From 5b0527506dd50d3bd04def0e000be0f3d77cbf5e Mon Sep 17 00:00:00 2001 From: Jean-Philippe ARGAUD Date: Sun, 9 Oct 2022 15:05:08 +0200 Subject: [PATCH] Documentation update --- doc/en/index.rst | 12 ++++++------ doc/en/theory.rst | 18 +++++++++++------- doc/fr/index.rst | 14 +++++++------- doc/fr/theory.rst | 25 +++++++++++++++---------- 4 files changed, 39 insertions(+), 30 deletions(-) diff --git a/doc/en/index.rst b/doc/en/index.rst index 7716f7a..a36033b 100644 --- a/doc/en/index.rst +++ b/doc/en/index.rst @@ -40,12 +40,12 @@ over time. It uses information coming from experimental measurements or observations, and from numerical *a priori* models, including information about their errors. Parts of the framework are also known under the names of *calibration*, *adjustment*, *state estimation*, *parameter estimation*, -*parameter adjustment*, *inverse problems*, *Bayesian estimation*, *optimal -interpolation*, *mathematical regularization*, *meta-heuristics for -optimization*, *model reduction*, *data smoothing*, etc. More details can be -found in the section :ref:`section_theory`. The ADAO module currently offers -more than one hundred different algorithmic methods and allows the study of -about 350 distinct applied problems. +*parameter adjustment*, *inverse problems*, *inverse methods*, *Bayesian +estimation*, *optimal interpolation*, *mathematical regularization*, +*meta-heuristics for optimization*, *model reduction*, *data smoothing*, etc. +More details can be found in the section :ref:`section_theory`. The ADAO module +currently offers more than one hundred different algorithmic methods and allows +the study of about 350 distinct applied problems. The documentation for this module is divided into several major categories, related to the **theoretical documentation** (indicated in the section title by diff --git a/doc/en/theory.rst b/doc/en/theory.rst index 80b540a..18a5c38 100644 --- a/doc/en/theory.rst +++ b/doc/en/theory.rst @@ -32,20 +32,24 @@ .. index:: single: observation .. index:: single: a priori .. index:: single: EstimationOf +.. index:: single: analysis **Data Assimilation** is a general well established framework for computing the optimal estimate of the true state of a system, over time if necessary. It uses values obtained by combining both observations and *a priori* models, including -information about their errors. +information about their errors while simultaneously respecting constraints. +This takes into account the laws of behavior or motion of the system through +the equations of the model, and the way the measurements are physically related +to the variables of the system. 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. The goal is to obtain the best possible estimate -of the system real state and of its stochastic properties. Note that this real -state (or "*true state*") cannot usually 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. +embedded in numerical models. The goal is to obtain the best possible estimate, +called "*analysis*", of the system real state and of its stochastic properties. +Note that this real state (or "*true state*") cannot usually 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 looks for the **best possible** estimate, its underlying procedure always integrates optimization in order to find this diff --git a/doc/fr/index.rst b/doc/fr/index.rst index c5ed074..6f7fac4 100644 --- a/doc/fr/index.rst +++ b/doc/fr/index.rst @@ -41,13 +41,13 @@ provenant de mesures expérimentales, ou observations, et de modèles numérique *a priori*, y compris des informations sur leurs erreurs. Certaines des méthodes incluses dans ce cadre sont également connues sous les noms de *calage* ou *recalage*, *calibration*, *estimation d'état*, *estimation de -paramètres*, *ajustement de paramètres*, *problèmes inverses* ou *inversion*, -*estimation bayésienne*, *interpolation optimale*, *régularisation -mathématique*, *méta-heuristiques* d'optimisation, *réduction de modèles*, -*lissage de données*, etc. De plus amples détails peuvent être trouvés dans la -partie proposant :ref:`section_theory`. Le module ADAO offre actuellement plus -d'une centaine de méthodes algorithmiques différentes et permet l'étude -d'environ 350 problèmes appliqués distincts. +paramètres*, *ajustement de paramètres*, *problèmes inverses*, *méthodes +inverses*, *inversion*, *estimation bayésienne*, *interpolation optimale*, +*régularisation mathématique*, *méta-heuristiques* d'optimisation, *réduction +de modèles*, *lissage de données*, etc. De plus amples détails peuvent être +trouvés dans la partie proposant :ref:`section_theory`. Le module ADAO offre +actuellement plus d'une centaine de méthodes algorithmiques différentes et +permet l'étude d'environ 350 problèmes appliqués distincts. La documentation de ce module est divisée en plusieurs grandes catégories, relatives à la **documentation théorique** (indiquée dans le titre de section diff --git a/doc/fr/theory.rst b/doc/fr/theory.rst index 68fee18..c609c4d 100644 --- a/doc/fr/theory.rst +++ b/doc/fr/theory.rst @@ -33,22 +33,27 @@ .. index:: single: observation .. index:: single: a priori .. index:: single: EstimationOf +.. index:: single: analyse -**L'assimilation de données** est un cadre général bien établi pour le calcul de -l'estimation optimale de l'état réel d'un système, au cours du temps si -nécessaire. Il utilise les valeurs obtenues en combinant des observations et des -modèles *a priori*, incluant de plus des informations sur leurs erreurs. +**L'assimilation de données** est un cadre général bien établi pour le calcul +de l'estimation optimale de l'état réel d'un système, au cours du temps si +nécessaire. Il utilise les valeurs obtenues en combinant des observations et +des modèles *a priori*, incluant de plus des informations sur leurs erreurs +tout en respectant simultanément des contraintes. Cela tient donc compte des +lois du comportement ou de la dynamique du système à travers les équations du +modèle, et de la façon dont les mesures sont physiquement liées aux variables +simulées. En d'autres termes, l'assimilation de données est un moyen de fusionner les données mesurées d'un système, qui sont les observations, avec des connaissances physique et mathématique *a priori* du système, intégrées dans les modèles numériques. L'objectif est 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 être habituellement 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 très -efficace. +possible, appelée "*analyse*", de l'état réel du système et de ses propriétés +stochastiques. On note que cet état réel (ou "*état vrai*") ne peut être +habituellement 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 très efficace. Comme l'assimilation de données cherche l'estimation la **meilleure possible**, la démarche technique sous-jacente intègre toujours de l'optimisation afin de -- 2.39.2