You are on page 1of 144

cole Doctorale

Sciences et Technologie
de l'Information et des Matriaux

Modlisation de l'Indice de Rfraction par Inversion des chos Radar de Mer.


Application la Prdiction des Systmes lectromagntiques Embarqus sur Navires.

Rapport de thse
Septembre 2008
Rmi DOUVENOT

Directeur de Thse
Joseph SAILLARD : Universit de Nantes, Polytech'Nantes
Encadrants
Vincent FABBRO : ONERA Toulouse
Christophe BOURLIER : Universit de Nantes, Polytech'Nantes

Table des Matires


Chapitre A/

Introduction ___________________________________________________ 1

A.I.
Propagation en basse troposphre en milieu marin et besoin d'une caractrisation du
milieu 1
A.II.

Outils existants pour la caractrisation du milieu atmosphrique et dmarche adopte


2

A.II.1.
A.II.2.
A.II.3.
A.II.4.
A.II.5.

Chapitre B/
B.I.

Prsentation du problme inverse _________________________________________ 31

B.III.

33
33
33
36

Mthodes d'Inversion ___________________________________________ 39

tude des mthodes d'inversion face aux besoins RFC ________________________ 39

C.I.1.
a
b
c

Positionnement pour le dveloppement d'une nouvelle mthodologie RFC ________________


Mthodes itratives ___________________________________________________________
Mthodes d'inversion avec base de donnes pr-gnre ______________________________
Mthode de gnration d'une base d'entranement ___________________________________

40
40
42
44

Dveloppement spcifique d'une mthode d'inversion ddie ___________________ 47

C.II.1.
a
b
c
d
C.II.2.
a
b
C.II.3.
a
b

C.III.

tat de l'art dans la RFC _____________________________________________________


Historique __________________________________________________________________
Variabilit temporelle et spatiale des conditions de rfractivit _________________________
Mise en forme de l'inversion ____________________________________________________

Conclusion __________________________________________________________ 37

Chapitre C/

C.II.

Inversion des chos Radars de Mer Introduction la RFC ____________ 5


Influence et modlisation de l'indice de rfraction ____________________________________ 5
Le Coindice de Rfraction Modifi (CRM) _________________________________________ 6
Conduits atmosphriques _______________________________________________________ 7
Modlisation de la propagation en avant___________________________________________ 14
Conditions limites : la surface de mer _____________________________________________ 15
Modlisation de la propagation __________________________________________________ 16
Puissance rtro-diffuse par le fouillis de mer ______________________________________ 19
Modlisation de la SERN ______________________________________________________ 20
Utilisation du lancer de rayons pour obtenir l'angle rasant _____________________________ 22
Modlisation de la dynamique angulaire du fouillis de mer dans la RFC __________________ 29

B.II.1.
a
b
c

C.I.

2
3
3
3
4

Prsentation du problme direct ___________________________________________ 5

B.I.1.
a
b
B.I.2.
a
b
B.I.3.
a
b
c

B.II.

Mesure par rfractomtre _____________________________________________________


Calcul de l'indice de rfraction depuis des mesures atmosphriques ____________________
Mthodes mso-chelles______________________________________________________
Utilisation du temps de trajet __________________________________________________
RFC : Refractivity From Clutter________________________________________________

L'algorithme LS-SVM ______________________________________________________


Historique __________________________________________________________________
Cration de la base d'entranement _______________________________________________
Fonction linaire _____________________________________________________________
Fonction non linaire__________________________________________________________
L'algorithme MuLS-SVM ___________________________________________________
Fonction linaire _____________________________________________________________
Fonction non linaire__________________________________________________________
Optimisation des mthodes LS-SVM et MuLS-SVM ______________________________
Sur le choix du noyau gaussien __________________________________________________
Optimisation des hyperparamtres _______________________________________________

47
47
48
49
49
52
53
54
56
56
56

Comparaison et validation thorique des mthodes retenues _________________ 58

C.III.1.
Procd de comparaison _____________________________________________________ 58
C.III.2.
Rsultats _________________________________________________________________ 60
a
Prcision des inversions _______________________________________________________ 60

b
c
C.III.3.
a
b
c
C.III.4.

Chapitre D/
D.I.

63
64
64
65
68
70
70

Application de l'Inversion des chos de Mer sur des Donnes Mesures__ 71

Campagne VAMPIRA___________________________________________________ 72

D.I.1.
a
b
D.I.2.
a
b
D.I.3.
D.I.4.

D.II.

Les temps de calcul ___________________________________________________________


Conclusion sur l'tude des mthodes d'inversion en conditions idales ___________________
Validation thorique avec des profils d'indice mesurs _____________________________
Rsultats 1 GHz ____________________________________________________________
Rsultats 5 GHz ____________________________________________________________
Conclusion sur l'tude des profils mesurs _________________________________________
Amliorations possibles des mthodes d'apprentissage _____________________________

Description de la Campagne d'exprimentation _____________________________________


Mesures des facteurs de propagation sur tridres ____________________________________
Mesures mtorologiques ______________________________________________________
Adaptation de la mthode d'inversion aux donnes___________________________________
Le conduit d'vaporation conditions non neutres ___________________________________
Mise en forme des donnes mesures _____________________________________________
Rsultats ___________________________________________________________________
Conclusion sur les Donnes VAMPIRA ___________________________________________

72
72
74
75
75
76
77
82

Campagne Wallops '98 __________________________________________________ 83

D.II.1.
a
b
c
D.II.2.
a
b
c
d
e
D.II.3.
a
b
D.II.4.

Chapitre E/

Description de la campagne d'exprimentation ___________________________________ 83


Mesures de cartographies de rapport signal bruit ___________________________________ 83
Mesures atmosphriques _______________________________________________________ 84
Mise en forme des donnes _____________________________________________________ 84
Travaux effectus __________________________________________________________ 86
Application des algorithmes MI0 et MuLS-SVM ____________________________________ 86
Amlioration de la MI0 ________________________________________________________ 87
Limitations de la mthode ______________________________________________________ 91
Complexification du modle de conduit atmosphrique _______________________________ 92
Utilisation de la cohrence azimutale _____________________________________________ 95
Formulation de la mthode et synthse des rsultats ______________________________ 101
Formulation mathmatique de la mthode ________________________________________ 101
Synthse des rsultats ________________________________________________________ 102
Conclusion sur les donnes Wallops 98 _______________________________________ 105

Conclusion __________________________________________________ 107

1
2
1

Le modle GIT________________________________________________________________
Amlioration du modle GIT _____________________________________________________
Fonction linaire ______________________________________________________________
1.a.
Mise en forme du problme inverse ___________________________________________
1.b.
Rsolution du problme d'entranement ________________________________________
2
Fonction non linaire ___________________________________________________________
1
Fonction linaire ______________________________________________________________
2
Fonction non linaire ___________________________________________________________
2.a.
Dfinition de la fonction objectif initiale _______________________________________
2.b.
Transposition de la fonction objectif dans l'espace de redescription __________________
2.c.
Rsolution du problme non linaire reformul __________________________________

ii

108
110
115
115
116
117
120
122
122
123
124

Chapitre A/

A.I.

INTRODUCTION

Propagation en basse troposphre en milieu marin et


besoin d'une caractrisation du milieu

Le milieu marin en basse troposphre (sur les premires centaines de mtres d'altitude) est le
tmoin de nombreux phnomnes mtorologiques. La pression, la temprature, l'humidit et
la vitesse de vent sont les principaux indicateurs des variations parfois brutales de conditions
atmosphriques que l'on peut rencontrer. Dans un tel environnement, l'utilisation de systmes
radars peut tre perturbe.
Dans le cadre de la dtection des objets flottants ou en vol basse altitude en milieu marin, une
problmatique importante est la prdiction de la porte des systmes radars embarqus. Les
conditions mtorologiques changeantes impliquent des variations d'indice de rfraction.
Celles-ci ont pour effet de courber la trajectoire des ondes lectromagntiques. Les
couvertures radars sont ainsi fortement dpendantes de ces phnomnes mtorologiques. Les
ondes lectromagntiques sont affectes par les variations en humidit, pression et
temprature notamment. Les effets de ces trois grandeurs sur la propagation des ondes
peuvent tre synthtiss par l'effet d'une seule : l'indice de rfraction.
On distingue plusieurs types de conditions de propagation suivant la valeur du gradient
d'indice de rfraction. Ces conditions sont illustres sur la Figure 1. On dnombre : la subrfraction, les conditions standard, la super-rfraction et le guidage. Les conditions de subrfraction tendent diminuer la courbure de la trajectoire des ondes. La porte des radars
basse lvation est ainsi rduite dans de telles conditions car les ondes s'loignent plus vite de
la surface terrestre que dans des conditions standard. La sub-rfraction est peu propice la
dtection basse altitude. Les conditions d'atmosphre standard correspondent aux gradients
standard d'humidit, pression et temprature. Les conditions de super-rfraction tendent
courber la trajectoire des ondes vers la surface terrestre. La porte du radar est ainsi accrue.
Enfin, le phnomne de guidage apparat quand il y a prsence de conduits atmosphriques.
La courbure des ondes est alors plus forte que la courbure terrestre. Le conduit agit comme un
guide d'onde et le faisceau est "pig" entre le conduit et la surface de mer. Le phnomne de
guidage accrot significativement la porte des systmes radars.
1

La distance entre le radar et la cible est connue par la mesure du temps de propagation allerretour de l'onde. La localisation angulaire est quant elle dtermine par le pointage de
l'antenne et son diagramme de rayonnement. Ainsi dans le plan vertical, pour une direction
donne, la dtermination de la direction de la cible en lvation est fortement dpendante des
effets de rfraction (cf. Figure 1).
Les conditions atmosphriques influent donc assez largement sur la porte des systmes
radars. On met ainsi en exergue le besoin de caractriser le milieu afin de fournir aux outils de
modlisation un indice de rfraction raliste.

sub-rfraction

atmosphre
standard
erreur
daltitude

super-rfraction
guidage

Figure 1 : Illustration des diffrentes conditions de rfraction et de l'erreur


d'altitude

A.II. Outils existants pour la caractrisation du milieu


atmosphrique et dmarche adopte
Pour la prdiction de la couverture des radars embarqus, on dispose actuellement de
puissants algorithmes de modlisation de propagation des ondes capables de prendre en
compte les variations de l'indice de rfraction. Cependant, pour une prdiction prcise et
raliste, ces algorithmes de propagation requirent cet indice de rfraction en entre. Le but de
cette thse est ltude dun outil capable de fournir, bord du navire et en temps rel, ces
donnes atmosphriques.
Diffrentes mthodes existent pour retrouver l'indice de rfraction.
A.II.1. Mesure par rfractomtre
La mthode la plus prcise est l'utilisation d'un rfractomtre. En comparant des frquences de
rsonance dans une cavit ouverte au milieu d'une part et dans une cavit close servant de
2

rfrence d'autre part, on peut dduire l'indice de rfraction du milieu. Cependant, le


rfractomtre est un instrument coteux et ncessite, pour dcrire toute la basse troposphre,
d'tre embarqu sur un hlicoptre ou un avion en dplacement sur un grand domaine.
A.II.2. Calcul de l'indice de rfraction depuis des mesures atmosphriques
Une autre mthode classique est la mesure des conditions atmosphriques pression,
temprature et humidit par des boues et des radiosondages partir desquels peut tre
dduit l'indice de rfraction. Cependant, le temps de rponse de ces systmes est important, de
l'ordre de la demi-heure. De plus, garder les mesures jour ncessite des radiosondages
rguliers. Cette mthode est enfin assez contraignante puisqu'elle requiert de faire plusieurs
radiosondages simultans le long de la distance de propagation afin de rendre compte de la
variabilit spatiale de l'indice de rfraction dans la direction de propagation.
A.II.3. Mthodes mso-chelles
Une troisime mthode se base sur les modles mto mso-chelles disponibles sur la totalit
du globe. Le couplage de bases de donnes mto avec des mesures par satellites donne de
bons rsultats mais la rsolution, particulirement prs de la surface de mer, n'est pas assez
fine pour dcrire assez prcisment la basse troposphre.
A.II.4. Utilisation du temps de trajet
En disposant d'une antenne ayant une bonne rsolution Doppler et de quelques cibles statiques
au sol, il est possible de dduire l'indice de rfraction moyen sur un trajet, entre l'antenne et la
cible vise [Fabry et al., 1997]. On peut ainsi, en disposant de plusieurs cibles, disposer d'une
cartographie 2D de l'indice de rfraction au sol autour de l'antenne. Cependant, pour appliquer
cette mthode, l'antenne doit avoir une bonne prcision Doppler et surtout une bonne stabilit
sur de longues priodes, afin que la calibration de l'antenne soit toujours valable aprs
plusieurs mois. Le principe de fonctionnement de ce systme est le suivant : si l'on considre
le temps t que met une onde lectromagntique franchir l'espace entre l'antenne et la cible
situe une distance r, on peut noter :

t = 2r

n
.
c

(1)

c reprsente la clrit de la lumire.


Quand n diffre de l'indice de rfraction du vide, cela induit une diffrence de temps de trajet
qui se reflte par un dphasage du signal sur la cible. Ainsi, on peut mesurer la diffrence
d'indice de rfraction avec le vide partir du dphasage du signal avec celui reu dans des
conditions standard d'atmosphre. Ce dphasage peut tre exprim de la forme :

= 2 f t =

2 f r
n ,
c

(2)

o f est la frquence du radar. Cette mthode fonctionne relativement bien mais connat
quelques limitations : en plus d'une prcision et d'une stabilit trs leves sur les mesures
Doppler, le radar doit clairer des cibles totalement fixes, afin de n'introduire aucune erreur
sur la phase. Cette mthode est donc inapplicable en milieu marin o toute balise flottante est
soumise des mouvements de roulis. On pourrait au mieux l'appliquer en utilisant pour cible
un point fixe sur une le ou un lot, mais la mthode perdrait son intrt (obtenir une
cartographie 2D de l'indice de rfraction au niveau du sol).
Encore en dveloppement, une autre technique base sur le mme principe est l'utilisation des
satellites GPS. L'indice de rfraction pourrait tre dduit par le temps de trajet de l'onde qui
est modifi par l'indice de rfraction grce une comparaison avec une mthode lancer de
rayons en milieu homogne.
A.II.5. RFC : Refractivity From Clutter

Enfin, la mthode dveloppe dans cette thse propose d'utiliser directement le radar pour
dduire sa porte. Il s'agit d'extraire l'information contenue dans le fouillis de mer
comprenez dans le signal retrodiffus par la surface de mer que le radar reoit en l'absence de
cible afin de retrouver le profil d'indice de rfraction. Cette mthode est connue sous le nom
de RFC (Refractivity From Clutter). L'avantage de cette mthode est qu'elle ne ncessite
aucun quipement lourd ou cher supplmentaire bord du navire, mais seulement un module
d'analyse du signal reli la sortie du radar. Ainsi, la RFC est un problme inverse.
Plusieurs aspects de la problmatique seront donc dvelopps dans ce mmoire de thse :
l'aspect mtorologique pour la description de la surface de mer et des conduits
atmosphriques, l'algorithme de simulation de propagation d'ondes prenant en compte l'indice
de rfraction, la mathmatique du problme inverse utilis pour remonter du fouillis radar
l'indice de rfraction, et enfin le ct exprimental avec la description des campagnes de
mesure et la validation de la mthode sur ces donnes.

INVERSION DES CHOS


RADARS DE MER INTRODUCTION
LA RFC

Chapitre B/

Le but de ce chapitre est de familiariser le lecteur avec la problmatique de la "Refractivity


from Clutter" (RFC). Le principe de coindice de rfraction modifi (CRM) est introduit, et les
phnomnes de conduits atmosphriques en basse troposphre sont expliqus et paramtrs.
Les outils de modlisation de la propagation des ondes lectromagntiques en prsence de ces
conduits sont de plus introduits. Enfin, le principe de la mthode RFC elle-mme est abord.

B.I.

Prsentation du problme direct


B.I.1. Influence et modlisation de l'indice de rfraction

D'un point de vue lectromagntique, des gradients parfois forts d'humidit, de pression et/ou
de temprature entranent des gradients d'indice de rfraction. Ce sont ces gradients d'indice
de rfraction qui influent sur la propagation des ondes lectromagntiques. Il faut noter que la
valeur absolue de l'indice de rfraction n'a pas d'intrt dans la problmatique RFC car c'est le
gradient d'indice de rfraction uniquement qui a un effet sur la propagation des ondes.
Concernant la paramtrisation des conduits atmosphriques, celle-ci doit tre assez prcise
pour dcrire au mieux les conduits rels. Mais garder faible le nombre de paramtres
dcrivant un conduit facilite d'autant le problme inverse consistant retrouver les paramtres
de ce conduit.

Le Coindice de Rfraction Modifi (CRM)

Dans la basse troposphre, l'indice de rfraction reste extrmement proche de celui du vide,
valant 1. Ainsi plutt que de manipuler l'indice de rfraction n directement, on lui prfre
l'indice de rfraction modifi N. Celui-ci s'exprime comme :
N = (n 1) 10 6 .

