Skip to Main content Skip to Navigation
Conference papers

Variational assimilation of Geophysical images leveraging deep learning tools

Résumé : De nombreuses applications en géoscience nécessitent d’estimer l’état d’un système physique. L’assimilation de données fournit un cadre rigoureux pour le faire lorsque des connaissances de la dynamique qui régit lesystème et des observations de ce système sont disponibles. Quand ce type de problème inverse est résolu sous une forme variationnelle, le processus d’optimisation implique la méthode de l’état adjoint pour un calcul efficace du gradient. D’un point de vue informatique, cette méthode est équivalente à l’algorithme de rétropropagation et est mise en œuvre en utilisant la différenciation automatique. Le récent développement des outils d’apprentissage profond permet une mise en œuvre flexible de ces méthodes et ouvre la porte à une modélisation hybride axée sur les données et la connaissance. Ceci est illustré sur deux problèmes d’assimilation d’images géophysiques.
Complete list of metadata

https://hal.archives-ouvertes.fr/hal-03339674
Contributor : Ccsd Sciencesconf.Org Connect in order to contact the contributor
Submitted on : Thursday, September 9, 2021 - 3:41:47 PM
Last modification on : Wednesday, November 17, 2021 - 12:33:30 PM

File

ORASIS_1_.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-03339674, version 1

Citation

Arthur Filoche, Dominique Béréziat, Julien Brajard, Anastase Alexandre Charantonis. Variational assimilation of Geophysical images leveraging deep learning tools. ORASIS 2021, Centre National de la Recherche Scientifique [CNRS], Sep 2021, Saint Ferréol, France. ⟨hal-03339674⟩

Share

Metrics

Record views

101

Files downloads

71