Inverse source problems with reduced interior data for a coupled reaction-diffusion system

Titre : Problèmes de source inverse avec des données intérieures réduites pour un système couplé de réaction-diffusion

Auteurs : Xinyue Luo, Masahiro Yamamoto, Jin Cheng.

---

1. Problématique

Le papier aborde le problème de source inverse pour un système de réaction-diffusion semi-linéaire à deux composantes, connu sous le nom de modèle de Klausmeier-Gray-Scott. Ce système modélise la dynamique de la densité d'eau $u(x, t)$ et de la biomasse végétale $v(x, t)$ dans un domaine spatial borné $\Omega \subset \mathbb{R}^n$ sur un intervalle de temps $(0, T)$.

Les équations gouvernantes sont :
$$\begin{cases} \partial_t u = d_1 \Delta u - u v^2 - a_1(x, t) u + f(x), \\ \partial_t v = d_2 \Delta v + u v^2 - a_2(x, t) v, \end{cases}$$
avec des conditions aux limites de Dirichlet et des conditions initiales.

• Le terme inconnu : La source spatiale $f(x)$, représentant un apport d'eau externe (ex. : précipitations hétérogènes, irrigation), est inconnue et dépend uniquement de l'espace. Elle apparaît uniquement dans la première équation (eau).
• Le défi : Déterminer $f(x)$ à partir de données d'observation limitées. En pratique écologique, les mesures de la biomasse ($v$) sont souvent disponibles via la télédétection sur de grandes zones, tandis que les données sur l'humidité du sol ($u$) sont rares et ponctuelles.
• Objectif principal : Établir des estimations de stabilité (Lipschitzienne et Hölderienne) pour la récupération de $f$ et étudier la possibilité de réduire les données d'observation (par exemple, ne mesurer qu'une seule composante sur un sous-domaine) tout en garantissant l'unicité et la stabilité.

---

2. Méthodologie

La méthode repose sur l'utilisation d'estimations de Carleman, une technique puissante pour les problèmes inverses de type parabolique, permettant de déduire des informations globales à partir de données locales.

• Linéarisation et système de différence :
  Soient deux triplets admissibles $(u, v, f)$ et $(\tilde{u}, \tilde{v}, \tilde{f})$. On définit les différences $y = u - \tilde{u}$, $z = v - \tilde{v}$ et $F = f - \tilde{f}$. En utilisant la factorisation du terme non linéaire $uv^2 - \tilde{u}\tilde{v}^2 = v^2 y + \tilde{u}(v+\tilde{v})z$, on obtient un système linéaire couplé pour $(y, z)$ avec un terme source $F(x)$.

• Estimation de Carleman avec poids singulier (Théorème 2.1) :
  Pour obtenir une stabilité Lipschitzienne sur tout le domaine $\Omega$, les auteurs utilisent un poids temporel singulier $\theta(t)$ qui s'annule aux extrémités de l'intervalle d'observation $I = (t_1, t_2)$ mais atteint un maximum à $t_0$.

  • Cela permet de faire disparaître les termes de bord temporels lors de l'intégration par parties.
  • L'estimation est appliquée aux fonctions $y, z$ et leurs dérivées temporelles $\partial_t y, \partial_t z$.
  • L'identité de source est obtenue en évaluant l'équation à l'instant $t = t_0$, reliant $F(x)$ aux données observées.

• Estimation de Carleman avec poids régulier (Théorème 2.2) :
  Pour le cas où les données aux limites complètes ne sont pas disponibles, une estimation de Hölder est établie sur un sous-domaine intérieur $\Omega_0 \subset \subset \Omega$.

  • Un poids régulier (non singulier) est utilisé.
  • Les contributions aux bords temporels ne s'annulent pas et sont contrôlées par des bornes a priori sur les solutions.
  • Cela conduit à une stabilité de type Hölder ($\|F\| \le C B^\theta$ avec $\theta \in (0,1)$) plutôt que Lipschitzienne.

• Réduction des données :
  L'approche exploitant la structure algébrique du terme de couplage $uv^2$. Sous des hypothèses de positivité (principe du maximum fort), si l'une des composantes est strictement positive, l'autre peut être déterminée algébriquement à partir de l'équation de différence, permettant de réduire le nombre de mesures nécessaires.