(3)

L'indice modifi N prsente l'avantage de pouvoir tre manipul plus facilement que l'indice
de rfraction. Il traduit les diffrences de l'indice de rfraction avec celui du vide. Lindice de
rfraction modifi peut tre exprim en fonction des donnes mtorologiques in situ [Paulus,
1990] :
P
e
N = 77.6 a + 3.73 10 5 2
Tp
Tp
1
424
3 14
4244
3
terme "sec"

(4)

terme "humide"

o Pa est la pression atmosphrique en mb, Tp est la temprature en K et e est la pression de la


vapeur d'eau en mb. Les constantes calcules empiriquement sont valables pour des
frquences comprises entre 1 et 100 GHz [Babin et al., 1997]. N est compos de deux termes.
Le terme dit "sec" couvre l'influence des gaz secs, nitrogne et oxygne principalement, alors
que le terme "humide" correspond l'influence de la vapeur d'eau.
Pour des raisons de simplification, les calculs de propagation sont effectus au dessus d'une
Terre considre plate. Pour prendre en compte ce choix dans le calcul de propagation, le
CRM M est introduit. Cet indice prend en compte la courbure terrestre. On l'exprime en
fonction de N :
M =N+

z
10 6 N + 0.157 z ,
a

(5)

o z est l'altitude au-dessus de la mer en mtres et a est le rayon terrestre en mtres. M et N


sont sans dimension et s'expriment en unit-M ou unit-N. Les diffrents types de conditions
de rfraction en fonction des gradients de coindice de rfraction et de CRM sont rsums dans
le Tableau 1 [Sirkova, 2008].
Tableau 1 : Types de conditions de rfraction en fonction des gradients de
CRM et de coindice de rfraction.
Type de rfraction
sub-rfraction
standard
super-rfraction
guidage

dN /dz (unit-N/km) dN /dz (unit-N/km)


> -39,2
-39,2
< - 39,2
< -157

> 118
118
< 118
<0

Figure 2 : gauche, CRM en fonction de l'altitude pour une atmosphre


standard et droite, simulation du facteur de propagation associ 2.84
GHz dans un plan de coupe vertical. L'indice M est en unit-M.
La Figure 2 montre une cartographie 2D verticale du facteur de propagation simul en
atmosphre standard, ainsi que le profil de CRM associ. En atmosphre standard, le gradient
de CRM est constant et vaut 0.118 unit-M/m. On peut noter qu'en l'absence de conduit, le
facteur de propagation au sol diminue fortement aprs l'horizon (l'horizon lectromagntique
est estim 21.7 km sur cet exemple).
Les phnomnes de super-rfraction et de guidage des ondes augmentent la porte thorique
des radars en courbant les ondes lectromagntiques vers la surface terrestre. Il est ainsi
possible de dtecter les effets des conduits sur la puissance reue par le radar. Dans le
paragraphe suivant, les conduits sont dtaills et des exemples sont donns afin de bien
visualiser le phnomne de guidage.
b

Conduits atmosphriques

Comme l'indice de rfraction, le CRM varie en fonction des conditions atmosphriques. Des
gradients d'humidit, de temprature et de pression entranent des gradients de CRM. On
distingue certains schmas rcurrents dans les types de gradients de CRM rencontrs,
correspondant des phnomnes mtorologiques identifis. Ces vnements sont appels
conduits atmosphriques. L'intrt d'identifier ces conduits est de pouvoir les paramtrer afin
de les caractriser. On recense 4 formes de conduits [Gerstoft et al., 2003] : le conduit
d'vaporation, le conduit de surface, le conduit surlev et la couche de sub-rfraction (cf.
Figure 3). Manquant de donnes sur les couches de sub-rfraction et ce phnomne restant
relativement rare [Goldhirsh et Dockery, 2001], seuls les trois premiers conduits sont analyss
dans cette tude.
La Figure 3 reprsente les quatre formes de conduits recenss et leurs paramtrages respectifs.
Pour le conduit d'vaporation (a), reprsente la hauteur du conduit et c1 le gradient de CRM
7

au-dessus du conduit. Pour le conduit de surface (b) et le conduit surlev (c), zb est la base du
conduit, c2 est l'oppos du gradient de CRM l'intrieur du conduit et zthick est l'paisseur du
conduit. Pour la couche de sub-rfraction enfin (d), reprsente la hauteur de la couche de
sub-rfraction, cs le gradient de CRM dans la couche et c1 le gradient de CRM au-dessus de
celle-ci.

Figure 3 : Profils de CRM en fonction de l'altitude pour (a) un conduit


d'vaporation (b) un conduit de surface (c) un conduit surlev (d) une
couche de sub-rfraction
Le conduit d'vaporation
Le conduit d'vaporation est un phnomne quasi permanent la surface de la mer.
L'vaporation de l'eau la surface cre un fort gradient d'humidit qui se traduit par un fort
gradient ngatif de CRM qui dcrot rapidement. C'est donc sur les premiers mtres que le
conduit d'vaporation fait effet de guide d'onde avec la surface de mer, l'onde tant
successivement courbe vers la surface par la couche de gradient d'indice ngatif puis
rflchie sur la surface de mer. La hauteur du conduit d'vaporation est par dfinition la
hauteur laquelle le gradient de CRM s'annule [Babin et al., 1997].
La hauteur moyenne mondiale des conduits d'vaporation est de 13 mtres, pour des
moyennes locales de 5 mtres aux hautes latitudes et de 16 mtres dans les zones tropicales.
La probabilit de trouver un conduit suprieur 30 mtres est trs faible et chute quasiment
zro pour une hauteur suprieure 40 mtres [ITU-R P.453-6, 2003].
Pour obtenir le CRM basse altitude, on mesure en gnral la temprature de l'eau, la
temprature de l'air, l'humidit relative et la vitesse du vent une altitude rfrence. On peut
partir de ces donnes calculer le profil de CRM pour un conduit d'vaporation en utilisant le
modle mto de Jeske [Jeske, 1971 ; 1973] bas sur la thorie de similitude de MoninObukhov. Sous des conditions dites "neutres", i.e. correspondant l'galit entre la
temprature de l'eau et celle de l'air, le conduit peut tre modlis partir du seul paramtre
hauteur du conduit . On se considre dans une premire approximation dans des conditions
neutres et on modlise alors le conduit d'vaporation par le modle logarithmique, dit modle

de Paulus-Jeske, un seul paramtre [Paulus, 1990] reprsentant la hauteur du conduit


(Figure 4) de la forme :

z + z0
M ( z ) = M 0 + z ln
z0

(6)

Au-dessus de z = 2, le gradient de CRM est assimil aux conditions neutres. On pose M0 =


330 units-M la valeur du CRM la surface de l'eau pour une hauteur de conduit nulle. z0 =
1.510-4 m est la longueur de rugosit arodynamique standard. En conditions neutres, est
fix 0.125 unit-M/m.
Le conduit d'vaporation modifie de faon sensible la porte des systmes radars fonctionnant
des frquences suprieures 2 GHz [Paulus, 1990]. La Figure 4 montre une cartographie en
deux dimensions du facteur de propagation en prsence d'un conduit d'vaporation de 25 m
sous des conditions dites "neutres". Par comparaison avec la Figure 2, on peroit clairement le
phnomne de guidage de l'onde en s'attardant sur le facteur de propagation sur les premiers
mtres au-dessus de la mer. Le conduit d'vaporation augmente la porte des radars
embarqus aux faibles incidences. Il est ainsi propice la dtection des cibles basse altitude
ou flottantes.

Figure 4 : gauche, CRM en fonction de l'altitude pour un conduit


d'vaporation et droite, simulation du facteur de propagation associ
2.84 GHz. L'antenne est situe 30.78 m.
La modlisation du conduit d'vaporation un seul paramtre est une approximation par
rapport la modlisation de Jeske plus complte. Afin d'affiner le modle, on peut introduire
un deuxime paramtre correspondant la pente au-dessus du conduit. On identifie deux
modles de conduits d'vaporation 2 paramtres.

Le premier modle, celui de Jeske [Jeske, 1971, 1973], est similaire au modle un seul
paramtre. Cependant, dans l'Eq. (6), on peut faire varier le paramtre dans le modle de
conduit d'vaporation afin de prendre en compte tous les cas, et non plus seulement le cas des
conditions neutres.
Le deuxime modle, dit modle deux tages, introduit une discontinuit dans le profil de
CRM. Il s'agit de modliser le conduit d'vaporation par un conduit sous conditions neutres,
puis de modifier la pente au-dessus du gradient. Celui-ci s'exprime sous la forme :

z + z0
M ( z ) = M 0 + z ln

z0

M ( z ) = c z
1

pour z < 2

pour z > 2

(7)

o est fix 0.125 unit-M/m et c1 est le gradient de CRM au-dessus du conduit


d'vaporation.
Les avantages et limitations de ces deux modles seront exposs dans la section D.I.2.a lors
du choix d'un modle pour l'application de la mthode RFC des donnes relles en prsence
de conduits d'vaporation.
Le conduit de surface
Le conduit de surface est d une convection d'un air chaud et sec provenant des terres vers
la mer. Il y a alors prsence d'une couche d'air dans laquelle les proprits mtorologiques
diffrent de l'atmosphre marin environnant. La chute de l'humidit et l'lvation de la
temprature entranent un fort gradient ngatif d'indice l'intrieur du conduit, ce qui
engendre des conditions de propagation guide entre le conduit et la surface de mer similaires
ce qui se passe dans un guide d'onde.
Le conduit de surface est un vnement plus rare que le conduit d'vaporation, puisque son
pourcentage d'occurrence est de 15 % sur l'ensemble du globe. Ce pourcentage peut
nanmoins atteindre 50 % dans le Golfe Persique [Gerstoft et al., 2003b]. Les effets du
conduit de surface sont cependant plus importants que ceux du conduit d'vaporation. Un tel
conduit peut doubler la porte d'un radar ou entraner la prsence de "trous de dtection" dans
la ligne de vise du radar. Pour modliser le conduit de surface, on utilise un modle classique
tri-linaire trois paramtres [Gossard et Strauch, 1983] :
M 0 + c0 z

M ( z ) = M 0 + c0 z b c 2 ( z z b )
M c z
2 thick + c 0 ( z z thick )
0

z zb
z b < z z b + z thick ,

(8)

z > z b + z thick

o c0 est la pente en atmosphre standard (c0 = 0.118 unit-M/m). Les paramtres zb, c2 et zthick
dcrivent respectivement la hauteur du conduit, l'oppos du gradient de CRM dans la couche
d'inversion et l'paisseur de la couche d'inversion. C'est ce modle qui est utilis par l'quipe
amricaine du SPAWAR [Gerstoft et al., 2003a], acteurs principaux de la RFC. Une
modlisation plus "sophistique" est possible en adoucissant les ruptures de pentes du modle
tri-linaire [Webster, 1983]. Cependant, la pertinence d'un tel modle n'a pas t dmontre.
Une discussion sur ce modle est effectue ci-aprs.
La Figure 5 reprsente un conduit de surface tri-linaire et la modlisation du facteur de
propagation y correspondant pour une antenne place 30.78 m et fonctionnant 2.84 GHz.
La Figure 5 met en lumire deux phnomnes. Au niveau de la mer, le conduit courbe
10

l'nergie vers la surface de mer, augmentant ainsi sa porte aux incidences faibles. C'est le
phnomne de guidage qui accentue considrablement la porte des radars de veille.
Cependant, on remarque qu'au dessus de 150 m d'altitude, beaucoup moins d'nergie se
propage, crant ainsi des "trous" dans la couverture radar.

zthick
c2

zb

Figure 5 : gauche, CRM en fonction de l'altitude pour un conduit de


surface et droite, simulation du facteur de propagation associ 2.84
GHz. L'antenne est situe 30.78 m.
On choisira les limites : 0 zb 250 m, 0 c2 1.5 unit-M/m et 0 zthick 100 m. La limite
de 250 mtres sur zb vient du fait qu'au dessus de cette altitude, le conduit n'a quasiment pas
d'incidence sur le facteur de propagation au sol sur les 60 premiers km. Cette valeur peut donc
changer pour une autre configuration d'antenne. La valeur maximale de la pente c2 correspond
aux plus forts conduits que l'on peut trouver dans la littrature, et tout spcialement dans
[Babin et Rowland, 1992] et [Brooks et al., 1999] o sont mesurs et tudis de forts conduits
de surface.
On peut de faon quivalente modliser le conduit tri-linaire avec les 3 paramtres zb, Md et
zthick dcrivant respectivement la hauteur du conduit, les pertes en CRM dans la couche
d'inversion et l'paisseur de la couche d'inversion. On alors Md = c2 zthick.
Il faut souligner qu'une autre modlisation du conduit de surface a t propose [Webster,
1982]. La perte d'indice de rfraction dans le conduit est modlise avec une fonction
arctangente afin d'viter les discontinuits dans le profil d'indice. Les paramtres du conduit
ainsi dfinis sont Md les pertes en unit-M dans le conduit, zthick l'paisseur du conduit et zc le
centre du conduit en altitude. L'indice M est, pour un profil "arctangente", exprim en
fonction de l'altitude z sous la forme :
M ( z ) = M 0 + c0 z

12.63( z z c )
.
arctan
z thick

Md

11

(9)

Md

zthick
zc

Figure 6 : gauche, CRM en fonction de l'altitude pour un conduit de


surface "arctangente" de paramtres zb = 50 m, Md = 30 units-M et zc = 70
m. droite, simulation du facteur de propagation associ 2.84 GHz.
L'antenne est situe 30.78 m.
L'intrt d'introduire une telle modlisation est de rendre la description des conduits plus
raliste. Cependant, on peut montrer que l'influence des discontinuits dans le modle de
profil tri-linaire est trs minime, aussi ce dernier est-il prfr en gnral pour sa simplicit.
Sur la Figure 6 gauche, un conduit "arctangente" est reprsent en fonction de l'altitude.
droite, on reprsente la cartographie 2D du facteur de propagation simul en prsence du
conduit pris constant en distance. La Figure 7 prsente le mme rsultat avec un conduit trilinaire choisi aussi proche que possible du conduit "arctangente". On peut remarquer que les
champs de facteurs de propagation sont trs proches pour les deux conduits.
A gauche de la Figure 8 sont reprsents les deux conduits tudis. En parallle sur la droite
de la Figure 8 sont reprsents les facteurs de propagation au niveau de la surface de mer et
correspondant ces conditions atmosphriques. Les rsultats retrouvs sont relativement
proches. Ainsi, les deux types de conduits rendent compte des mmes phnomnes et on
retrouve des dynamiques comparables sur les deux facteurs de propagation avec un lger
dcalage spatial des niveaux des facteurs de propagation. Le choix du modle a donc un
impact sur les rsultats. Cependant, aujourd'hui, ni les mesures atmosphriques, ni un modle
physique atmosphrique pertinent ne permettent de trancher en faveur de l'une de ces deux
reprsentations du conduit de surface. Ainsi, l'une des modlisations ne peut pas tre
prsente comme meilleure par rapport l'autre. En revanche, la pente de la couche
d'inversion n'est pas un paramtre explicite du modle de conduit "arctangente". Ainsi cette
modlisation est beaucoup moins intuitive que la modlisation tri-linaire. On gardera donc
pour la suite de l'tude le profil tri-linaire, plus facile manipuler.

12

Figure 7 : gauche, CRM en fonction de l'altitude pour un conduit de


surface tri-linaire de paramtres zb = 63.05 m, c1 = 2.02 units-M/m et
zthick = 14 m. droite, simulation du facteur de propagation associ 2.84
GHz. L'antenne est situe 30.78 m.

Figure 8 : gauche, CRM en fonction de l'altitude pour un conduit de


surface "arctangente" de paramtres zb = 50 m, Md = 30 units-M et zc = 70
m et un conduit de surface tri-linaire de paramtres zb = 63.05 m, c1 = 2.02
units-M/m et zthick = 14 m. droite, simulation du facteur de propagation
au sol simul pour chaque profil 2.84 GHz. L'antenne est situe 30.78
m.
Le conduit surlev
Le conduit surlev est en gnral d une translation verticale d'un conduit de surface.
Contrairement un conduit de surface, un conduit surlev a son minimum en CRM au
niveau du sol (cf. Figure 3 (b) et (c)). Il peut ainsi tre modlis de la mme faon par un
13

conduit tri-linaire avec une base zb en gnral de plusieurs centaines de mtres. Cependant,
une tude paramtrique montre qu'au-del d'une certaine altitude, un conduit n'a plus aucun
impact sur la puissance au sol jusqu' 60 km. Ainsi, la plupart des conduits surlevs ne
peuvent pas tre dtects par le fouillis de mer. Durant la suite de cette tude, le conduit
d'altitude et le conduit de surface tant modliss de la mme manire, on utilisera le terme de
conduit de surface pour dsigner l'un ou l'autre.
La Figure 9 montre le facteur de propagation dans le cas d'un conduit surlev (zb = 300 m).
Par comparaison avec le facteur de propagation en atmosphre standard (Figure 2), on peut en
remarquer que l'influence du conduit sur la puissance au sol est trs minime.
Comme la RFC est base sur l'inversion de la puissance rflchie par la surface de mer, les
conduits pris en compte dans le cadre de ces travaux auront une altitude zb limite, infrieure
250 m. Les conduits les plus levs ne peuvent tre retrouvs par RFC sur les 60 premiers
kilomtres.

Figure 9 : gauche, CRM en fonction de l'altitude pour un conduit


surlev et droite, simulation du facteur de propagation associ 2.84
GHz. L'antenne est situe 30.78 m.
Les principaux types de conduits ont t prsents. Avant de dvelopper l'tat de l'art sur la
RFC, la modlisation de la propagation des ondes lectromagntiques prenant en compte ces
conduits est prsente.
B.I.2. Modlisation de la propagation en avant

Modliser le facteur de propagation ou les pertes de propagation au sol en fonction de la


distance est indispensable. La cration de bases de donnes utiles retrouver ensuite l'indice
de rfraction ne peut se faire sans l'utilisation d'un outil de modlisation efficace. La
14

modlisation utilise dans ce contexte est une mthode 2D base sur la rsolution de
l'quation Parabolique 2D par la mthode dite de "Split-Step Fourier" (SSF) [Barrios, 1994].
Diverses hypothses simplificatrices sont faites dans le calcul de la propagation. L'hypothse
de mer plate et parfaitement conductrice est d'abord justifie avant de dvelopper la mthode
de simulation de la propagation des ondes lectromagntiques.
a

Conditions limites : la surface de mer

La surface de mer est de faon gnrale considre comme une surface dilectrique et
rugueuse. Cependant, des approximations peuvent tre faites pour des angles trs rasants,
comme c'est le cas dans notre tude (g < 1 aprs quelques kilomtres, o g est l'angle rasant
entre l'axe horizontal et la trajectoire de l'onde l'interface air-eau). Afin de dcrire de
manire prcise les conditions limites, on considre les conditions de Leontovitch, valables
pour une surface trs conductrice.
On peut exprimer cette condition limite par l'quation de la forme [Leontovitch, 1948] :

+ L z = 0 = 0 ,
z z =0

(10)

o reprsente le champ lectrique ou magntique tudi, perpendiculaire au plan de calcul.


