Cet article étudie l’estimation conjointe de données manquantes et de champs de déplacements dans des séquences multimodales d’observations satellitaires géophysiques. La complexité de la tâche est liée au taux élevé de données manquantes (entre 20 % et 90 %) pour des observations journalières de haute résolution et la reconstruction de structures fines en accord avec la dynamique sous-jacente. Nous avons développé une méthode basée sur l’assimilation variationnelle de données pour des séries multimodales et multirésolutions. A l’aide de données synthétiques et de données réelles de la surface océanique, une évaluation numérique et qualitative démontre l’apport de deux composantes-clés du modèle proposé : la fusion d’informations multimodales à partir d’une contrainte géométrique basée sur les structures frontales, et la méthode d’assimilation variationnelle utilisant comme a priori dynamique un modèle d’advection-diffusion. Les expérimentations conduites montrent que de bonnes performances de reconstruction sont obtenues pour les observations hautes résolutions en dépit du pourcentage élevé de données manquantes.

In this paper we address the problem of missing data interpolation in multi-modal geophysical satellite observation sequences. Main issues relate to the large percentage of missing data, from 20 % to 90 % for daily high-resolution observations; and the requirement for reconstructing fine-scale structures in accordance with the underlying turbulent dynamics. To solve the missing data interpolation problem, a variational data assimilation model is developped. Using synthetic and real ocean surface observations, numerical and qualitative evaluations demonstrate the relevance of two key components of the proposed model: the fusion of multi-modal observations through a geometric front-driven constraint and the proposed variational assimilation setting using an advection-diffusion dynamical prior Good reconstruction of high-resolution geophysical observation sequences can then be achieved despite high percentage of missing data.