---

3. Résultats Clés

Les principaux résultats sont présentés sous forme de théorèmes et de corollaires :

A. Stabilité Lipschitzienne (Théorème 2.1)

Sous des hypothèses de régularité suffisante et avec des données complètes :

• Données requises (M1) : Une "photo" complète de $u$ à un instant $t_0$ ($u(\cdot, t_0)|_\Omega$) et des observations temporelles de $u$ et $v$ sur un sous-domaine $\omega \times I$.
• Résultat : Il existe une constante $C$ telle que :
  $$\|f - \tilde{f}\|_{L^2(\Omega)} \le C \left( \|u(\cdot, t_0) - \tilde{u}(\cdot, t_0)\|_{H^2(\Omega)} + \sum_{\ell=0}^1 \|\partial_t^\ell(u-\tilde{u})\|_{L^2(\omega \times I)} + \sum_{\ell=0}^1 \|\partial_t^\ell(v-\tilde{v})\|_{L^2(\omega \times I)} \right)$$
  Cela garantit une stabilité forte (Lipschitzienne) sur tout le domaine $\Omega$.

B. Stabilité Hölderienne (Théorème 2.2)

Dans un cadre plus pratique où les données aux limites sont inconnues :

• Résultat : Une estimation de stabilité Hölderienne est prouvée sur tout sous-domaine intérieur $\Omega_0 \subset \subset \Omega$.
• Forme : $\|f - \tilde{f}\|_{L^2(\Omega_0)} \le C B^\theta$, où $B$ regroupe les données observées et $\theta \in (0, 1)$.
• Note : La stabilité n'est pas Lipschitzienne sur tout $\Omega$ sans données aux limites, mais peut être arbitrairement proche de $\Omega$ en choisissant $\Omega_0$ grand.

C. Réduction des données et Unicité (Corollaires 2.1 – 2.3)

Les auteurs montrent qu'il est possible de réduire les données observées tout en conservant l'unicité de la source $f$, grâce à la structure non linéaire :

1. Observation de $v$ uniquement (M2) : Si $u(\cdot, t_0)$ est connu et que seule $v$ est observée sur $\omega \times I$ (avec $v_0 \not\equiv 0$ et conditions de positivité), alors $f$ est unique. La positivité de $v$ permet de retrouver $u$ sur $\omega \times I$.
2. Observation de $u$ avec $f$ partiellement connu (M3) : Si $u$ est observé sur $\omega \times I$ et que $f$ est connu sur $\omega$, alors $f$ est unique sur tout $\Omega$ (sous hypothèse de positivité de $u$).
3. Deux instantanés (M4) : Avec $u(\cdot, t_0)$, $v(\cdot, t_0)$ et $u$ observé sur $\omega \times I$, l'unicité est garantie.

---

4. Signification et Contributions

• Innovation théorique : C'est l'une des premières études mathématiques rigoureuses sur les problèmes inverses pour le modèle de Klausmeier-Gray-Scott. Elle comble un vide dans la littérature concernant l'identifiabilité des sources dans ces systèmes écologiques non linéaires.
• Apport pratique (Réduction des données) : Le papier démontre que, grâce au couplage quadratique spécifique ($uv^2$), il n'est pas toujours nécessaire de mesurer les deux composantes ($u$ et $v$) partout. Dans des scénarios réalistes où la mesure de l'humidité du sol est difficile, la mesure de la biomasse (plus facile à obtenir par satellite) peut suffire à reconstruire la source d'eau, à condition que la végétation soit présente (non nulle).
• Méthodologie robuste : L'application des estimations de Carleman avec des poids singuliers et réguliers adaptés à la structure du système couplé offre un cadre généralisable à d'autres systèmes de réaction-diffusion en écologie ou en chimie.
• Perspectives : Les auteurs suggèrent d'étendre ces résultats aux systèmes avec des termes d'advection (modèle original de Klausmeier sur les pentes) et au cas où des sources inconnues apparaissent dans les deux équations simultanément.

En résumé, ce travail fournit des garanties mathématiques solides pour la reconstruction de sources dans des modèles écologiques complexes, en optimisant les besoins en données d'observation, ce qui est crucial pour les applications de surveillance environnementale.