L'quation combine les conditions de Neumann et Dirichlet au niveau de l'interface avec la
surface, altitude nulle. L est directement reli au coefficient de rflexion R par :

1 R
,
1 + R

L = jk 0 sin g

(11)

o k0 est le nombre d'onde dans le vide, et g est l'angle rasant de l'onde. Fabbro et al. [2006]
ont montr que le coefficient de rflexion RR caractrisant une surface rugueuse obissant
un processus gaussien claire en incidence rasante pouvait s'crire :
(

2
(
RR = R0 exp j m

(12)

avec = 2k0 sin g, o g est l'angle rasant et R0 est le coefficient de rflexion de Fresnel pour
(
(
une surface lisse. m et sont la moyenne et l'cart type de la hauteur des vagues modifie

par l'effet d'ombre. Dans le cas des angles trs rasants, 0, donc RR R0. Ainsi, la mer peut
tre considre comme une surface plane. Ce rsultat est vrai pour une mer modlise par une
surface rugueuse suivant un processus gaussien. On extrapole donc ce rsultat aux surfaces de
mer rencontres dans notre problmatique pour premire approximation et on modlise ainsi
la mer par une surface plane.
Dans le cas d'un sol qui n'est pas parfaitement conducteur, son coefficient de rflexion de
Fresnel rigoureux en polarisation horizontale ou verticale peut s'exprimer par [Douchin,
1992]:
R0 H ,V =

sin g C H ,V
sin g + C H ,V
15

(13)

o CH = s cos2g et CV = (s cos2g)/s2 respectivement. s est la permittivit complexe de


la surface. La permittivit complexe de la surface de mer s'exprime sous la forme :

s = r + j 60 ,

(14)

o r est la permittivit relle relative de l'eau de mer sans dimension. est la longueur d'onde
en m et est la conductivit de l'eau de mer en siemens par mtre (S/m), traduisant l'aspect
conductrice de celle-ci. On peut ensuite obtenir la permittivit relative et la conductivit de
l'eau en fonction de la frquence d'aprs la recommandation 527-1 de l'Union International
des Tlcommunications. Elles sont approches par des fonctions polynomiales de degr 5.
On peut obtenir des formulations asymptotiques de R0H et R0V dans le cadre des angles trs
rasants (g trs faible). On effectue pour cela un dveloppement limit au premier ordre en g.
On obtient :
R0 H 1 + 2

g
CH

et R0 V 1 + 2

g
CV

(15)

avec CH s 1 et CV (s 1)/s2 respectivement. Pour le cas des angles trs rasants, le


terme en g est quasi-nul, et on a R0 1.
Par exemple, en polarisation horizontale, pour le cas dfavorable g = 1 et f = 1 GHz, le
coefficient de Fresnel vaut : R0 H = 0.997 + 0.002i . Pour un radar de veille, les angles
rasants d'clairement de la surface de mer sont ds les premiers kilomtres infrieurs au degr,
et la frquence de 1 GHz est la frquence minimum recommande pour une tude de RFC.
Or, R0 tend vers 1 quand l'angle rasant diminue et que la frquence augmente.
L'approximation R0 = 1 est donc tout fait pertinente.
Ainsi, pour notre tude, la mer est considre comme une surface plane et de coefficient de
Fresnel de 1. Finalement, on approche le coefficient de rflexion cohrent de la surface de
mer par celui d'une surface plane parfaitement conductrice : RR = 1.
Grce cette hypothse simplificatrice, le calcul de modlisation de la propagation avant est
significativement acclr.
b

Modlisation de la propagation

La mthode de l'quation parabolique permet de modliser la propagation dans un milieu


inhomogne sous certaines hypothses. La propagation est simule sur un domaine 2D dans le
plan vertical passant par l'metteur.
L'quation parabolique

Le domaine tant en deux dimensions, le point de dpart est l'quation de Helmholtz 2D :


2 2
+ k 02 m 2 = 0 ,
+
x 2
z 2

(16)

o reprsente le champ lectrique (en polarisation H) ou magntique (en polarisation V)


transverse au plan de propagation. Le champ est modlis selon laxe horizontal x alors que z
est laxe vertical, k0 est le nombre donde dans le vide et m est lindice de rfraction modifi.
La surface est suppose invariante selon la direction y.
16

On peut ensuite factoriser cette quation en 2 termes : un terme de propagation en avant et un


terme de rtro-propagation :

jk 0 Q + jk 0 Q = 0 ,
x
x

o Q est loprateur pseudo-diffrentiel Q =

(17)

1 2
+ m 2 ( x, z ) .
2
2
k 0 z

1 2
et B = m 2 (x, z ) 1 , et
2
2
k 0 z
que lon suppose A et B faibles devant 1, alors on peut approcher Q par un dveloppement
limit :
Deux approximations sont alors introduites. Si lon pose A =

Q=

A + B + 1 1 + A + 1 + B 1.

(18)

Cest lhypothse dite de paraxialit.


Remarque : Cette simplification nest vraie que dans un cne de demi-ouverture centr sur
laxe de propagation x. La valeur de cette demi-ouverture angulaire peut tre diffrente
suivant les auteurs pour la mme formulation. Elle est donne entre 20 et 30 [Kuttler, 1999].
Dans le cadre de la propagation en basse troposphre et en l'absence de relief, cette hypothse
est satisfaite.
Dans une seconde approximation, le terme de rtrodiffusion est nglig. Ainsi, on obtient
lquation dite "parabolique" (ou PWE pour "Parabolic Wave Equation") :

1 2
= jk 1 + 2 2 + m 1 .

x
k 0 z

(19)

Il existe ensuite plusieurs mthodes de rsolution de l'quation parabolique. La mthode


utilise dans cette tude est la rsolution par Split-Step-Fourier (SSF), bien plus rapide que la
rsolution par mthode des diffrences finies [Douchin, 1992].
Rsolution par SSF grand angle
On introduit la variable rduite u telle que :
= u e jk0 x
.

= [ x u jk 0 u ]e jk0 x
x

(20)

On peut alors rcrire l'quation parabolique sous la forme :

1 2

u = jk 0 1 + 2 2 + m u .

x
k 0 z

(21)

Supposons que lindice varie trs faiblement avec la distance, on nglige ses variations lors de
la rsolution pour chaque itration suivant x. Cette hypothse est raliste car on peut aisment

17

supposer le profil constant sur 100 ou 200 mtres en distance. Alors la solution peut tre
formule comme suit :
u ( x + x , z ) = e ( C + D ) u ( x , z )

avec

= jk 0 x

1 2

C = 1 + 2 2
k 0 z

D = m( z )

(22)

La mthode de rsolution dite "Split-step" propose de sparer le terme exponentiel en deux


termes. Laction du premier des facteurs comprenant la drive seconde en z peut tre
exprime efficacement en appliquant une transforme de Fourier. La plus simple se rsume :

e (C + D ) = e ( D ) e (C ) .

(23)

Cette dcoupe nest pas exacte pour un milieu non homogne. En effet, en toute rigueur on ne
peut pas permuter les deux oprateurs. Cependant comme lindice m est trs proche de 1 il a
t dmontr [Lvy, 2000] que lerreur induite est du second ordre avec le pas en distance.
Ainsi on crit :

u ( x + x, z ) = e ( D ) {e ( C ) u ( x, z )}.

(24)

Une autre criture, plus prcise, amne une erreur du troisime ordre en x [Levy, 2000],
soit :

u ( x + x, z ) = e

( D)
2

( C ) (2D )

e
u ( x, z ) .
e

(25)

Sous cette forme, lquation est rsolue de manire itrative dans le sens de la propagation, en
appliquant chaque itration deux transformes de Fourier suivant la dimension verticale. On
obtient la rsolution itrative :

u ( x0 + x, z ) e

k0
m x
2

j
TF e

k 0 2 k z2 x

j k20 mx

TF e
u ( x0 , z ) ,

(26)

kz tant le nombre d'onde selon l'axe vertical. Physiquement, cette rsolution itrative peut
tre commente. On calcule par transforme de Fourier suivant z le spectre dondes planes
labscisse x0, et on le propage sur une distance x en prenant en compte les variations de
l'indice de rfraction modifi m. On reconstitue le champ labscisse x0 + x par transforme
de Fourier inverse.
La simplification apporte en section B.I.2.a, considrant une surface de mer lisse et
parfaitement conductrice, permet de remplacer les transformes de Fourier par des
transformes en sinus, augmentant ainsi la vitesse de calcul de l'algorithme.
On dispose donc d'un outil de modlisation de propagation efficace prenant en compte les
variations d'indice de rfraction, ainsi que de modles de conduits dcrits par diffrents
paramtres. Il reste, afin de modliser compltement le trajet aller-retour de l'onde
18

lectromagntique au-dessus de la surface de mer, connatre la Surface quivalent Radar


(SER) de la surface de mer claire par le faisceau lectromagntique.
B.I.3. Puissance rtro-diffuse par le fouillis de mer

Dans la problmatique de la RFC, le but est de retrouver l'indice de rfraction partir de la


seule puissance reue par le radar. Afin que le systme d'inversion ne dpende pas de l'tat de
mer, il est plus ais d'effectuer l'inversion sur le facteur de propagation qui dpend des
conditions de rfraction. Ainsi, un prtraitement des donnes radar reues est ncessaire pour
remonter de la puissance reue par le radar au facteur de propagation. Ces valeurs sont lies
par l'quation radar [Kerr, 1987] :

PR (M ) =

PE G 2 2

(4 )

F04 (M ) ,

(27)

o PR est la puissance reue par le radar, PE est la puissance mise par ce mme radar, G est le
gain de l'antenne et F0 reprsente le facteur de propagation. est la SER monostatique de la
surface de mer et est la longueur d'onde. Enfin, M est le vecteur dcrivant les variations de
CRM. Le facteur de propagation correspond au rapport entre l'amplitude du champ rel et
l'amplitude du champ en conditions idales (propagation en espace libre). L'exposant 4 vient
donc du fait que l'on travaille en puissance et sur un trajet aller-retour.
Remarque : il est quivalent de travailler avec le facteur de propagation ou les pertes en
propagation puisque l'on peut passer de l'un l'autre par la formule :
2

2
L0 =
F0 .
4R

(28)

Dans le cadre de la RFC, on ne travaille qu'en configuration monostatique (une seule antenne
en mission et en rception). Aussi, toutes les SER mentionnes dans cette thse sont
implicitement des SER monostatiques.
La puissance mise et le gain de l'antenne tant connus, seule manque la connaissance de la
SER de la surface de mer claire pour obtenir le facteur de propagation depuis la puissance
mesure. La modlisation de la SER de la surface de mer claire est une problmatique
majeure dans le cadre de la RFC. On peut crire cette SER :

= AI 0 ,

(29)

o 0 est la SER normalise (SERN) du pixel de mer et AI est l'aire illumine par le faisceau
radar. 0 est en m2/m2. On peut exprimer l'aire AI en fonction de la distance (Figure 10),
comme :
AI =

1
R 3dB HOR c sec( g ) ,
2

(30)

o R est la distance entre le radar et le sol, 3dBHOR est l'ouverture d'antenne horizontale, est la
dure d'une pulsation du radar, c est la clrit de la lumire dans le vide, et "sec" reprsente
la fonction scante.

19

Figure 10 : Couverture radar vue du dessus (haut) et de profil (bas).


a

Modlisation de la SERN

Le problme porte donc sur la modlisation de la SERN de la surface de mer. En effet, aucun
modle aujourd'hui ne fait l'unanimit dans la communaut scientifique. Il est cependant
communment reconnu que cette SERN dpend de l'tat de mer (et donc du vent), de l'angle
d'incidence de l'onde lectromagntique, de sa frquence et de sa polarisation [Feng et al.,
2005].
Le modle semi-empirique le plus frquemment utilis est le modle GIT (cf. Annexe A.1),
dvelopp au Georgia Institute of Technology en 1978 [Horst et al., 1978]. Plus rcemment,
le modle -p a t dvelopp au Beijing Institute of Technology [Feng et al., 2005] mais n'a
pas montr de relle amlioration par rapport au modle GIT. On pourra citer aussi le modle
TSC, dvelopp en 1969 par Rivers sur les donnes collectes par Nathanson [Nathanson,
1969] mais qui reste un modle non publi. Une amlioration des modles GIT et TSC
affinant la prise en compte du vent transverse a plus rcemment t introduite [Spaulding et
al., 2005] (cf. Annexe A.2). Soulignons que des mthodes plus prcises, dites "exactes",
existent [Bourlier et al., 2005] mais qu'elles ne sont pas valides aux trs faibles incidences.
SERN constante avec la distance. Validit et limitations
Une premire approximation classiquement effectue en RFC [Gerstoft et al., 2003b ;
Yardim, 2007a] est de considrer l'tat de mer constant sur toute la distance de calcul
(typiquement quelques dizaines de kilomtres). Cette approximation est valide en pleine mer
mais nglige le phnomne de formation des vagues en milieu ctier. Quant l'angle rasant
g, on le prend dans un premier temps constant en fonction de la distance. Cette
approximation est discute ci-aprs.
Le modle GIT
L'tude du modle GIT, expos dans l'Annexe A, est intressante afin de connatre les
limitations de la premire approximation consistant prendre une SERN constante avec la
distance de propagation.
20

L'impact de la variation de l'angle rasant sur la SER normalise peut tre mis en vidence via
le calcul de valeurs de 0 par exemple grce au modle du GIT [Horst et al., 1978]. Si ce
modle n'est pas exact, il est communment utilis en condition oprationnelle et permet de se
faire une ide de l'influence de l'angle rasant sur la SERN du fouillis de mer.
La SERN dpendant de l'angle de rasance et de la vitesse du vent, on tudie la dynamique de
la SERN suivant ces deux donnes. C'est cependant la hauteur moyenne des vagues
directement, et non la vitesse de vent, qui impacte sur la SERN. Cette tude est donc mene
pour deux modlisations de la hauteur des vagues en fonction de la distance. La premire
modlisation est la formule issue du modle GIT, et la deuxime reprend les valeurs donnes
par l'chelle de Beaufort interpoles linairement pour chaque tat de mer afin d'obtenir une
fonction continue. En effet, chaque tat de mer correspond, sur l'chelle de Beaufort, une
fourchette de hauteurs de vagues. Pour le trac, une interpolation linaire est effectue entre
les valeurs minimale et maximale de cette fourchette pour chaque force de vent. Une
reprsentation de la hauteur des vagues en fonction de la vitesse de vent pour ces deux
formulations est donne sur la Figure 11.

Figure 11 : Hauteur des vagues en fonction de la vitesse de vent 10 m en


utilisant la formule du modle GIT (rouge pointill) et l'chelle de Beaufort
interpole linairement (bleu continu).
La Figure 12 prsente la dynamique de la SERN modlise par le modle GIT en fonction de
l'angle rasant pour diffrents tats de mer (forces 1 8 sur l'chelle de Beaufort). L'tude est
mene pour des hauteurs de vagues calcules en fonction de la vitesse du vent en utilisant la
formule du modle GIT ( gauche) ou en utilisant l'chelle de Beaufort interpole ( droite).
La frquence est fixe 2.84 GHz en polarisation verticale, et le vent est fix dans le sens de
la propagation (pas de prise en compte du vent transverse). On voit que la dynamique
gnrale dpend trs peu de la valeur de la vitesse de vent. Cette dynamique ne change que
lgrement pour les fortes valeurs de vitesses de vent o le modle GIT n'est plus valide (Kb =
6 ou plus). Aussi cette dynamique pourrait-t-elle tre intgre aux bases de donnes simules
pour rsoudre le problme inverse.

21

En conclusion, la question de la modlisation de la SERN et de sa dynamique est encore


aujourd'hui une question ouverte. Cependant, en incidence rasante, la dynamique ne dpend
pas du niveau de la SERN selon le modle GIT.
Il faut noter que l'approximation donnant la SERN variant en g4 est aujourd'hui la plus
admise [Barrick, 1998 ; Tatarskii et Charnotskii, 1998 ; Ward et al., 2006] et pourra tre
introduite. Cette tendance est restitue par le terme de multitrajet du modle GIT (cf. Annexe
C).

