2 Copyright (C) 2008-2024 EDF R&D
4 This file is part of SALOME ADAO module.
6 This library is free software; you can redistribute it and/or
7 modify it under the terms of the GNU Lesser General Public
8 License as published by the Free Software Foundation; either
9 version 2.1 of the License, or (at your option) any later version.
11 This library is distributed in the hope that it will be useful,
12 but WITHOUT ANY WARRANTY; without even the implied warranty of
13 MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU
14 Lesser General Public License for more details.
16 You should have received a copy of the GNU Lesser General Public
17 License along with this library; if not, write to the Free Software
18 Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA 02111-1307 USA
20 See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
22 Author: Jean-Philippe Argaud, jean-philippe.argaud@edf.fr, EDF R&D
24 .. index:: single: EnsembleKalmanFilter
25 .. _section_ref_algorithm_EnsembleKalmanFilter:
27 Algorithme de calcul "*EnsembleKalmanFilter*"
28 ---------------------------------------------
30 .. ------------------------------------ ..
31 .. include:: snippets/Header2Algo01.rst
33 Cet algorithme réalise une estimation de l'état d'un système dynamique par un
34 filtre de Kalman d'ensemble (EnKF), permettant d'éviter de devoir calculer les
35 opérateurs tangent ou adjoint pour les opérateurs d'observation ou d'évolution,
36 comme dans les filtres de Kalman simple ou étendu.
38 Il s'applique aux cas d'opérateurs d'observation et d'évolution incrémentale
39 (processus) non-linéaires et présente d'excellentes qualités de robustesse et
40 de performances. Il peut être interprété comme une réduction d'ordre du filtre
41 de Kalman classique, avec une remarquable qualité d'assimilation de ce
42 filtrage pour les problèmes de grande taille. Il peut être rapproché d'un
43 :ref:`section_ref_algorithm_UnscentedKalmanFilter` dont les qualités sont
44 similaires pour les systèmes non-linéaires.
46 On remarque qu'il n'y a pas d'analyse effectuée au pas de temps initial
47 (numéroté 0 dans l'indexage temporel) car il n'y a pas de prévision à cet
48 instant (l'ébauche est stockée comme pseudo-analyse au pas initial). Si les
49 observations sont fournies en série par l'utilisateur, la première n'est donc
50 pas utilisée. Pour une bonne compréhension de la gestion du temps, on se
51 reportera au :ref:`schema_d_AD_temporel` et aux explications décrites dans la
52 section pour :ref:`section_theory_dynamic`.
55 Dans le cas d'opérateurs linéaires ou "faiblement" non-linéaire, on peut
56 aisément utiliser l':ref:`section_ref_algorithm_ExtendedKalmanFilter` ou même
57 l':ref:`section_ref_algorithm_KalmanFilter`, qui sont souvent largement moins
58 coûteux en évaluations sur de petits systèmes. On peut vérifier la linéarité
59 des opérateurs à l'aide de l':ref:`section_ref_algorithm_LinearityTest`.
61 Il existe de nombreuses variantes déterministes ou stochastiques de cet
62 algorithme, permettant en particulier d'effectuer de la réduction de taille des
63 problèmes algébriques à différents niveaux (en utilisant des méthodes de rang
64 réduit, de la réduction de dimension, des changements d'espace de calcul,
65 conduisant à des schémas de type Ensemble Square Root Kalman Filters (EnSRKF)
66 ou Reduced-Rank Square Root Filters (RRSQRT), à des transformations
67 déterministes...). On ne rentre pas ici dans le détail complexe des
68 classifications et des équivalences algorithmiques, qui sont disponibles dans
69 la littérature. On propose ici les formulations stables et robustes suivantes :
74 pair: Variant ; ETKF-N
77 pair: Variant ; E3DVAR
78 pair: Variant ; 3D-Var-Ben
80 pair: Variant ; EnSRKF
81 pair: Variant ; RRSQRT
83 - "EnKF" (Ensemble Kalman Filter, voir [Evensen94]_), algorithme stochastique original, permettant de traiter de manière consistante un opérateur d'évolution non-linéaire,
84 - "ETKF" (Ensemble-Transform Kalman Filter), algorithme déterministe d'EnKF, permettant de traiter un opérateur d'évolution non-linéaire avec beaucoup moins de membres (on recommande d'utiliser un nombre de membres de l'ordre de 10 ou même parfois moins),
85 - "ETKF-N" (Ensemble-Transform Kalman Filter of finite size N), algorithme d'ETKF dit de "taille finie N", évitant de recourir à une inflation souvent nécessaire avec les autres algorithmes,
86 - "MLEF" (Maximum Likelihood Kalman Filter, voir [Zupanski05]_), algorithme déterministe d'EnKF, permettant en plus de traiter de manière consistante un opérateur d'observation non-linéaire,
87 - "IEnKF" (Iterative EnKF), algorithme déterministe d'EnKF, améliorant le traitement des non-linéarités des opérateurs,
88 - "E3DVAR" (EnKF 3DVAR, ou 3D-Var-Ben), algorithme couplant assimilation d'ensemble et variationnelle, qui utilise en parallèle une assimilation variationnelle 3DVAR pour l'estimation d'un unique meilleur état et un algorithme d'ensemble EnKF pour améliorer l'estimation des covariances d'erreurs *a posteriori*,
89 - "EnKS" (Ensemble Kalman Smoother), algorithme de lissage avec un décalage temporel fixe de taille L.
