Abstract FR:

Le probleme de l'assimilation de donnees sous sa forme generale peut se formuler: comment utiliser simultanement un modele theorique et des observations pour obtenir la meilleure prevision meteorologique ou oceanographique ?, sa resolution est tres couteuse, pour la prochaine generation de modeles elle necessitera une puissance de calcul de l'ordre de 10 tflops. A l'heure actuelle, aucun calculateur n'est capable de fournir de telles performances mais cela devrait etre possible dans quelques annees, en particulier grace aux ordinateurs paralleles a memoire distribuee. Mais, la programmation de ces machines reste un processus complique et on ne connait pas de methode generale pour paralleliser de maniere optimale un algorithme donne. Nous tenterons, de repondre au probleme de la parallelisation de l'assimilation de donnees variationnelle, ce qui nous conduira a etudier la parallelisation d'algorithmes numeriques d'optimisation assez generaux. Pour cela, nous etendrons la methodologie de l'ecriture des modeles adjoints au cas ou le modele direct est parallele avec echanges de messages explicites. Nous etudierons les differentes approches possibles pour paralleliser la resolution du probleme de l'assimilation de donnees: au niveau des modeles meteorologiques direct et adjoints, au niveau de l'algorithme d'optimisation ou enfin au niveau du probleme lui-meme. Cela nous conduira a transformer un probleme sequentiel d'optimisation sans contraintes en un ensemble de problemes d'optimisation relativement independants qui pourront etre resolus en parallele. Nous etudierons plusieurs variantes de ces trois approches tres generales et leur utilite dans le cadre du probleme de l'assimilation de donnees. Nous terminerons par l'application des methodes de parallelisation precedentes au modele de shallow water et comparerons leurs performances. Nous presenterons egalement une parallelisation du modele meteorologique arps (advanced regional prediction system)