In other words, data assimilation merges measurement data of a system, that are
the observations, with *a priori* system physical and mathematical knowledge,
embedded in numerical models, to obtain the best possible estimate of the system
-true state and of its stochastic properties. Note that this true state can not
-be reached, but can only be estimated. Moreover, despite the fact that the used
-information are stochastic by nature, data assimilation provides deterministic
-techniques in order to perform very efficiently the estimation.
+real state and of its stochastic properties. Note that this real state (or
+"*true state*") can not be reached, but can only be estimated. Moreover, despite
+the fact that the used information are stochastic by nature, data assimilation
+provides deterministic techniques in order to perform very efficiently the
+estimation.
Because data assimilation look for the **best possible** estimate, its
underlying procedure always integrates optimization in order to find this
parameters or initial conditions. The addition of these two gaps requires a
relative weight, which is chosen to reflect the trust we give to each piece of
information. This confidence is depicted by the covariance of the errors on the
-background and on the observations. Thus the stochastic aspect of information,
-measured or *a priori*, is essential for building the calibration error
-function.
+background and on the observations. Thus the stochastic aspect of information is
+essential for building the calibration error function.
A simple example of parameters identification comes from any kind of physical
simulation process involving a parametrized model. For example, a static
Introduction à ADAO
================================================================================
-Le but du module est ADAO **d'aider à l'usage de l'assimilation de données ou de
+Le but du module ADAO est **d'aider à l'usage de l'assimilation de données ou de
l'optimisation en lien avec d'autres modules ou codes de simulation dans
SALOME**. Le module ADAO fournit une interface à des algorithmes classiques
d'assimilation de données ou d'optimisation, et permet d'intégrer leur usage
d'un système, qui sont les observations, avec une connaissance physique et
mathématique *a priori* du système, intégrée dans les modèles numériques, afin
d'obtenir la meilleure estimation possible de l'état réel du système et de ses
-propriétés stochastiques. On note que cet état réel (ou "état" vrai") ne peut
+propriétés stochastiques. On note que cet état réel (ou "*état vrai*") ne peut
être atteint, mais peut seulement être estimé. De plus, malgré le fait que les
informations utilisées sont stochastiques par nature, l'assimilation de données
fournit des techniques déterministes afin de réaliser l'estimation de manière
L'assimilation de données cherchant l'estimation la **meilleure possible**, la
démarche technique sous-jacente intègre toujours de l'optimisation afin de
trouver cette estimation : des méthodes d'optimisation choisies sont toujours
-intégrés dans les algorithmes d'assimilation de données. Par ailleurs, les
+intégrées dans les algorithmes d'assimilation de données. Par ailleurs, les
méthodes d'optimisation peuvent être vues dans ADAO comme un moyen d'étendre les
applications d'assimilation de données. Elles seront présentées de cette façon
dans la section pour `Approfondir l'estimation d'état par des méthodes
requiert une pondération relative, qui est choisie pour refléter la confiance
que l'on donne à chaque information utilisée. Cette confiance est représentée
par la covariance des erreurs sur l'ébauche et sur les observations. Ainsi
-l'aspect stochastique des informations, mesuré *a priori*, est essentiel pour
-construire une fonction d'erreur pour la calibration.
+l'aspect stochastique des informations est essentiel pour construire une
+fonction d'erreur pour la calibration.
Un exemple simple d'identification de paramètres provient de tout type de
simulation physique impliquant un modèle paramétré. Par exemple, une simulation
L'estimation optimale des paramètres vrais :math:`\mathbf{x}^t`, étant donné
l'ébauche :math:`\mathbf{x}^b` et les observations :math:`\mathbf{y}^o`, est
-ainsi l'"*analyse*" :math:`\mathbf{x}^a` et provient de la minimisation d'une
+ainsi "l'*analyse*" :math:`\mathbf{x}^a` et provient de la minimisation d'une
fonction d'erreur, explicite en assimilation variationnelle, ou d'une correction
de filtrage en assimilation par filtrage.
