Pour décrire cette méthode, les notations usuellement utilisées seront reprises. En particulier, la matrice des covariances d'erreur d'analyse, jusqu'ici notée , se nommera maintenant et celle d'ébauche, jusqu'ici notés , s'appellera de manière à mettre en évidence que l'ébauche (b comme background) est maintenant une prévision (f comme forecast). Le modèle d'évolution non-linéaire sera noté , linéarisé il se nommera et son adjoint . L'utilisation d'un modèle d'évolution entre deux instant et entraîne un nouveau type d'erreur nommée l'erreur modèle. Elle est supposée non-biaisée et est décrite par la matrice de covariance d'erreur du modèle à chaque instant : . De plus, les erreurs d'analyse et modèle sont supposées non-corrélées.
Le schéma d'assimilation peut être décrit de la manière suivante : à partir d'une prévision à l'instant et de sa matrice de covariance d'erreur de prévision , une analyse est effectuée permettant d'obtenir un état analysé et une matrice de covariances d'erreur d'analyse à l'instant . Ensuite, une prévision du temps à est effectuée en partant de l'état analysé. De manière similaire, la matrice de covariance d'erreur d'analyse est propagée par le modèle d'évolution linéaire afin d'obtenir la matrice de covariance d'erreur de prévision à l'instant . Il suffit ensuite de répéter cette opération.
La deuxième étape, durant laquelle l'état analysé et la matrice de covariances d'erreur d'analyse est propagée jusqu'au temps d'observation suivant, est clairement la plus coûteuse.
De manière plus formelle, l'algorithme du filtre de Kalman entre les instants d'observation et peut être décrit les Eqs. 5.3, 5.4, 5.5, 5.6 et 5.7.
Nicolas Daget 2007-11-16