Variational assimilation of Geophysical images leveraging deep learning tools - Archive ouverte HAL Access content directly
Conference Papers Year : 2021

Variational assimilation of Geophysical images leveraging deep learning tools

Abstract

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.
Fichier principal
Vignette du fichier
ORASIS_1_.pdf (1.86 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-03339674 , version 1 (09-09-2021)

Identifiers

  • HAL Id : hal-03339674 , version 1

Cite

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⟩
207 View
120 Download

Share

Gmail Facebook X LinkedIn More