Figure 12 : Dynamique de la SERN modlise par le modle GIT en


fonction de l'angle rasant frquence, polarisation et direction du vent
constantes pour diffrents tats de mer (de 1 8 sur l'chelle de beaufort).
L'tude est mene pour des hauteurs de vagues calcules en fonction de la
vitesse du vent en utilisant la formule du modle GIT ( gauche) ou en
utilisant directement l'chelle de Beaufort interpole ( droite).
L'angle de rasance tant un lment dterminant pour la valeur de la SERN, la section
suivante dtaille le comportement de cet angle de rasance avec lequel les ondes impactent sur
la surface de mer en fonction des conditions de rfraction.
b

Utilisation du lancer de rayons pour obtenir l'angle rasant

L'angle entre la direction de propagation de l'onde lectromagntique et la surface de mer


dpend de la hauteur de l'antenne et de la distance du pixel de mer, ainsi que des conditions de
rfraction. En effet, un conduit ayant pour effet de courber la trajectoire des ondes, l'angle
d'incidence au niveau de la mer est dpendant des conditions de rfraction. L'utilisation d'une
mthode de lancer de rayons en milieu inhomogne (cf. Annexe B) s'avre ncessaire pour
tudier l'influence des conduits sur l'angle rasant.
On se place dans le cadre de l'optique gomtrique. Cette mthode asymptotique permet de
modliser la trajectoire des ondes en ngligeant le phnomne de diffraction. On obtient ainsi
les trajectoires des rayons sous les hypothses suivantes : le milieu est inhomogne
verticalement mais est invariant avec la distance ; le sol est considr lisse en z = 0 ; de plus,
on rajoute l'hypothse selon laquelle le CRM est compos de couches linaires selon z, ce que
l'on appelle l'hypothse d'atmosphre stratifie. Cette dernire hypothse est aisment vrifie
puisque le profil de CRM est discrtis en altitude.
22

Figure 13 : Exemple de lancer de rayons en prsence d'un conduit de


surface. 40 rayons sont lancs (b) en prsence d'un conduit de surface
reprsent en (a).
La Figure 13 donne un exemple de lancer de rayons en prsence d'un conduit de surface
constant en distance. Le profil de CRM en fonction de l'altitude est trac en (a) et le trajet 2D
des 40 rayons lancs est trac en (b). On peut noter les effets de courbure des rayons
l'intrieur du conduit et leur guidage au-del de l'horizon lectromagntique. Sur l'exemple
prsent sur la Figure 13, les ondes se recombinent aprs guidage autour de 37 km. C'est
pourquoi on retrouve des niveaux de facteurs de propagation bien plus levs aprs quelques
dizaines de kilomtres en prsence de conduit de surface. De mme, la Figure 13 illustre le
phnomne de "trou" de dtection au-dessus du conduit : aprs quelques dizaines de
kilomtres, une grande partie de la puissance est pige dans le conduit et peu d'nergie atteint
finalement cette zone.
L'angle d'incidence au niveau de la surface de mer peut tre retrouv pour des conditions
atmosphriques connues grce une mthode de lancer de rayons. Le lancer de rayons est
totalement indpendant de la frquence. Pourtant, les effets des conduits varient, eux, suivant
la frquence d'mission du signal. Plus la frquence est haute, plus les effets de rfraction ont
un impact lev. La force d'un conduit est donne par la longueur d'onde maximale pour
laquelle le signal lectromagntique est pige dans le conduit. On peut l'exprimer sous la
forme [Turton et al., 1988] :

max =

2
C M ,
3

(31)

o C = 3.77 10-3 pour un conduit de surface et C = 5.66 10-3 pour un conduit surlev. M
est la diffrence entre le minimum de CRM en haut du conduit et la valeur maximale
l'intrieur du conduit (ce qui revient, pour des conduits idaux tri-linaires, prendre la valeur
la base du conduit). Ce critre donne une tendance gnrale mais pour des longueurs d'onde
23

suprieures max, une partie de l'nergie est tout de mme pige dans le conduit ; de la
mme faon toute l'nergie n'est pas pige aux longueurs d'onde infrieures max.
Le conduit d'vaporation
On peut cependant montrer que dans le cas particulier du conduit d'vaporation caractris par
un seul paramtre (correspondant des conditions neutres de temprature), l'angle de rasance
est quasiment constant aprs les premiers kilomtres. Un exemple est expos sur la Figure 14.

Figure 14 : Angle rasant de l'onde la surface de la mer en fonction de la


distance pour plusieurs valeurs de hauteurs de conduits .
La Figure 14 montre l'angle rasant de l'onde au niveau de la mer en fonction de la distance en
prsence d'un conduit d'vaporation pour plusieurs valeurs de la hauteur du conduit .
L'antenne est place 25 mtres. Deux remarques s'imposent. Tout d'abord, l'angle
d'incidence varie de manire significative avec les conditions de rfraction. Mais ensuite, on
peut remarquer que cet angle ne varie quasiment plus aprs 10 km (sur cet exemple) ds qu'un
conduit est prsent. Ainsi, en supposant l'tat de mer constant sur la distance d'inversion, le
modle 0 = Cst choisi par Gerstoft et al. [2003a, 2003b] est pertinent partir de cette
distance limite. La Figure 14 illustre le fait que l'angle rasant des rayons atteignant la mer
devient constant au del d'une distance seuil, proche de l'horizon optique.

24

Figure 15 : Illustration de la dtermination de l'angle g lim en connaissant


lim par la mthode de lancer de rayons reprsente en (b) pour une antenne
plus haute que le conduit d'vaporation trac en (a).
Si le modle 0 = Cst est un modle pertinent en prsence d'un conduit d'vaporation, il est
intressant de pouvoir connatre l'angle rasant afin de nourrir un modle de SERN valide pour
les angles trs rasants. La Figure 15 reprsente, en prsence d'un conduit d'vaporation, le
dernier rayon qui va se rflchir sur la surface de mer. Pour un angle d'lvation suprieur, le
rayon est courb vers les altitudes croissantes avant de rencontrer la surface. Le rayon venant
effectuer sa premire rflexion la plus grande distance de l'metteur atteint la surface de mer
avec l'angle limite g lim illustr sur la Figure 15. On peut exprimer analytiquement l'angle
d'lvation optimum l'mission lim permettant de tracer ce rayon. Le rayon se rflchit la
porte Rlim, atteinte pour l'angle d'lvation lim.
Afin de dterminer l'angle lim, il faut dterminer l'altitude laquelle le CRM est minimum, de
valeur Mmin. Il s'agit de la hauteur du conduit. Il faut aussi connatre la valeur de l'indice
hauteur de l'antenne Mant que l'on peut retrouver grce au modle analytique de conduit de
Paulus-Jeske (Eq. 6). Ainsi, pour connatre l'angle rasant aprs la distance seuil, le lancer de
quelques rayons autour de cet angle d'lvation est suffisant. Si l'antenne est plus haute ou
l'altitude de , on peut alors exprimer lim selon [Paulus, 1990] :

lim = (2 10 6 )( M ant M min ) 1.10 6 en radians ,

(32)

o lim est exprim en radians. Si l'antenne se trouve en dessous du minimum de coindice


modifi, on prend alors la valeur oppose. On gagne ainsi considrablement en efficacit dans
le calcul de l'angle rasant grande distance.
Les Figure 16 et Figure 17 illustrent l'utilit de la connaissance pralable de lim. La Figure 16
reprsente deux lancers de rayons effectus en parallle en prsence d'un conduit
d'vaporation de 5 mtres de haut. L'antenne est place 25 mtres d'altitude. Les rayons en
bleu correspondent un lancer de 40 rayons repartis angulairement autour de l'horizontale
dans un cne de demi-ouverture 2. Les rayons en rouge correspondent un lancer de 7
rayons centrs sur lim sur un domaine angulaire trs rduit de 0.05. La Figure 17 reprsente
les valeurs de l'angle rasant pour les deux lancers de rayons aux distances correspondantes. En
lanant 40 rayons centrs 0 d'lvation sur un domaine angulaire de 2, on obtient un seul
angle de rasance aprs 10 km ; alors qu'avec 7 rayons centrs sur lim rpartis sur un domaine
angulaire trs rduit de 0.05, on obtient 3 angles d'incidence, tous situs aprs 10 km. Ainsi,
le temps de calcul est largement minimis et l'obtention d'un angle dans la partie quasi
constante de l'angle d'incidence est assure.
25

Figure 16 : En bleu, 40 rayons centrs en 0 d'lvation sur un domaine


angulaire de 2. En rouge et gras, 7 rayons centrs en lim sur un domaine
angulaire de 0.05. On est en prsence d'un conduit d'vaporation de 5 m et
l'antenne est situe 25 mtres d'altitude.

Figure 17 : Angles rasants la surface de la mer obtenus grce 40 rayons


centrs en 0 d'lvation sur un domaine angulaire de 2 (croix bleues) et
7 rayons centrs en lim sur un domaine angulaire de 0.05 (carrs rouges).
Comme on peut le remarquer sur la Figure 14, l'angle rasant aprs l'horizon est quasiment
constant et ce quelle que soit la hauteur de ce conduit. On peut donc tracer directement la
valeur de l'angle rasant g lim aprs l'horizon en fonction de la hauteur du conduit d'vaporation
26

(cf. Figure 18). Ainsi, on a directement accs l'angle de rasance si l'on connat sans avoir
effectuer de lancer de rayons. Cette courbe n'est valable que pour une hauteur d'antenne
donne (ici 25 mtres).

Figure 18 : En prsence d'un conduit d'vaporation. angle rasant la


surface de la mer aprs l'horizon en fonction de la hauteur du conduit
pour une antenne place 25 mtres.
On peut par cette mthode retrouver rapidement l'angle d'incidence de l'onde sur la mer en
prsence d'un conduit d'vaporation et on pourra ainsi nourrir un modle de SERN du fouillis
de mer ds lors que l'on connat la hauteur du conduit d'vaporation prsent.
Dans un cadre oprationnel, on peut imaginer que le systme d'inversion RFC soit coupl
avec des mesures mto sur le bateau donnant une approximation de la hauteur du conduit
d'vaporation qui permettrait de dduire l'angle rasant. Cet angle pourrait alors tre utilis
pour le traitement de la puissance reue avant la machine d'inversion.
Le calcul de l'angle rasant est ncessaire l'estimation de la SERN du fouillis de mer. Une
fois cette SERN estime, on peut obtenir le facteur en propagation aller F2 partir de la
puissance reue par le radar PR (Eq. 27). L'inversion portera ensuite sur le facteur de
propagation pour dtecter et quantifier les conduits atmosphriques prsents.
Le conduit de surface
Si l'approximation de l'angle rasant constant en distance est valide en prsence d'un conduit
d'vaporation, on sait que cet angle rasant connat des variations dans le cas d'une propagation
en prsence d'un conduit de surface. Un exemple est dtaill ci-dessous. Le conduit est
modlis d'aprs un fort conduit mesur dans le Golfe Persique [Brooks et al., 1999]. Il s'agit
d'un trs fort conduit de surface, choisi pour illustrer la variation de l'angle rasant dans un cas
extrme de condition de rfraction. Sur la Figure 19 sont reprsents le conduit de surface
modlis par un conduit tri-linaire de paramtres zb = 60 m, c2 = 1.36 unit-M/m et zthick = 55
m et le rsultat du lancer de rayons dans ces conditions de rfraction. On voit que les rayons
impactent la surface avec un angle variant avec la distance. La Figure 20 montre les angles de
rasance des rayons en fonction de la distance. Aprs des interpolations cubiques, on retrouve

27

5 courbes dcrivant l'angle de rasance en fonction de la distance sur les 60 km de la


simulation.

Figure 19 : Lancer de rayons. gauche, le profil vertical d'indice de


rfraction proche d'un conduit mesur dans le Golfe Persique [Brooks et
al., 1999]. Ses paramtres valent zb = 60 m, c2 = 1.36 unit-M/m et zthick =
55 m. droite, le lancer de rayon sur 60 km en prsence du conduit.

Figure 20 : Angle de rflexion sur la surface en fonction de la distance pour


le cas d'un fort conduit de surface. Par une interpolation cubique, on
retrouve 5 courbes d'angles rasants en fonction de la distance.
Ainsi, l'approximation consistant supposer un angle rasant constant avec la distance trouve
ses limites en prsence d'un conduit de surface. La dynamique due au terme de multitrajet
peut cependant tre prise en compte, comme expos dans la section suivante.
28

Modlisation de la dynamique angulaire du fouillis de mer dans la RFC

Une modlisation rigoureuse du fouillis de mer dans une approche RFC est incompatible avec
le besoin temps rel mis par les oprationnels. Malgr le fait que l'agitation de la mer peut
tre mesure in situ et qu'une modlisation asymptotique pourrait tre recherche et
applique, les paramtres supplmentaires assumer risquent de considrablement alourdir la
mthode. Il faut donc contourner ce problme tout en conservant une mthode RFC efficace.
Une ide est de ne pas modliser le niveau du fouillis de mer, mais sa dynamique moyenne en
fonction de l'angle de rasance. Ainsi on imagine pouvoir acqurir le signal radar de fouillis
suffisamment longtemps pour pouvoir le moyenner et s'affranchir de ses variations
temporelles rapides. Il reste alors modliser la dynamique du fouillis en fonction de l'angle
de rasance. De nombreux auteurs se sont penchs sur cette problmatique et une grande partie
d'entre eux tels que Barrick [Barrick, 1998] ou Tatarskii [Tatarskii, 1998] s'accordent en une
variation en g4 en incidence rasante, soit 0 = g4r0, o r0 est la SERN rduite. D'autre part,
remarquons que le modle semi-empirique du GIT, qui est le modle le plus reconnu, restitue
galement ce comportement angulaire (cf. Annexe C).
Lors du calcul de la propagation par la mthode quation parabolique, le champ est relev
une hauteur non nulle, proche du niveau de la mer. Aussi, le multitrajet cr par le sol est
implicitement modlis. Sur mer et sans considrer les effets atmosphriques, il se rsume la
superposition d'un rayon direct et d'un rayon rflchi. Lorsque l'on se place grande distance
de l'metteur et angle de rasance faible, le coefficient de rflexion tend vers (-1) (cf. section
B.I.2.a).
L'effet de ce multitrajet est illustr sur la Figure 21. Au point P, l'onde directe et l'onde
rflchie se recombinent avec une diffrence de trajet l = 2z sin(g) car la rflexion sur la
surface est spculaire. Le dphasage entre les deux ondes est donc de = 2k0 z sin(g).

Figure 21 : Illustration de l'impact du multitrajet cr par le sol lors de la


modlisation de la propagation lectromagntique par mthode de
rsolution de l'quation parabolique.
Ce multitrajet peut donc tre exprim simplement par l'expression classique :

F ( z , g ) = (1 exp(2 jk 0 z sin g ) ) ,

29

(33)

o le facteur de propagation F est ici relev la hauteur z au-dessus de la mer claire suivant
l'angle de rasance g. Dans un cas avec rfraction, les rayons ne se propagent pas en ligne
droite, mais proche de la surface ce terme de multitrajet reste valable et ainsi le facteur de
propagation devient en atmosphre quelconque :
F ( z , g ) = (1 exp(2 jk 0 z sin g ) )F0 ,

(34)

o F0 traduit les effets de rfraction entre l'antenne et le fouillis. incidence rasante et


hauteur faible, le critre de Rayleigh est satisfait, soit :
2k 0 z sin g << 1 .

(35)

On peut ainsi faire un dveloppement limit de l'exponentielle apparaissant dans l'expression


de F :
exp(2 jk 0 z sin g ) 1 2 jk 0 z sin g .

(36)

La variation du facteur de propagation relev la hauteur z et en incidence rasante est alors de


la forme :
F ( z , g ) = 1 exp(2 jk 0 z sin g ) F0 2 F0 k 0 z sin g .

(37)

Pour se ramener la puissance reue par le radar, ce facteur est lev la puissance 4. On
obtient bien finalement une variation en sin4(g), donc en g4, l'angle de rasance tant trs
petit.
Dans l'quation radar (Eq. 27), le terme F0 correspond un facteur de propagation prenant en
compte les conditions de rfraction. Cette formulation considre le facteur de propagation sur
la cible, soit dans notre problmatique sur la surface de mer. Lors du calcul de la propagation
par mthode PWE, le facteur de propagation est relev lgrement au-dessus de la surface le
facteur de propagation tant nul sur celle-ci ce qui induit la prise en compte d'un multitrajet
(cf. Figure 21). Le terme F0 de l'quation radar est donc bien que le mme que celui dfini
l'Eq. (34).
Le facteur F04 apparaissant dans l'quation radar peut s'exprimer sous la forme :

F04 = 0 AI F04
= r0 g4 AI F04

(38)

o r0 est la SERN rduite dont la variation due au multitrajet n'est pas prise en compte. Selon
la valeur de F(z,g) obtenue dans l'Eq. (37), on obtient par substitution :

F04 = r0 AI

F 4 ( z, g )
( 2k 0 z ) 4 ,

= C 0 F ( z , g )
0
r

o C0 = AI / (2k0z)4. Ainsi l'quation radar revient finalement :

30

(39)

PR (M ) =

PE G 2 2

(4 )

C 0 r0 F 4 ( z , g , M ) ,

(40)

o F est bien ici le facteur de propagation trs faible altitude au-dessus du niveau de la mer.
Implicitement, tous les auteurs travaillant en RFC font cette approximation et introduisent la
variation en g4 par le biais du facteur de propagation sans jamais le mentionner. Au regard
des variations trs importantes de la SER de fouillis (cf. Figure 12) en fonction de l'angle de
rasance, et de la forte variabilit de l'angle suivant les conditions de rfraction (cf. Figure 20),
la prise en compte de cette dynamique est fondamentale. Or, on montre ici que cette
dynamique est considre intrinsquement dans notre modlisation de la propagation.
Si la hauteur des vagues, la force du vent et sa direction sont considrs constants en distance,
et si l'effet d'ombre, dont l'influence est ngligeable face celle du terme de multitrajet, est
nglig, le terme r0 peut alors tre considr constant en distance. C'est l'approximation qui
est faite dans le cadre de ces travaux de thse.

B.II.

