer le mouvement sur les séquences d'images. Une des limitations des techniques 4D-Var est l'importance du temps de calcul et de la mémoire nécessaire lors de leur application. Nous nous proposons, dans ce document, de définir une méthodologie basée sur la réduction de modèle afin de réduire ces limitations de façon significative. Nous étudions les possibilités qu'offre la réduction d'un modèle dynamique pour estimer le mouvement, en particulier afin d'imposer des contraintes issues de la physique aux solutions calculées. Différentes réductions sont discutées, au moyen d'une décomposition orthogonale propre, sur une base sinus pour un mouvement à divergence nulle, ou sur une base dédiée au domaine spatial étudié. Dans chaque cas, les résultats d'expériences synthétiques et sur des données satellite sont présentés

Mots clés: Motion estimation; Data assimilation; Images assimilation; Reduced order models; Proper orthogonal decomposition

Mots clés: Estimation du mouvement; Assimilation de données; Assimilation d'images; Modèle réduit; Décomposition orthogonale propre

Domaines: Modélisation et simulation

Karim Drifi. Estimation du mouvement par assimilation de données dans des modèles dynamiques d'ordre réduit. Modélisation et simulation. Université Pierre et Marie Curie - Paris VI, 2013. Français. ⟨NNT : ⟩. ⟨tel-00846688⟩