91 Sans pouvoir prétendre à l'universalité, on recommande d'utiliser la
92 formulation "EnKF" comme référence, **la formulation "ETKF-N" ou "IEnKF" pour
93 une performance robuste**, et les autres algorithmes (dans l'ordre) comme des
94 moyens pour obtenir une assimilation de données plus économique et de qualité
95 (éventuellement) similaire.
97 .. ------------------------------------ ..
98 .. include:: snippets/Header2Algo12.rst
100 .. include:: snippets/FeaturePropLocalOptimization.rst
102 .. include:: snippets/FeaturePropDerivativeFree.rst
104 .. include:: snippets/FeaturePropParallelAlgorithm.rst
106 .. include:: snippets/FeaturePropConvergenceOnStatic.rst
108 .. ------------------------------------ ..
109 .. include:: snippets/Header2Algo02.rst
111 .. include:: snippets/Background.rst
113 .. include:: snippets/BackgroundError.rst
115 .. include:: snippets/EvolutionError.rst
117 .. include:: snippets/EvolutionModel.rst
119 .. include:: snippets/Observation.rst
121 .. include:: snippets/ObservationError.rst
123 .. include:: snippets/ObservationOperator.rst
125 .. ------------------------------------ ..
126 .. include:: snippets/Header2Algo03AdOp.rst
128 .. include:: snippets/EstimationOf_State.rst
130 .. include:: snippets/HybridCostDecrementTolerance.rst
132 .. include:: snippets/HybridCovarianceEquilibrium.rst
134 .. include:: snippets/HybridMaximumNumberOfIterations.rst
136 .. include:: snippets/InflationFactor.rst
138 .. include:: snippets/InflationType.rst
140 .. include:: snippets/NumberOfMembers.rst
142 .. include:: snippets/SetSeed.rst
144 .. include:: snippets/SmootherLagL.rst
146 StoreSupplementaryCalculations
147 .. index:: single: StoreSupplementaryCalculations
149 *Liste de noms*. Cette liste indique les noms des variables supplémentaires,
150 qui peuvent être disponibles au cours du déroulement ou à la fin de
151 l'algorithme, si elles sont initialement demandées par l'utilisateur. Leur
152 disponibilité implique, potentiellement, des calculs ou du stockage coûteux.
153 La valeur par défaut est donc une liste vide, aucune de ces variables n'étant
154 calculée et stockée par défaut (sauf les variables inconditionnelles). Les
155 noms possibles pour les variables supplémentaires sont dans la liste suivante
156 (la description détaillée de chaque variable nommée est donnée dans la suite
157 de cette documentation par algorithme spécifique, dans la sous-partie
158 "*Informations et variables disponibles à la fin de l'algorithme*") : [
160 "APosterioriCorrelations",
161 "APosterioriCovariance",
162 "APosterioriStandardDeviations",
163 "APosterioriVariances",
166 "CostFunctionJAtCurrentOptimum",
168 "CostFunctionJbAtCurrentOptimum",
170 "CostFunctionJoAtCurrentOptimum",
171 "CurrentIterationNumber",
174 "ForecastCovariance",
177 "InnovationAtCurrentAnalysis",
178 "InnovationAtCurrentState",
179 "SimulatedObservationAtCurrentAnalysis",
180 "SimulatedObservationAtCurrentOptimum",
181 "SimulatedObservationAtCurrentState",
185 ``{"StoreSupplementaryCalculations":["CurrentState", "Residu"]}``
187 .. include:: snippets/Variant_EnKF.rst
189 .. ------------------------------------ ..
190 .. include:: snippets/Header2Algo04.rst
192 .. include:: snippets/Analysis.rst
194 .. ------------------------------------ ..
195 .. include:: snippets/Header2Algo05.rst
197 .. include:: snippets/Analysis.rst
199 .. include:: snippets/APosterioriCorrelations.rst
201 .. include:: snippets/APosterioriCovariance.rst
203 .. include:: snippets/APosterioriStandardDeviations.rst
205 .. include:: snippets/APosterioriVariances.rst
207 .. include:: snippets/BMA.rst
209 .. include:: snippets/CostFunctionJ.rst
211 .. include:: snippets/CostFunctionJAtCurrentOptimum.rst
213 .. include:: snippets/CostFunctionJb.rst
215 .. include:: snippets/CostFunctionJbAtCurrentOptimum.rst
217 .. include:: snippets/CostFunctionJo.rst
219 .. include:: snippets/CostFunctionJoAtCurrentOptimum.rst
221 .. include:: snippets/CurrentIterationNumber.rst
223 .. include:: snippets/CurrentOptimum.rst
225 .. include:: snippets/CurrentState.rst
227 .. include:: snippets/ForecastCovariance.rst
229 .. include:: snippets/ForecastState.rst
231 .. include:: snippets/IndexOfOptimum.rst
233 .. include:: snippets/InnovationAtCurrentAnalysis.rst
235 .. include:: snippets/InnovationAtCurrentState.rst
237 .. include:: snippets/SimulatedObservationAtCurrentAnalysis.rst
239 .. include:: snippets/SimulatedObservationAtCurrentOptimum.rst
241 .. include:: snippets/SimulatedObservationAtCurrentState.rst
243 .. ------------------------------------ ..
244 .. _section_ref_algorithm_EnsembleKalmanFilter_examples:
246 .. include:: snippets/Header2Algo06.rst
248 - :ref:`section_ref_algorithm_KalmanFilter`
249 - :ref:`section_ref_algorithm_ExtendedKalmanFilter`
250 - :ref:`section_ref_algorithm_UnscentedKalmanFilter`
252 .. ------------------------------------ ..
253 .. include:: snippets/Header2Algo07.rst