Prsentation du problme inverse

Il est important ce stade de bien cerner la problmatique RFC. Le problme inverse revient
donc retrouver le type de conduit et les paramtres de ce conduit les plus proches possible
du conduit rel. Pour cela, le radar ne donne accs qu' la puissance reue par le radar aprs
un trajet aller-retour de l'onde et une rflexion sur la surface de mer.
Afin de mieux visualiser le problme, des exemples de pertes en propagation en fonction de la
distance sont prsents pour plusieurs configurations de conduits. Ces exemples ont t
simuls grce lalgorithme de modlisation de propagation par quation parabolique dcrit
en section B.I.2. Pour tous ces exemples, on se place la frquence 5 GHz, avec une antenne
d'ouverture 4.6 place une altitude de 25 mtres. Le calcul est effectu sur 50 km, au-dessus
d'une mer lisse et parfaitement conductrice. Ces pertes sont releves au niveau de la mer de 10
50 km de l'metteur. En ordonne apparaissent les pertes de propagation en dB, et en
abscisse la distance horizontale en km.
Sur la Figure 22, on considre 3 types d'atmosphres : l'atmosphre standard correspondant
un conduit d'vaporation de hauteur = 0 m, un cas de conduit d'vaporation de hauteur =
15 m et un cas de conduit d'vaporation de hauteur = 30 m.
Sur la Figure 23, on considre nouveau 3 types d'atmosphres : l'atmosphre standard tout
d'abord, et deux conduits de surface. Le premier conduit a des valeurs de paramtres zb =125
m, c2 = 0.756 unit-M/m et zthick = 45 m, et le deuxime profil correspond aux valeur zb = 60
m, c2 = 1.04 unit-M/m et zthick = 25 m. Ces profils correspondent de forts conduits ralistes.

31

Figure 22 : Pertes en propagation au niveau de la mer en fonction de la


distance en prsence de conduits d'vaporation de hauteur = 0 m
(atmosphre standard), = 15 m et = 30 m.

Figure 23 : Pertes en propagation au niveau de la mer en fonction de la


distance en atmosphre standard et pour deux conduits de surface. Le profil
1 correspond aux valeurs zb = 125 m, c2 = 0.756 unit-M/m et zthick = 45 m,
et le profil 2 correspond aux valeur zb = 60 m, c2 = 1.04 unit-M/m et zthick
= 25 m.
Ces figures illustrent l'impact des conduits atmosphriques sur la propagation des ondes. En
prsence d'un conduit, les ondes sont piges et un phnomne de guidage se produit qui
32

augmente la porte du radar. Dans le cas d'un conduit d'vaporation, les ondes sont piges
basse altitude et se rflchissent rgulirement sur la surface de la mer. En prsence d'un
conduit de surface, les ondes sont piges plus haute altitude dans la couche de gradient
d'indice ngatif (Figure 5). Ainsi, la puissance mise au niveau de la surface de la mer
augmente considrablement quand les ondes piges en altitude redescendent vers la surface
(Figure 13). C'est ce phnomne de pigeage des ondes qu'il est important de dtecter et de
quantifier, afin de prdire la porte des systmes embarqus.
B.II.1. tat de l'art dans la RFC

Cet tat-de-l'art s'appuie principalement sur les travaux de Peter Gertoft et de L. Ted Rogers
qui ont dvelopp la mthode RFC (Refractivity From Clutter) durant la dernire dcennie.
Cette section a ainsi un double but : prsenter les travaux dj effectus dans le cadre de la
RFC et positionner les travaux de cette thse par rapport ceux-ci.

Historique

Dans les annes 90 et dans le cadre de l'tude des ondes acoustiques en milieu marin
applique la sismologie, des mthodes inverses sont dveloppes afin de caractriser le
milieu (e.g. [Baggeroer et al., 1993]). Au SPAWAR (San Diego, Californie), Hitney montre
la faisabilit d'un systme d'inversion capable de retrouver la hauteur d'un conduit de surface
ds 1992 [Hitney, 1992] grce un modle bas sur l'optique physique dvelopp au Naval
Ocean Systems Center de San Diego. L'metteur et le rcepteur taient 30 mtres de haut, et
148 km sparait les deux antennes. Il sagissait dune simple inversion sur des donnes point
point. la fin des annes 90, Krolik et Tabrikian [1999] proposent de retrouver le profil
d'indice de rfraction par inversion des donnes radar disponibles et posent les bases de la
RFC. En adaptant et perfectionnant les outils appliqus la sismologie, des mthodes
efficaces sont dveloppes. Durant la dernire dcennie, plusieurs mthodes de RFC sont
proposes. Le problme inverse inhrent la RFC est bas respectivement sur un algorithme
gntique [Gerstoft et al., 2000, 2003a, 2003b], une mthode de Bayes Monte-Carlo
[Yardim et al., 2006], une mthode hybridant algorithme gntique et mthode de Monte
Carlo par Chanes de Markov [Yardim et al., 2007b], et un filtrage particulaire [Yardim et al.,
2008]. Ces mthodes sont trs prcises et ont l'avantage de donner les distributions de
probabilit des paramtres des conduits, mais le temps de calcul de ces algorithmes est assez
consquent et incompatible avec les besoins oprationnels. En effet, les effets de rfraction
peuvent considrablement changer dans un intervalle de 10 minutes (cf. section B.II.1.b).
Ce travail de thse se propose de rsoudre le problme inverse par un algorithme
d'apprentissage bas sur une base de donnes pr-gnre et prtraite afin de minimiser les
calculs en conditions oprationnelles. Les algorithmes d'inversion MI0, LS-SVM (LeastSquares Support Vector Machine) et MuLS-SVM (Multitask LS-SVM) seront utiliss en
particulier.

Variabilit temporelle et spatiale des conditions de rfractivit

Afin de prdire les portes des radars embarqus, le souhait du radariste est de connatre les
conduits atmosphriques qui se trouvent sur son axe de propagation. La connaissance de la

33

variabilit temporelle et spatiale du signal est dcisive afin d'adapter le systme aux besoins
oprationnels.

Variabilit spatiale
L'hypothse de l'homognit horizontale de l'indice de rfraction semble tre raisonnable
dans le cas du conduit d'vaporation comme dcrit dans [Anderson, 1990] et [Douvenot et al.,
2008a]. Cependant, elle devient une forte approximation dans les cas de conduits de surface.
Rogers [1996] tudie les effets de l'hypothse d'une atmosphre homogne en distance sur le
facteur de propagation en comparant des mesures de fouillis et des simulations de facteurs de
propagation nourries avec un profil d'indice unique mesur sur le trajet de l'onde. Ces
mesures, effectues dans le cadre de la campagne VOCAR, sont des mesures point point. La
variabilit spatiale y est montre comme indispensable pour obtenir un bon estimateur.
On posera pourtant en premire approximation l'hypothse d'homognit en distance pour
l'tude de faisabilit du systme d'inversion par machines d'apprentissage. Cette hypothse
reste acceptable en pleine mer et peu raliste en milieu ctier.

Figure 24 : Facteurs de propagation mesurs une constante prs lors de la


campagne Wallops'98 une direction azimutale de 172. En rouge est
reprsente la mesure 18h10 et en bleu la mesure 18h20.

Variabilit temporelle
Dans [Rogers, 1996], l'auteur montre qu'un estimateur donnant une structure atmosphrique
variant en distance n'est pas plus prcis qu'un estimateur faisant l'hypothse d'un profil
constant si la dure de l'estimation est suprieure un temps limite. Pour se donner un ordre
de grandeur, le temps limite de deux heures est voqu dans le cadre de la campagne
VOCAR. Mais il a t montr [Douvenot et al., 2008b] que la puissance reue par le radar
peut tre significativement modifie par les conditions de rfraction dans un laps de temps de
10 minutes.

34

Figure 25 : Cartes de SNR mesures sur une porte de 60 km durant la


campagne de mesures Wallops'98. Mesures effectues 18h10 (en haut) et
18h20 (en bas).
La Figure 25 montre des cartes de mesures de SNR ("Signal to Noise Ratio" - Rapport Signal
sur Bruit) effectues Wallops Island (Virginie) le 2 avril 1998 10 minutes d'intervalle. On
35

peut y reprer une corrlation temporelle de la valeur du fouillis radar, avec cependant
quelques fortes diffrences, autour de 172 notamment. La Figure 24 montre les mesures de
SNR autour de 170. Il est intressant de noter qu'aprs 40 km, les deux SNR diffrent de 30
dB 57 km. Ainsi, les conditions atmosphriques changeantes peuvent entraner une
diffrence notable de performance du radar dans un laps de temps de 10 minutes.
Cet exemple illustre le besoin d'un systme RFC qui soit rapide. Un systme fonctionnant
pendant un temps de 10 minutes maximum parait raisonnable afin d'avoir une information
temps rel. Un systme encore plus rapide est ncessaire si l'on veut obtenir l'information sur
les conditions atmosphriques plusieurs azimuts.

Mise en forme de l'inversion

Dans le cadre de la RFC, il y a une tape d'inversion indispensable mettre en place afin de
retrouver la forme de conduit prsent et la valeur de ses paramtres. Une des difficults
majeures tant que cet algorithme d'inversion doit pouvoir tre oprationnel indpendamment
des conditions de vent et d'tat de mer. Or, le niveau de fouillis de mer que reoit le radar est
fortement influenc par l'tat de mer. L'ide est donc d'effectuer l'inversion non pas sur la
puissance reue mais sur le facteur de propagation (ou de faon quivalente sur les pertes en
propagation) qui ne dpend plus que des conditions de rfraction. Cette section dtaille le
prtraitement ncessaire pour remonter de la puissance reue par le radar au facteur de
propagation. On part de lquation radar (Eq. 40) qui peut tre crite (cf. section B.I.3.c) :

PR (M ) =

PE G 2 2

(4 )

C 0 r0 F 4 ( R, M ) ,

(41)

o PR est la puissance reue par le radar, PE est la puissance mise par ce mme radar, est la
longueur d'onde, G est le gain de l'antenne et F reprsente le facteur de propagation. r0 est la
SERN rduite du pixel de mer. Enfin, M est l'ensemble des paramtres dcrivant le CRM et R
est la distance du radar au pixel de mer.
Si l'on applique l'hypothse simplificatrice d'une SER proportionnelle la distance R (cf.
section B.I.3), cette quation radar peut tre rcrite en dB :

PR dB ( R, M ) = 2 FdB2 ( R, M true ) 30 log( R) + r0 dB + C dB ,

(42)

o C est une constante runissant toutes les valeurs connues dans lquation radar. On
remarquera la variation en -30 log(R) due lattnuation en espace libre en R4 et laire
illumine par le radar proportionnelle R (Eqs. (27) et (29)). On travaille avec le facteur de
propagation au carr F2 qui est reli une puissance.
Pour effectuer linversion, il faut pouvoir remonter de la puissance reue au facteur de
propagation. Il y a donc la valeur r0dB + CdB quil faut pouvoir valuer. CdB est connue car
toutes ses composantes le sont, mais la valeur de r0dB reste inconnue. Deux solutions sont
alors envisageables :
- La premire est de prendre en compte une puissance rduite :

PR' dB ( R, M ) = 2 FdB2 ( R, M true ) 30 log( R) .

36

(43)

Il sagit ensuite de centrer la valeur moyenne de cette puissance rduite. Ainsi on supprime
les constantes. Linversion sera alors effectue uniquement sur les variations en puissance, et
non sur ses valeurs relles. Un avantage de cette mthode est de s'affranchir de toutes les
constantes telles que les pertes internes au systme.
- Une deuxime solution est de considrer qu courte distance, la puissance reue par le radar
nest pas encore influence par les variations dindice atmosphrique. Si on note cette
distance Rsh, on peut crire :

r0 dB + C dB = PR dB ( Rsh ) 2 FdB2 ( Rsh ) + 30. log( R)

(44)

Le terme FdB2 ( Rsh ) peut tre facilement calcul, puisquon considre latmosphre comme
standard sur cette courte distance et que la puissance reue est mesure. On peut alors en
dduire une valeur mesure pour le terme r0dB + CdB.

B.III. Conclusion
La RFC peut finalement se rsumer par quatre tapes illustres sur la Figure 26. Le radar,
plac en milieu ctier ou embarqu sur navire effectue une mesure de fouillis de mer (a).
Ensuite, cette donne est prtraite afin d'obtenir une nouvelle donne inversible (pertes en
propagation ou facteur de propagation) (b). Par une machine d'inversion (c), on peut
finalement retrouver le type de conduit atmosphrique et les valeurs des paramtres le
caractrisant (d).
Le problme de la RFC est un problme complexe et nouveau englobant de nombreux sousproblmes impliquant de nombreuses approximations qu'il faut toujours matriser. La
mthode de dveloppement de l'outil RFC dans le cadre de cette thse est de partir du
problme le plus simple au problme le plus complexe en supprimant petit petit des
hypothses simplificatrices afin d'apporter les amliorations ncessaires au systme chaque
nouvelle tape.
Ainsi, aprs la prsentation des algorithmes d'inversion, la premire tude porte sur des
donnes simules sans bruit. Vient ensuite le cas de donnes mesures en prsence de
conduits simples, puis enfin des donnes en prsence de conduits complexes variant en
distance et en temps.

37

Figure 26 : Reprsentation d'un systme complet RFC avec en (a) la


mesure par un radar embarqu sur navire ou en milieu ctier, en (b) la
donne prtraite avant inversion, en (c) l'inversion effectue par un
algorithme d'optimisation et en (d) le conduit retrouv et les valeurs des
paramtres du conduit

38

Chapitre C/

MTHODES D'INVERSION

La RFC est un problme inverse. Il s'agit de retrouver la forme de la structure atmosphrique


et les paramtres qui la caractrisent en n'ayant accs qu' la puissance reue par le radar. Il
existe des modles physiques pour simuler le trajet des ondes, mais pas pour retrouver les
structures atmosphriques depuis la puissance reue. C'est pourquoi on parle de problme
inverse, qui ncessite un algorithme d'inversion. De plus, la relation qui relie les paramtres
des conduits la puissance radar est fortement non linaire, particulirement dans le cas du
conduit de surface [Gerstoft et al., 2003a]. Le choix de l'algorithme d'inversion est donc
dterminant pour l'efficacit de la mthode. L'algorithme retenu doit pouvoir rsoudre un
systme inverse fortement non linaire et tre quasi-temps rel. Dans un problme RFC,
l'algorithme d'inversion se doit d'tre rapide afin de retrouver l'indice de rfraction dans un
intervalle de temps infrieur sa variation temporelle.
Dans ce chapitre, diffrentes mthodes inverses pouvant tre appliques la RFC sont
prsentes, et le choix des algorithmes retenus est argument. Les thories de ces algorithmes
sont ensuite dveloppes. Enfin, ces algorithmes sont tests sur des donnes idales simules
et leurs performances sont compares avec celles d'un algorithme gnrique.

C.I.

tude des mthodes d'inversion face aux besoins RFC

Les mthodes d'inversion tudies dans ce chapitre sont l'Algorithme Gntique (AG), la
descente de gradient, les rseaux de neurones et les Machines Vecteurs Supports (SVM).
Rappelons que le but d'un algorithme d'inversion est, connaissant la valeur d'une fonction f(x),
de retrouver x sans expliciter la fonction f ni son inverse. Un problme d'inversion s'apparente
un problme d'optimisation : il s'agit dans les deux cas de minimiser une fonction de cot
traduisant l'cart entre la fonction relle et la fonction inverse.
Dans le cadre de la RFC, x est le profil de CRM, ou plus exactement le vecteur des
paramtres dcrivant le profil, et le vecteur f(x) reprsente le facteur de propagation (ou les
pertes en propagation).

39

C.I.1. Positionnement pour le dveloppement d'une nouvelle mthodologie RFC


L'originalit de cette thse rside tout particulirement dans le choix de la mthode
d'inversion pour rsoudre le systme RFC. Le but est d'obtenir une mthode efficace
permettant d'effectuer l'inversion en temps rel afin d'tre applicable dans des conditions
oprationnelles. Voici donc un aperu des algorithmes d'inversion les plus communs et une
prsentation de leurs points forts et de leurs lacunes. D'abord sont prsentes les mthodes
itratives, puis les mthodes qui reposent sur des bases de donnes pr-gnres. Une
troisime partie sur la mthode de gnration des bases de donnes vient ensuite.

Mthodes itratives
L'algorithme gntique

L'AG est un algorithme s'inspirant de la notion de slection naturelle expose pour la premire
fois par Darwin en 1842. Il fut dvelopp dans les annes 60 et 70 par une quipe de
chercheurs de l'Universit du Michigan.

Figure 27 : Schma du fonctionnement de l'AG. Une premire population


P1 est gnre. La deuxime population est gnre par une slection parmi
la premire puis par des croisements et des mutations. La mthode est
rpte avec la deuxime gnration et ainsi de suite jusqu' un critre
d'arrt.
Le principe de cette mthode est illustr sur la Figure 27. Ayant dj la donne f(x), on gnre
une premire population P1 de solutions potentielles ( xi1 ) au problme d'optimisation que l'on
veut rsoudre. Cette population est gnre alatoirement. Par exemple, dans le cadre de la

40

RFC, la population est un ensemble de paramtres de conduits atmosphriques ( x11 ,..., x 1n ) . On


peut alors calculer les valeurs ( f ( x11 ),..., f ( x 1n )) , soit les facteurs de propagation pour chaque
ensemble de paramtres. Ensuite, on choisit les solutions les plus pertinentes dans P1 et on
cre une nouvelle population P2 en faisant voluer cet ensemble. D'abord, les solutions les
plus pertinentes sont gardes, puis par cross-over, ou croisements, on cre le reste de la
population. Enfin, quelques lments de la population connaissent des mutations spontanes.
La population P2 est ainsi cre. On procde de la mme faon pour crer la population
suivante. Les itrations successives s'arrtent la population Pk quand celle-ci remplit un
certain critre d'arrt ou k fix. La population Pk est alors proche de la solution optimale.
Cet algorithme prsente l'avantage d'viter en gnral les minima locaux. Grce aux
croisements et aux mutations, un panel trs large de solutions potentielles est test. De mme,
on lance souvent en mme temps plusieurs populations initiales que l'on fait voluer
indpendamment les unes des autres afin d'viter les optima locaux. Cependant, les calculs
ncessaires pour tester chaque individu de chaque population peuvent s'avrer trs lourds. Cet
algorithme est celui qui a t initialement retenu par Rogers et Gerstoft [Gerstoft et al.,
2003a], les pionniers de la RFC. (cf. [Gerstoft, 2006] plus de dtails)
Dans le cadre des travaux de cette thse, le logiciel utilis pour l'AG est le logiciel SAGA
[Gerstoft, 2006] conu pour la RFC et l'inversion de donnes acoustiques.

