Un exemple simple : la météorologie

La première question que l'on peut se poser est : A quoi sert l'assimilation de données ?. Une question bien peu scientifique car ne répondant pas à la question Comment ?. Et pourtant, c'est souvent la première question posée lorsque l'assimilation de données fait irruption dans une discussion. Certes, c'est un sujet peu abordé d'ordinaire, mais que certains chercheurs ou doctorants travaillant dans le domaine rencontrent fréquemment.

Alors, à quoi peut bien servir l'assimilation de données ?

Un exemple à la fois simple et historique est celui de la météorologie. Prenons un exemple concret tel que la prévision de la température à Toulouse. La première méthode consiste à faire régulièrement des mesures et à utiliser cette série de mesures pour prévoir la température. Plusieurs méthodes sont disponibles comme celle de dire que la température du lendemain sera identique à celle du jour précédent. Ou alors celle supposant que la température du lendemain sera fonction de la tendance des derniers jours. En d'autres termes, la démarche consiste à extrapoler les mesures en se fondant sur la régularité de la courbe statistique ou bien sur une base statistique événementielle. Cette méthode était celle utilisée avant l'arrivée des ordinateurs.

La seconde méthode consiste à étudier le système globalement pour comprendre quelles sont les lois qui gouvernent la dynamique météorologique. Armé de ces lois, il est ensuite possible de développer un modèle informatique de prévision météorologique. En lui prescrivant un état initial construit grâce aux mesures effectuées, ce modèle peut alors prévoir la température sur Toulouse. Cependant, la complexité du modèle, la taille du système et les observations permettant d'initialiser le modèle sont telles que les prévisions ne sont pas toujours très précises.

La solution parait donc évidente : il faut utiliser le meilleur des deux méthodes. C'est-à-dire combiner au mieux la connaissance théorique du système avec les observations effectuées sur ce système. Dans le cas des prévisions météorologiques, cela consiste à initialiser la dynamique du modèle à l'aide de toutes les observations passées. C'est-à-dire que le la dynamique du modèle est contrainte par les observations jusqu'à atteindre l'instant présent où une prévision, à proprement parlé, est lancée.