La descente de gradient
Cet algorithme se base sur le calcul de la drive ou des drives partielles de la fonction, et
sur la recherche de ses valeurs d'annulation. Il s'agit d'une mthode itrative. On choisit une
solution potentielle ("point initial" sur la Figure 28), puis on calcule numriquement les
gradients autour de ce point, ou de faon exacte si l'on a une formulation analytique. Ensuite,
on slectionne une nouvelle solution dans la direction de plus forte pente, c'est--dire dans la
direction oppose au plus fort gradient. La distance d'un point au suivant est proportionnelle
la valeur du gradient calcule. On continue ainsi par itrations successives jusqu' arriver un
endroit de pente quasiment nulle, correspondant un minimum de la fonction optimiser. Ce
calcul itratif est schmatis sur la Figure 28. Un premier point est tir au hasard, puis
l'algorithme suit la plus forte pente de manire itrative pour atteindre le minimum local.
Si cet algorithme est trs rapide, il a en revanche le dfaut de tendre vers des minima locaux
ds que le problme d'optimisation est trop complexe. Des amliorations existent, comme une
hybridation avec une mthode de Monte Carlo pour rechercher plusieurs minima, ou l'ajout
d'une inertie afin d'viter les minima locaux instables, mais cette mthode n'est pas assez
sophistique pour rsoudre le problme complexe de la RFC.

41

Figure 28 : Illustration de la mthode de descente de gradient.

Le filtrage particulaire
La mthode du filtrage particulaire [Le Gland, 2003], aussi appele mthode de Monte Carlo
squentielle, se rapproche de la mthode de Monte Carlo par Chanes de Markov (MCMC).
Des particules explorent les valeurs de l'espace d'tat (pour le problme RFC, ce sont les
paramtres des conduits atmosphriques) selon la connaissance a priori de la densit de
probabilit des variables dcrivant l'espace d'tat. Des poids leur sont ensuite affects selon
une fonction de cot (en gnral une erreur quadratique), puis les particules voluent sous
leffet dun mcanisme de slection, qui concentre automatiquement les particules dans les
rgions dintrt de lespace dtat grce aux poids calculs prcdemment. chaque
itration, une particule a dautant plus de chance de se reproduire la gnration suivante
quelle est cohrente avec lobservation courante.
Cet algorithme est appliqu la RFC par Yardim et al. [2008]. Un premier problme de cette
mthode est que son temps de calcul est relativement lev puisqu'il requiert de nombreux
calculs de propagation afin d'obtenir des densits de probabilits satisfaisantes. Un autre
problme majeur inhrent aux mthodes bayesiennes et que l'introduction de la connaissance
a priori des densits de probabilits peut engendrer une erreur en cas de prsence d'un conduit
exceptionnel, plus forte raison car ces densits de probabilits sont relativement mal
connues sur l'ensemble du globe.

Mthodes d'inversion avec base de donnes pr-gnre


La mthode d'interpolation d'ordre 0

Le postulat de la Mthode d'Interpolation d'ordre 0 (MI0) est que la donne pr-gnre qui
dfinit le mieux la donne inverser est celle qui minimise la distance quadratique avec la
mesure. C'est une mthode dite de plus proche voisin. Ainsi, si l'on dispose de N donnes de
taille P dans la base pr-gnre, la donne de maximum de vraisemblance est celle qui est
solution de :
42

P
y ij
y opt = min y mes
j
i =1,..., N
j =1

(45)

o ymes est la donne mesure inverser et yi est le ime lment (facteur de propagation pour
la RFC) des N lments de la base de donnes pr-gnre. Enfin, j est la variable muette
dcrivant le balayage sur le nombre de points de la donne mesure.
On appelle cette mthode la MI0 car il s'agit de retrouver, dans une base de donnes prgnre, le facteur de propagation "constant" c'est--dire fig, et non constant en distance
le plus proche en distance quadratique de celui mesur. On approxime donc le facteur de
propagation mesur par un vecteur constant.
Le vecteur de facteur de propagation yopt le plus vraisemblable dans la base de donnes est
obtenu. Le vecteur des paramtres de conduit xopt est le vecteur associ dans la base de
donnes pr-gnre. Cette mthode n'est a priori pas assez performante car il s'agit d'une
mthode d'inversion linaire et dont les solutions sont limites celles dcrites dans la base de
donnes pr-gnre. Elle prsente cependant l'avantage d'tre trs facile mettre en uvre.
L'efficacit de cette mthode dpend grandement de la prcision de la description du
problme dans la base de donnes pr-gnre.

Le rseau de neurones
Le rseau de neurones [Touzet, 1992] est une mthode base sur l'imitation du
fonctionnement du cerveau humain. L'ide de base tant que beaucoup de connections trs
simples (les synapses) peuvent dcrire un systme trs complexe (le cerveau). Un rseau de
neurones se prsente donc sous la forme de couches de neurones. La premire couche
correspond aux entres du systme, la dernire aux sorties. Plus il y a de neurones entre ces
couches, plus le systme est complexe. Ensuite, le but est d'approximer la fonction f(x) grce
des combinaisons linaires entre chaque couche de neurones. Il faut pour cela dfinir les
poids entre les neurones. Cette tape est effectue grce un apprentissage du systme.

Figure 29 : Schma structurel d'un rseau de neurones.

43

La Figure 29 reprsente le schma structurel d'un rseau de neurones pour une entre de
dimension 4 et une sortie de dimension 1. Le vecteur d'entre passe par une couche d'entre et
une couche cache. Sur chaque couche sont effectues des combinaisons linaires dont les
poids sont dfinis durant une phase d'apprentissage. C'est la couche cache qui introduit la
non linarit dans l'algorithme.
Il faut donc disposer d'un ensemble d'entres et de sorties connues dcrivant tous les cas
possibles. On va, grce cet ensemble appel la base d'apprentissage, nourrir le rseau.
Durant l'apprentissage, le systme optimise les poids afin que le rseau de neurones dfinisse
au mieux la fonction f(x) sur cette base d'apprentissage. Une fois le rseau entran, on a un
systme trs rapide qui permet d'approximer la fonction f.
Le rseau de neurones n'est pas aussi prcis que l'AG. Cependant, une fois la phase
d'apprentissage effectue, le systme est extrmement rapide puisque la fonction f est
approche par des combinaisons linaires successives. On obtient donc un systme rapide et
efficace. Le lecteur intress pourra se rfrer [Touzet, 1992] pour les dtails.

Les machines vecteurs supports


Les Machines Vecteurs Supports (SVM) [Smola et Schlkopf, 1998b] ont t introduites en
1963 par Vapnik principalement [Vapnik et Lerner, 2003]. Mais il aura fallu attendre les
annes 90 et la gnralisation de l'algorithme aux problmes non linaires pour que cette
mthode d'inversion devienne populaire. Bases sur un principe trs proche de celui du rseau
de neurones, les SVM sont elles aussi des machines ncessitant un apprentissage. La
particularit des SVM vient de l'utilisation de fonctions noyaux qui servent transposer les
donnes dans des espaces de plus grandes dimensions, et ainsi simplifier la rsolution des
problmes en les rendant linaires dans ces espaces de transposition. Comme pour les rseaux
de neurones, les SVM sont moins efficaces que l'AG mais prsentent l'avantage d'tre trs
rapide aprs entranement.
La thorie de la mthode des SVM moindres carrs applique la RFC est prsente en
section C.II.1.

Mthode de gnration d'une base d'entranement


Introduction : mthodes d'chantillonnage

Le choix de la mthode d'chantillonnage pour crer la base de donnes est dterminant pour
les performances de l'algorithme d'inversion. La mthode d'chantillonnage doit pouvoir
dcrire au mieux l'ensemble des cas envisags avec une prcision leve en ncessitant le
moins d'lments possible.
La mthode la plus instinctive pour gnrer une base de donnes est de dcouper de faon
rgulire chacun des intervalles correspondant aux paramtres d'entre. Ainsi, si l'on a un
vecteur d'entre ( x1 , x 2 ,..., x D ) de dimension D, et dont on veut balayer respectivement N1,
N2, , ND valeurs, on fait varier chaque dimension de l'entre xl de xlmin xlmax par pas de
(xlmax - xlmin) / (Nl - 1). On se retrouve finalement avec un quadrillage rgulier dont la taille N
est le produit des Nk. Cette mthode a l'avantage de balayer avec une prcision connue
l'ensemble des valeurs que peuvent prendre les entres, mais donne une efficacit assez faible
avec une taille de la base de donnes qui grandit trs vite, spcialement quand la dimension du
vecteur d'entre est grande. Ce problme est dnomm "maldiction de la dimension" ou
"curse of dimensionality" [Bellman, 1961]. Il illustre le fait qu' chaque dimension
supplmentaire, garder la mme densit de points revient augmenter leur nombre de faon
44

exponentielle. D'autres mthodes d'chantillonnage existent pour limiter les effets de cette
"maldiction".
On peut aussi gnrer une base de donnes par mthode de Monte Carlo. Pour une base de
donnes de taille N, on gnre alatoirement N vecteurs d'entre de faon uniforme, ou avec
une distribution a priori, mais sans corrler les diffrentes dimensions du vecteur d'entre.
Une autre mthode est une gnration par mthode de quasi-Monte-Carlo [Morokoff et
Caflisch, 1995]. Cette mthode, dcrite initialement pour le calcul d'intgrales, peut servir la
gnration de bases de donnes. Le principe est de choisir les N premiers points d'une
squence infinie donnant un dcoupage de plus en plus prcis des intervalles. La squence la
plus courante et la plus simple (donnant un dcoupage rgulier de plus en plus prcis en une
dimension) et la squence de Halton [Halton, 1960].
La technique d'chantillonnage choisie dans le cadre de ces travaux de thse est l'hypercube
latin [McKay et al., 1979]. L'efficacit de cette technique est reconnue pour les problmes
d'apprentissage, et sa mise en uvre est aise [Saliby et Pacheco, 2002]. Celle-ci est dcrite
au paragraphe suivant.
On peut de plus citer l'chantillonnage descriptif [Saliby, 1997], dont le principe est de
slectionner un chantillonnage dterministe, auquel vient s'ajouter une lgre variation
stochastique. L'chantillonnage descriptif a une efficacit quivalente celle de l'hypercube
latin dcrit ci-aprs pour les bases de donnes de grande taille (suprieures 100 lments).

L'chantillonnage par hypercube latin.


L'hypercube latin s'inscrit dans le cadre de la thorie des plans d'expriences [Vivier, 2002]. Il
s'agit d'une mthodologie de slection d'un chantillon sur un ensemble afin d'optimiser la
reprsentativit de l'chantillon tout en minimisant sa taille. Le but est donc d'optimiser la
slection de cas tests quand ceux-ci sont en grand nombre, ou quand leur ralisation est
coteuse. Une application courante est la ralisation d'une base d'entranement pour un
systme d'apprentissage, comme c'est le cas dans le cadre de cette thse.
L'intrt principal de l'chantillonnage par hypercube latin par rapport un tirage alatoire
Monte Carlo est qu'il stratifie simultanment les valeurs des entres sur toutes les dimensions.
Ainsi, avoir une base de donnes gnre par hypercube latin est plus pertinente qu'une base
de donnes de mme taille gnre par mthode de Monte Carlo [McKay et al., 1979].
L'hypercube latin reprend et gnralise le principe du carr latin invent par Leonard Euler, et
mis en avant ces dernires annes par le dveloppement du jeu Sudoku. On se place dans un
espace D dimensions, chaque dimension reprsentant un paramtre (xl)l=1...D dont les
l
l
variations sont comprises dans l'intervalle [ x min
, x max
] . On dcoupe ensuite chaque intervalle
en N sections gales, N tant le nombre de ralisations souhaites, c'est--dire la taille de la
base d'entranement.
Pour la premire ralisation, un intervalle est tir au hasard parmi les N intervalles sur chaque
dimension. On les notera I 11 , I 12 ,..., I 1D . Ensuite, une valeur de paramtre est tire
alatoirement l'intrieur de chacun de ces intervalles. On obtient les valeurs x11 , x12 ,..., x1D .
Pour la deuxime ralisation, les intervalles I 21 , I 22 ,..., I 2D sont tirs parmi les ND intervalles
privs des intervalles I 11 , I 12 ,..., I 1D . Comme prcdemment, les valeurs des paramtres sont
choisies alatoirement dans chacun de ces nouveaux intervalles. On rpte N fois le processus,
jusqu'aux intervalles I 1N , I N2 ,..., I ND qui seront les derniers restants.

45

On s'intresse maintenant la formulation mathmatique de l'hypercube latin. Sur chaque


dimension l, les variations du paramtre xl sont ramenes l'intervalle [0,1]. On note Gl la
fonction de rpartition du lime paramtre xl. On choisit pour Gl une distribution uniforme
quand aucune information sur la rpartition statistique du lime paramtre n'est connue a priori.
Alors la loi Xil de la variable alatoire xil (ime tirage sur la lime dimension de x) s'crit sous la
forme :
(i ) U il
X il = Gl1 l
N

(46)

o (1,..., D) sont des permutations de {1,...,N}, c'est--dire des rarrangements alatoires des
lments de {1,...,N}, indpendantes les unes des autres. Uil = U([0,1]) est la loi uniforme sur
[0,1] indpendamment de l et i.
Ainsi, la valeur xil est bien tire uniformment entre l(i)/N et (l(i) 1)/N. Les l tant des
permutations de {1,,N}, on effectue bien un seul tirage alatoire dans chacun des sousintervalles sur chaque dimension l. Dans notre tude, la fonction G est la fonction uniforme
sur chaque dimension.

Figure 30 : Exemple de gnration par la mthode de l'hypercube latin


d'une base d'entranement N = 8 lments avec en vecteur d'entre les
paramtres (zb, Md, zthick) du modle tri-linaire de conduit de surface.
Un exemple d'hypercube latin pour la gnration d'une base d'entranement N = 8 lments,
avec en entre les paramtres (zb, Md, zthick) du modle tri-linaire de conduit de surface, est
reprsent sur la Figure 30. Le tirage des intervalles I lzb , I lM d , I lzthick l=1,,8 y est illustr, avec
le mcanisme de tirage unique de chaque intervalle. Pour chaque paramtre et chaque tirage,
l
sont tires alatoirement de faon uniforme sur les intervalles
les valeurs z bl , M dl , z thick

46

I lzb , I lM d , I lz thick . Lors du premier tirage ( gauche), 3 intervalles I 1zb , I 1M d , I 1z thick sont choisis
alatoirement, puis 3 premires valeurs des paramtres sont tirs. Lors du second tirage (au
centre) la mme opration est rpte en ne considrant plus les 3 premiers intervalles,
reprsents en griss. L'opration est rpte 8 fois jusqu'au dernier tirage ( droite), ou les
8me valeurs de paramtres sont tirs dans les derniers intervalles non griss.

C.II. Dveloppement spcifique d'une mthode d'inversion


ddie
Le choix de la mthode d'inversion est motiv par plusieurs critres : tout d'abord, une
mthode d'inversion rapide est ncessaire car le CRM peut varier de faon significative en une
dizaine de minutes. Le choix a t fait d'carter les mthodes bayesiennes (i.e. MCMC,
filtrage particulaire, AG) qui prsentent l'intrt de donner une distribution a posteriori des
valeurs recherches, mais qui ncessitent un temps de calcul lev pour dcrire suffisamment
les distributions statistiques sur l'espace d'tat.
C'est pourquoi le choix s'oriente dans un premier temps vers les mthodes inverses avec base
de donnes pr-gnre. De plus, si les avantages et les inconvnients inhrents aux systmes
d'apprentissage des SVM sont les mmes que ceux des rseaux de neurones, c'est la mthode
des SVM, et plus particulirement les SVM Moindres Carrs (LS-SVM) [Pelckmanns et al.,
2003] qui ont t retenues. En effet, les SVM sont plus performantes que les rseaux de
neurones sur les problmes grande dimension d'entre comme c'est le cas en RFC (l'entre
est le vecteur de facteur de propagation). De plus, la possibilit d'adapter le noyau un
problme spcifique est un atout par rapport au rseau de neurones.
En parallle, la MI0 est aussi teste. La physique du problme RFC est dcrit comme non
linaire [Gerstoft et al., 2003a], aussi cette mthode est a priori trop simple pour tre efficace.
La MI0 donne cependant une bonne information sur la qualit de la base d'entranement : si
aucun facteur de propagation n'approche la donne inverser, c'est que le systme est la
base mal dcrit.
Il s'agit donc de mettre en place une mthodologie de gnration de la base d'apprentissage et
d'optimisation de l'algorithme afin que le problme inverse soit rsolu avec une efficacit
maximale. Une amlioration de l'algorithme pour les problmes multitches, i.e. sorties
multidimensionnelles, a de plus t propose et teste. Il s'agit de l'algorithme "Multitask LSSVM" (MuLS-SVM). Les algorithmes d'inversion LS-SVM et MuLS-SVM sont dcrits dans
cette section. Les dveloppements thoriques dtaills des algorithmes LS-SVM et MuLSSVM sont respectivement en Annexe D et Annexe E.

C.II.1. L'algorithme LS-SVM


a

Historique

La base de la thorie des SVM a t pose en Union Sovitique par Vapnik et Chervonenkis
[Vapnik et Lerner, 1963]-[Vapnik et Chervonenkis, 1964] durant les annes 60. Ils
dvelopprent la VC-Theory qui caractrise les proprits de gnralisation des algorithmes
d'apprentissage. Tombes de nombreuses annes en dsutude, ce n'est que dans les annes 90
que les SVM furent pour la premire fois employes sur des applications concrtes, grce la
47

gnralisation de la mthode des systmes non linaires [Vapnik, 1995] dans les laboratoires
AT&T Bell. Les classifieurs par SVM devinrent rapidement trs comptitifs, particulirement
pour les tches de reconnaissance d'objets. Aujourd'hui, les SVM sont largement utilises
pour des problmes inverses de classification (sortie discrte) comme de rgression (sortie
continue).
la fin des annes 90, Suykens et Vandewalle [Suykens et Vandewalle, 1999] commencrent
travailler sur les SVM Moindres Carrs (LS-SVM). Ce cas particulier des SVM,
remplaant la fonction "-insensible" classique de Vapnik par une fonction de cot
quadratique, simplifie la formulation de la thorie et modifie le comportement des SVM. Les
vecteurs supports perdent en sporadicit (les vecteurs supports de valeur trop faible sont
ignors dans la thorie classique) mais le systme gagne en simplicit, puisque le problme de
programmation quadratique (problme d'optimisation avec contraintes d'ingalit) est ainsi
modifi en un problme d'optimisation avec contraintes d'galit [Suykens et al., 2002]. En
2007, Argyriou et al. [2007] ont enrichi la thorie des SVM en introduisant une corrlation
entre les paramtres inverss. Elles est ici prsente dans le cadre des LS-SVM (cf. section
C.II.2).

Cration de la base d'entranement

L'algorithme LS-SVM est une machine d'apprentissage. Le but de la machine d'apprentissage


est d'obtenir une approximation de la fonction non linaire f qui a en entre le vecteur du
facteur de propagation aller F2 et en sortie le vecteur des paramtres des conduits m, telle que
m = f(F2). Afin de simplifier les critures, on prendra les notations x pour dcrire une variable
d'entre et y pour une variable de sortie. Pour la suite des dveloppements mathmatiques, x
et X dnotent des scalaires ou des fonctions, x un vecteur et X une matrice. On a ainsi : F2 = x
et m = y.

Figure 31 : Illustration de la mthode de gnration d'une base


d'entranement N lments pour des conduit de surface 3 paramtres par
mthode de l'hypercube latin.
La Figure 31 reprsente le processus pour gnrer une base d'apprentissage N lments.
Lors de l'tape 1, un hypercube latin de taille N 3 dimensions est gnr, duquel on peut
obtenir N ensembles de 3 paramtres (cf. section C.I.1.c). De ces ensembles, lors de l'tape 2,
on simule N vecteurs facteurs de propagation au niveau de la mer par un algorithme de
propagation bas sur la rsolution de la PWE par mthode de Split-Step Fourier (cf. section
B.I.2.b), algorithme prcis et prenant en compte les conditions de rfraction. Pour chaque
dimension de la sortie, on obtient une base d'entranement (Xtr,Ytr) = (xitr,yitr)i=1N.

48

Fonction linaire

Une fois la base d'apprentissage gnre, on prtraite les donnes afin d'obtenir une
approximation de la fonction f estimer. L'entre de la fonction f est vectorielle et sa sortie est
valeurs scalaires. Ainsi y = f(x) reprsente, pour le modle de conduit de surface tri-linaire,
un paramtre zb, c2 ou zthick. Dans un premier temps, on suppose f linaire. On peut alors crire
f de la forme :
f ( x) = w , x + b = w T x + b ,

(47)

o w reprsente les poids de la fonction et b son biais. L'ide de base est alors d'effectuer une
rgression pseudo-orthogonale de la forme :
min J LS
w,b

avec J LS =

2 ,
1
1 N
T
w + y itr (w T x itr + b)
w
{
42444
3
2 terme de planit 2 i =1 144

(48)

terme de prcision

o N est la taille de la base d'entranement et un hyperparamtre du systme optimiser. Les


hyperparamtres sont des constantes du systme d'inversion dont les valeurs affectent
l'efficacit de l'algorithme. Le terme de planit wTw dfinit la capacit de gnralisation de la

(y
N

fonction hors de la base d'entranement, et le terme de prcision

i =1

tr
i

(w T x itr + b)

traduit la prcision de l'entranement sur la base d'apprentissage. , compris dans ]0,+[ et


appel paramtre de rgulation, reprsente le compromis entre planit et prcision.
L'entranement du systme revient rsoudre le problme (Eq. 48), dont la rsolution peut
s'crire [Suykens et al., 2002] :
0
b opt 0
1T

opt = tr ,
+
1

N
y

(49)

o ij = xitr,xjtr pour i, j {1,...,N}, IN est la matrice identit de taille NxN, et o opt et bopt
sont les inconnues du systme. On obtient finalement (cf. Annexe D.1.b pour les dtails) une
approximation de la fonction linaire de la forme :

y sortie = w opt , x + b opt


=

j =1

opt
j

x trj , x entre + b opt

(50)

Cette approximation est une combinaison linaire de produits scalaires dont les coefficients
sont calculs durant l'entranement du systme.
d

Fonction non linaire

Cependant, pour approximer des fonctions non linaires, on complexifie f en transposant le


problme dans un nouvel espace de dimension infinie, dit "espace de redescription". Cette
transposition se fait par le biais d'une fonction noyau. C'est ce que l'on appelle "coup du
noyau".
49

Le "coup du noyau"
Le "coup du noyau" ou "kernel trick" a t expos par Vapnik [1995] alors qu'il adaptait
l'algorithme SVM aux problmes non linaires. Le "coup du noyau" consiste transposer les
donnes dans un espace de dimension suprieure sans jamais formuler cette transposition, en
utilisant uniquement des fonctions noyaux.
On appelle cette mthode le "coup du noyau" car grce celle-ci, jamais la transformation
dans l'espace de redescription n'est formule : celle-ci n'intervient que dans les
dveloppement thoriques. En effet, pour l'implmentation de la mthode SVM, durant
l'entranement (Eq. 49) comme dans l'approximation de la fonction (Eq. 50), les donnes
d'entre n'apparaissent que sous forme de produits scalaires. Vapnik a ainsi eu l'ide de
formuler directement une fonction qui serait quivalente un produit scalaire dans un espace
de dimension suprieure. Les fonctions qui satisfont aux conditions de Mercer [Mercer, 1909]
remplissent cette condition et forment des noyaux admissibles. L'intrt du "coup du noyau"
est ici illustr sur un exemple simple de classification de donnes.

Figure 32 : Illustration de l'intrt du changement de dimension pour la


classification de donnes.
La Figure 32 montre, dans l'espace 1, des donnes de comprises entre 0 et 1 reprsentes
par des points noirs et blancs et que l'on veut sparer par mthode LS-SVM. Le sparateur
recherch est l'hyperplan optimum qui spare au mieux les donnes, c'est--dire qui minimise
l'erreur quadratique tout en minimisant un terme de planit (Eq. 48). Or, il n'y a pas
d'hyperplan (c'est--dire de point dans cet exemple) pouvant sparer les donnes reprsentes
en une seule dimension. On transpose donc les donnes dans l'espace 2 deux dimensions

50

grce la transformation qui x associe le couple (x,x4). On obtient les donnes en 2


dimensions. Dans le plan, on peut alors trouver un hyperplan (c'est--dire ici une droite)
pouvant sparer les donnes noires des blanches. Or, pour obtenir un tel rsultat, il suffit
d'introduire la fonction noyau :
K ( x1 , x 2 ) = ( x1 ), ( x 2 )
= ( x1 , x14 ), ( x 2 , x 24 ) .

(51)

= x1 x 2 + ( x1 x 2 ) 4
On voit donc sur cet exemple comment une fonction noyau peut impliquer une transposition
des donnes dans un espace de dimension suprieure et comment cette transposition peut
simplifier le problme de classification.
Rsolution du systme non linaire
En s'appuyant sur la thorie des noyaux, la thorie peut ainsi tre gnralise aux fonctions
non linaires. La fonction non linaire recherche est de la forme :
f ( x) = w , ( x) + b = w T ( x) + b ,

(52)

o est la fonction de transposition. Ici, w reprsente les poids de la fonction f dans l'espace
de redescription, espace dans lequel s'effectue le produit scalaire. On applique cette fonction
la mme rgression pseudo-orthogonale que dans le cas linaire, rsolue par le systme :
0
1T b opt 0

opt = tr ,
1 + I d y

(53)

o ij = (xitr), (xjtr) = K(xitr,xjtr). La fonction noyau retenue dans notre tude est le noyau
gaussien (cf. section C.II.3.a). Ainsi on a : ij = exp( - ||xitr xjtr||2 / K2 ), o K2 est le
paramtre du noyau gaussien. K2 est le deuxime hyperparamtre de la machine d'inversion.
On obtient, par rsolution de ce systme, opt et bopt.

Figure 33 : Schma de l'entranement de l'algorithme LS-SVM.

51

xentre reprsente le facteur de propagation en entre et ysortie reprsente l'un des paramtres de
description du conduit (ici zb, c2 ou zthick). Il faut donc une fonction f pour chaque dimension
de la sortie y.
La Figure 33 schmatise le procd utilis dans l'algorithme LS-SVM. En choisissant
pralablement la fonction noyau et les hyperparamtres du systme, on nourrit celui-ci avec
une base d'entranement. On obtient ainsi la meilleure approximation possible aprs
entranement pour ces choix de noyau et d'hyperparamtres. Le systme "apprend" la
meilleure approximation de la fonction f en optimisant les valeurs de et b (Eq. 53) partir
de la base dapprentissage.
L'entranement du systme de LS-SVM (Eq. 53) est une rgression pseudo-orthogonale sur
l'ensemble de la base d'entranement. Il requiert la rsolution d'un systme linaire de taille
NN, soit la taille de la matrice + IN. Une fois l'entranement effectu, on obtient une
approximation de la fonction f avec une formulation simple exprime en fonction du noyau
gaussien :
y sortie = w opt , (x) + b opt
=

j =1

j =1

opt
j

opt
j

(x trj ), (x) + b opt .

(54)

K (x trj , x) + b opt

En dveloppant l'expression du noyau gaussien, on obtient finalement l'expression de


l'approximation non linaire de f :
y sortie =

j =1

opt
j

tr
x
entre x j

exp
K2

opt
+b .

(55)

On a ainsi une approximation non linaire et temps rel de la fonction ysortie = f(xentre). On
peut souligner le fait que les valeurs opt et bopt trouves par entranement du systme
dpendent des valeurs des hyperparamtres K2 et . Une discussion sur le choix des
hyperparamtres est mene section C.II.3.b.
C.II.2. L'algorithme MuLS-SVM
Dans le cadre de la RFC, l'inversion effectue a pour but de retrouver les diffrents
paramtres des conduits atmosphriques. La faiblesse de l'algorithme LS-SVM est d'inverser
le vecteur des paramtres des conduits sous la forme de plusieurs fonctions scalaires. La
corrlation entre les paramtres n'intervient alors que dans la cration de la base de donnes
pour entraner ces fonctions. Afin de pallier cette faiblesse des algorithmes de type LS-SVM,
Argyriou et al. [2007, 2008] ont mis au point un algorithme multitche englobant les
algorithmes traditionnels et introduisant une corrlation entre les diffrents paramtres
inverss. Cet algorithme a t cod pour le cas particulier de l'inversion par LS-SVM : c'est
l'algorithme MuLS-SVM [Douvenot et al., 2008].

52

L'ide de l'algorithme multitche se base sur une heuristique : une matrice introduite dans le
terme de planit et identique pour toutes les dimensions du problme induit une corrlation
entre les dimensions. La thorie est ici prsente pour une fonction linaire puis non linaire.
a

Fonction linaire

On suppose dans un premier temps que la fonction f de sortie D dimensions approximer


est linaire. Ainsi, sur chaque dimension l {1,,D}, en appliquant l'algorithme LS-SVM
linaire, on peut crire :
y l sortie =

j =1

lj

x l entre , x ljtr + bl ,

(56)

o les l et bl sont calculer sur chaque dimension l durant l'entranement du systme.


L'introduire la corrlation entre les dimensions se fait par une heuristique : on introduit une
matrice semi-dfinie positive symtrique Q identique sur chaque dimension dans le terme de
planit (Eq. 48). Le produit scalaire devient alors xlentreQ, xljtr. Le principe de l'entranement
du systme par mthode MuLS-SVM est donn sur la Figure 34. La matrice Q est
initialement fixe IP/P o P est la taille du vecteur d'entre. On entrane ensuite le systme
sur les D dimensions du problme par la mthode LS-SVM linaire en introduisant la matrice
Q dans le produit scalaire. Une fois cette opration effectue, on calcule une nouvelle valeur
de Q en fonction des poids de la fonction calculs durant l'entranement prcdent. On
recommence ce procd itrativement jusqu' convergence des rsultats. Cinq sept itrations
sont en gnral suffisantes.
On obtient finalement la matrice Wopt = (wlopt)l=1,,D des poids de la fonction sur chaque
dimension et le vecteur bopt = (blopt)l=1,,D des biais sur chaque dimension.

53

Figure 34 : Schma de fonctionnement de l'algorithme MuLS-SVM


linaire. Bas sur l'algorithme LS-SVM linaire, une matrice Q est
introduite dans le produit scalaire de la matrice de Gram . Sa valeur est
calcule de faon itrative jusqu' convergence des poids Wopt calculs.
b

Fonction non linaire

Le procd utilis pour corrler les dimensions pour un problme linaire ne peut pas tre
utilis tel quel dans un problme non linaire. En effet, si le produit scalaire est remplac par
une fonction noyau gaussienne, la matrice Q ne peut y tre introduite simplement. Comme
pour la thorie LS-SVM, on transpose les donnes dans un espace de redescription (voir
section C.II.1.d pour les dtails sur la redescription des donnes).
Le principe de l'algorithme MuLS-SVM non linaire est schmatis Figure 35. Ce principe
peut tre divis en 5 tapes :
-

tape 1 : la matrice de Gram de l'ensemble des donnes d'entres transposes dans


l'espace de redescription Gij = (xitr), (xjtr) = K(xitr, xjtr)i,j=1,,NxD est gnre ;

tape 2 : on calcule la matrice de Gram orthonormalise R de dimensions (ND)N et


de rang N. Il faut cette tape s'assurer que la matrice R est bien de rang N ou
diminuer la taille de la base de donnes ;

tape 3 : des donnes d'entre modifies Z = RTG sont cres. On travaille dornavant
dans l'espace de redescription ;

tape 4 : l'algorithme MuLS-SVM linaire peut tre appliqu aux donnes modifies Z
directement dans l'espace de redescription afin obtenir les poids de la fonction f sur
chaque dimension une transformation prs : opt = (lopt)l=1,...,D, o opt reprsente les
54

poids de la fonction f dcrits dans une base orthonorme de l'espace de redescription


(cf. Annexe E pour plus de dtails). L'algorithme MuLS-SVM non linaire revient
ainsi utiliser l'algorithme MuLS-SVM linaire directement dans l'espace de
redescription ;
-

tape 5 : la fonction finale peut tre exprime sur chaque dimension l en fonction de R
et opt de la forme :

f l (x) = Rlopt , K (x) + blopt ,

(57)

o K est la fonction noyau gaussienne : K(xentre) = [exp( ||xentre xitr||2 / K2 )] i=1,,N.


Il faut noter que dans le cas de l'algorithme MuLS-SVM, les hyperparamtres et K2 sont
uniques pour toutes les dimensions du systme.

Figure 35 : Schma de fonctionnement de l'algorithme MuLS-SVM non


linaire en 5 tapes. L'entranement se fait directement dans l'espace de
redescription en utilisant des entres modifies Z.

55

Cette mthode introduit la corrlation entre les dimensions tout en gardant l'avantage de
l'unicit de la solution car le problme d'optimisation est convexe [Argyriou et al., 2008].
L'entranement du systme est plus long qu'avec la mthode LS-SVM, mais l'utilisation en
conditions oprationnelles reste temps rel.
C.II.3. Optimisation des mthodes LS-SVM et MuLS-SVM
a

Sur le choix du noyau gaussien

Dans cette tude, le choix du noyau dans les algorithmes LS-SVM et MuLS-SVM s'est port
vers le noyau gaussien. Cependant, de nombreux noyaux, classiques ou non, existent et le
choix du noyau est dterminant pour les performances de l'inversion.
Le choix du noyau gaussien est un choix classique. En effet, celui-ci prsente deux avantages.
D'abord, la transposition implicite opre par un noyau gaussien est de dimension infinie, ce
qui signifie que tout problme devient soluble dans l'espace de transposition. De plus, quand
ce noyau est choisi, l'estimateur obtenu est rgulier (ce qui entrane une bonne capacit de
gnralisation de l'estimateur) dans l'espace de redescription. Ce dernier rsultat est prouv
dans [Smola et Schlkopf, 1998a] en faisant le lien entre oprateurs de rgularisation [Girosi
et al., 1995] et fonctions noyaux. On peut cependant noter que la rgularit de l'estimateur
dans l'espace de redescription n'implique pas une fonction noyau forcment simple dans
l'espace initial.
b

Optimisation des hyperparamtres

Dans l'algorithme LS-SVM comme dans l'algorithme MuLS-SVM, deux hyperparamtres de


la machine d'inversion apparaissent : le paramtre de rgulation traduisant le compromis
entre planit et prcision sur la base de donnes, et 2 le paramtre du noyau gaussien.
L'algorithme LS-SVM tant inclus dans l'algorithme MuLS-SVM, l'optimisation du premier
implique l'optimisation du second et nous n'voquerons que ce premier dans cette section.
Afin d'optimiser l'algorithme LS-SVM, il est ncessaire d'optimiser la valeur de ses deux
hyperparamtres.
Pour optimiser ces paramtres, deux mthodes sont possibles. La premire mthode consiste
rechercher " la main" les valeurs qui optimisent la machine d'inversion. Dans [Keerthi et Lin,
2003], les auteurs tudient les comportements de l'algorithme SVM pour des noyaux
gaussiens quand les deux hyperparamtres prennent des valeurs asymptotiques. On retiendra 2
cas intressants : si K2 est fix et que , la prcision est trs bonne pour des donnes non
bruite, ce qui n'est pas le cas dans un problme RFC. Ce cas revient ngliger le terme de
planit dans l'Eq. (48). Le second cas est K2 et = ~ K2 . L'algorithme converge alors
vers un algorithme SVM linaire avec un hyperparamtre de rgulation de ~ . Ce cas est
intressant pour le cas de problmes faiblement non linaires. Ceci peut tre le cas pour des
rgression sur des conduits d'vaporation 1 ou 2 paramtres.

56

Figure 36 : Exemple d'optimisation par recherche quadrille. En abscisse et


en ordonne, les logarithmes des valeurs testes des hyperparamtres K2 et
. En cte, l'erreur moyenne sur les cas tests en dB.
La seconde mthode doptimisation consiste effectuer une recherche quadrille (dite
"gridsearch"). Il sagit de tester lefficacit de lalgorithme pour de nombreuses valeurs des
hyperparamtres. Il est conseill de choisir ces valeurs selon une chelle logarithmique.
hyperparamtres fixs , il existe encore deux mthodes pour tester lefficacit de la machine
dinversion. La premire, et la plus vidente, est d'entraner le systme avec une base
d'apprentissage, et de le tester sur une base de test diffrente. On utilise cette mthode quand
l'entranement du systme est coteux en temps de calcul. La seconde mthode, plus efficace
mais plus coteuse en temps de calcul, est la validation croise (dite "crossvalidation"). Cette
mthode consiste dcouper, pour chaque valeur du couple d'hyperparamtres, la base de
donnes en n parties (n est en gnral pris entre 5 et 10). On entrane alors le systme avec n
1 parties de la base d'apprentissage, puis on utilise la dernire partie comme base de test. On
ritre l'opration avec chacune des n parties pour obtenir l'erreur moyenne avec un couple
d'hyperparamtres.
Un exemple d'optimisation des hyperparamtres par recherche quadrille est donn Figure 36.
En abscisse et en ordonne, on retrouve les logarithmes des valeurs des hyperparamtres du
systme d'inversion 2 et qui sont testes. En cte, on reprsente l'erreur moyenne commise
sur l'ensemble de la base de test par inversion. Cette mthode permet d'identifier les valeurs
des hyperparamtres pour lesquelles l'algorithme est le plus efficace. Il y a cependant un
bmol apporter : si les donnes relles sont trs diffrentes des donnes de test (par exemple
si les donnes relles sont trs bruites et les donnes d'entranement non bruites), les
hyperparamtres optimaux peuvent diffrer de ceux retrouvs par cette mthode. Ils restent
cependant en gnral assez proches.

57

C.III. Comparaison et validation thorique des mthodes


retenues
C.III.1.

Procd de comparaison

La comparaison des mthodes d'inversion a t effectue par simulation. Des vecteurs de


facteur de propagation aller F2 ont t simuls dans un environnement de conduit de surface
3 paramtres constant en distance. Ces facteurs de propagation ont ensuite t inverss afin de
retrouver ces conduits par 4 mthodes d'inversion : MI0, LS-SVM, AG et MuLS-SVM.
Soulignons que les conduits retrouver ne sont pas explicitement dans la base de donnes.
La MI0 n'est ici utilise qu' titre indicatif. Cette mthode est une mthode d'inversion
linaire, et donc a priori inadapte au problme RFC qui est fortement non linaire. Cela
donne cependant une bonne ide de la richesse de la base de donnes. Cette mthode donne de
bons rsultats sur des donnes simules sans bruit en prsence de conduits idales mais n'a
pas les capacits de gnralisation d'algorithmes plus complexes. La diffrence de la MI0 sur
les autres mthodes est que celle-ci recherche le meilleur facteur de propagation selon les
moindres carrs pour dduire ensuite le conduit optimal correspondant. Les algorithmes
d'apprentissage, quant eux, calculent directement les paramtres des conduits depuis le
facteur de propagation inverser grce aux approximations de fonctions effectues durant
leur entranement (cf. sections C.II.1 et C.II.2). Pour ces dernires, les facteurs de propagation
associs sont calculs a posteriori.
La Figure 37 illustre la mthodologie de test des mthodes d'inversion utilises ici. En
premier lieu (a), un conduit tri-linaire idal et constant en distance est gnr. On calcule
ensuite, par la mthode PWE le facteur de propagation juste au-dessus de la surface de mer,
reprsent en (b). Celui-ci est ensuite invers par les quatre mthodes d'inversion : MI0, LSSVM, AG et MuLS-SVM (c). Cinq conduits sont alors obtenus : le conduit initial et les quatre
conduits obtenus par inversion, reprsents en (d). On peut ensuite calculer les facteurs de
propagation en prsence de ces conduits et obtenir cinq facteurs de propagation : le facteur de
propagation initial et les quatre facteurs de propagation obtenus par les profils inverss,
reprsents en (e). Du point de vue de la prcision, on pourra alors juger les mthodes
d'inversion sur deux critres : la prcision sur les conduits atmosphriques retrouvs et la
prcision sur les facteurs de propagations obtenus en prsence des conduits inverss.

58

Figure 37 : Description de la mthodologie de test des mthodes


d'inversion MI0, LS-SVM, AG et MuLS-SVM sur des donnes idales
simules par la mthode PWE.
La comparaison des machines d'inversion pour la RFC est effectue sur deux ensembles de
donnes simules. Les configurations choisies pour les deux tudes sont indiques sur le
Tableau 2. Le premier consiste en 17 environnements de conduits de surface. L'antenne,
place 50 m au-dessus du niveau de la mer, fonctionne 1 GHz et a une ouverture 3 dB de
30. Le second est compos de 8 environnements. L'antenne, place 25 m de hauteur,
fonctionne 5 GHz et a une ouverture 3 dB de 4.6. Cette deuxime configuration
correspond des caractristiques ralistes d'une antenne de surveillance en milieu marin.

59

Tableau 2: Configuration des deux tudes comparatives des mthodes


d'inversion.
tude 1
17
1 GHz
50 m
30 deg

Nb d'environnements
Frquence
Hauteur d'antenne
Ouverture 3dB

tude 2
8
5 GHz
25 m
4,6 deg

La valeur des paramtres des conduits est prise initialement dans les bornes mentionnes
section B.I.1.b : zb 250 m, c2 1.5 unit-M/m et zthick 100 m. L'inversion est ralise sur le
facteur de propagation simul juste au-dessus de la surface de mer. On se place dans le cas de
conduits atmosphriques tri-linaires idaux et constants en distance. Le but de l'inversion est
de retrouver les paramtres des conduits M = (zb, c2, zthick) et de retrouver un facteur de
propagation le plus proche possible de celui correspondant aux paramtres initiaux. La donne
inverse est le facteur de propagation entre 10 et 50 km avec 1 point tous les 400 m. Chaque
vecteur de facteur de propagation est donc compos de 101 lments.
Le logiciel d'AG incorpore le logiciel de propagation TPEM bas sur la PWE rsolue par
mthode de SSF [Barrios, 1992]. Cette mthode effectue une modlisation 2D du facteur de
propagation ngligeant la rtrodiffusion et impliquant une surface lisse et parfaitement
conductrice, ce qui est raisonnable dans le cas des angles trs rasants [Fabbro et al., 2006].
Pour la configuration de l'AG, 10 populations sont gnres et itres 2000 fois chacune. La
moiti de la population est garde chaque itration. Le taux de croisement est de 50 % et le
taux de mutation de 5 % (voir lAG section C.I.1.a).
Pour les algorithmes LS-SVM et MuLS-SVM (cf. section C.II.1 et C.II.2), un noyau gaussien
est choisi. La base d'apprentissage de 10000 lments est gnre par hypercube latin (cf.
section C.II.1.b) pour le choix des valeurs des paramtres (zb, c2, zthick). Les facteurs de
propagation associs sont ensuite gnrs par une mthode de propagation base sur la PWE
rsolue par mthode de SSF similaire au logiciel TPEM.

C.III.2.
a

Rsultats
Prcision des inversions

On s'intresse dans un premier temps aux rsultats globaux en erreurs moyennes. Les Tableau
3 et Tableau 4 synthtisent les rsultats des algorithmes d'inversion sur les donnes simules
non bruites. On distingue deux cas correspondant aux deux frquences 1 GHz et 5 GHz.
L'erreur sur les paramtres est donne en pourcentage : c'est l'erreur absolue entre le
paramtre retrouv par inversion et le paramtre initial, divise par la valeur maximale que
peut prendre le paramtre (la valeur minimale tant 0 pour chacun d'entre eux) :

inv

M inv M true
M max M min

(58)

o M est le paramtre de conduit invers : zb, c2 ou zthick. Mmax et Mmin reprsentent les valeurs
maximum et minimum du paramtre sur la base de donnes.

60

L'erreur sur le facteur de propagation sur une ralisation est la moyenne de l'erreur absolue en
dB, c'est--dire la moyenne des rapports des facteurs de propagation en valeurs relles :

F 2

inv
dB

true
1 101 2 inv
F i dB F 2 i dB ,

101 i =1

(59)

o l'exposant "inv" correspond l'algorithme d'inversion utilis (AG, LS-SVM, MI0 ou


MuLS-SVM) et l'exposant "true" correspond au facteur de propagation simul partir du
conduit connu.
Pour obtenir les rsultats globaux, ces erreurs sont calcules puis moyennes sur l'ensemble
des ralisations.
Tableau 3 : Rsultats globaux pour l'tude 1 : erreurs moyennes sur les
paramtres et sur le facteur de propagation ralises par les 4 systmes
d'inversion sur les 17 cas 1 GHz.
Mthode
d'inversion
MI0
LS-SVM
AG
MuLS-SVM

Erreur sur les paramtres (%)


zb
c2
z thick
7,9
7,76
10,66
9,85
7,79
12,01
0,25
4,03
2,78
12,08
13,22
13,06

Erreur sur le facteur


de propagation (dB)
0,95
2,15
0,68
1,57

Tableau 4 : Rsultats globaux pour l'tude 2 : erreurs moyennes sur les


paramtres et sur le facteur de propagation ralises par les 4 systmes
d'inversion sur les 8 cas 5 GHz
Mthode
d'inversion
MI0
LS-SVM
AG
MuLS-SVM

Erreur sur les paramtres (%)


zb
c2
z thick
8,01
13,04
17,42
6,49
9,07
7,16
5,46
11,11
9,36
6,91
10,35
8,7

Erreur sur le facteur


de propagation (dB)
2,25
2,39
1,46
2,27

Au vu des rsultats globaux, c'est sans surprise que l'AG donne les meilleurs rsultats sur
l'erreur commise sur le facteur de propagation et sur les paramtres des conduits. En effet,
l'AG est l'algorithme le plus performant, mais son temps de calcul est trs lev (cf. Tableau
5). Contre toute attente, les rsultats de la MI0 sont trs bons 1 GHz et bons 5 GHz sur les
facteurs de propagation. Deux effets expliquent ces rsultats : le premier est que, par
dfinition, la MI0 minimise l'erreur sur le facteur de propagation. La seconde est la
description trs fine des phnomnes de propagation dans la base de donnes, la MI0 ne
pouvant trouver de rsultat hors de la base d'entranement.
Lorsque l'onde lectromagntique devient plus sensible la structure atmosphrique, soit la
frquence la plus leve, les rsultats de la MI0 deviennent moins bons. Ceci s'explique par le
fait que les facteurs de propagation de la base de donnes connaissent de plus fortes
variations.
Les rsultats de la MI0 sur les paramtres dcrivant les conduits sont galement bons 1
GHz, ce qui s'explique par le fait que le caractre non linaire du problme est moins marqu
plus basse frquence.
61

En revanche, 5 GHz, les rsultats de la MI0 sont plus nuancs. Sur les facteurs de
propagation, les rsultats restent trs acceptables et du mme ordre de grandeur que celles des
mthodes d'apprentissage. Sur les paramtres des conduits cependant, les erreurs sont plus
importantes et rvlent le caractre non linaire et mal pos de ce problme inverse.
Les algorithmes LS-SVM et MuLS-SVM ont quant eux des rsultats comparables et
acceptables quant la prcision sur les facteurs de propagation comme sur les erreurs sur les
paramtres. On peut d'ors et dj constater que l'inversion donnera une approximation du
conduit en prsence et non le conduit exact, car il existe toujours une erreur sur les paramtres
des conduits. On pourra souligner que les deux cas qui dgradent les rsultats de la mthode
MuLS-SVM sur les paramtres du conduit 1GHz sont un cas d'un conduit trs lev et celui
d'un conduit trs bas, la limite des bornes d'apprentissage.
Une tude plus dtaille s'avre ncessaire car les deux critres de prcision erreur sur les
paramtres et sur le facteur de propagation peuvent diffrer. Plusieurs cas de figures peuvent
se prsenter.
Les exemples de rsultats prsents sur les figures suivantes sont organiss comme suit :
gauche sont reprsents les conduits atmosphriques initial et inverss en fonction de l'altitude
et droite les facteurs de propagation allers F2 correspondants en fonction de la distance.
Sur l'exemple prsent sur la Figure 38, les conduits retrouvs sont trs prcis, alors que les
facteurs de propagation restent approximatifs autant pour les mthodes LS-SVM et MuLSSVM que pour l'AG. Cet exemple illustre un problme majeur de la RFC, savoir la
sensibilit de la propagation des ondes des variations minimes d'indice de rfraction. Ainsi,
il est trs difficile de mesurer la prcision d'un systme RFC en se basant sur les pertes en
propagation retrouves aprs inversion.

Figure 38 : 1 GHz. gauche, les profils de CRM initial et retrouvs par


inversion. droite, les facteurs de propagation aller F2 correspondant aux
profils de CRM. Les valeurs du conduit initial sont : zb = 47 m, c2 = 0.639
unit-M/m et zthick = 36 m.
Une autre difficult est illustre sur la Figure 39. Sur cet exemple, aucun algorithme
d'inversion ne retrouve avec prcision les valeurs du conduit. Cependant, le facteur de
propagation, seule donne laquelle la machine d'inversion a accs, est bien approxim. La
62

marge d'erreur sur les paramtres du conduit reste cependant trs correcte et donne une bonne
ide du conduit en prsence.

Figure 39 : 5 GHz. gauche, les profils de CRM initial et retrouvs par


inversion. droite, les facteurs de propagation aller F2 correspondant aux
profils de CRM. Les valeurs du conduit initial sont : zb = 152 m, c2 = 0.563
unit-M/m et zthick = 61.6 m.
On voit ainsi que l'on peut tre en prsence de plusieurs configurations : on peut avoir une
bonne prcision sur le facteur de propagation sans avoir un conduit parfaitement invers, ou
au contraire avoir un conduit invers trs proche du conduit initial et avoir malgr tout des
diffrences non ngligeable au niveau du facteur de propagation.
On peut en conclure que l'obtention un systme RFC qui donne avec prcision la structure
atmosphrique en prsence est un problme trs complexe. Les systmes prsents ici, qui
reposent sur une base d'entranement pr-gnre, ne peuvent en aucun cas avec certitude
donner le profil exact, mais donnent un profil approchant donnant une bonne ide des
structures atmosphriques en prsence.

Les temps de calcul

Le Tableau 5 prsente les temps de calcul de chaque algorithme pour effectuer une inversion
1 et 5 GHz. Il vient qui si l'AG est la mthode la plus performante, le temps de calcul est trs
lev. L'augmentation du temps de l'inversion avec la frquence vient de la gnration des
population successives effectue pendant l'inversion. Les calculs de propagation sont plus
lents hautes frquences car le pas de calcul de la mthode de rsolution de la PWE par SSF
diminue quand la frquence augmente.

63

Tableau 5 : Temps de calcul pour les inversions avec chaque algorithme


test 1 et 5 GHz
Mthode
d'inversion
MI0
LS-SVM
AG
MuLS-SVM

Temps de calcul
5 GHz
1 GHz
< 0,2 s
< 0,2 s
< 0,2 s
< 0,2 s
1 h 30
18 h 00
< 0,2 s
< 0,2 s

Conclusion sur l'tude des mthodes d'inversion en conditions idales

Sur cette premire tude, on peut conclure de l'efficacit des systmes d'apprentissage. Si la
prcision de ces systmes est moindre que celle de l'AG, les conduits approchs sont
cependant proches des conduits initiaux. De plus, l'aspect temps rel des systmes
d'apprentissage est un plus car les inversions peuvent tre effectues, en conditions
oprationnelles, sur tous les azimuts en un temps trs rduit. La MI0 donne de bons rsultats
similaires, voire meilleures, ceux obtenus par les mthodes d'apprentissage. Afin de tester la
robustesse des mthodes, une validation sur des profils non plus idaux mais mesurs s'avre
ncessaire. Celle-ci est expose dans la section suivante.

C.III.3.

Validation thorique avec des profils d'indice mesurs

Afin de tester la robustesse des mthodes d'inversion, la validation prcdente a t applique


sur des donnes ralistes. Cinq profils ont t reproduits depuis des mesures publies dans la
littrature. Ces profils sont tracs en fonction de l'altitude sur la Figure 40. Les conduits 1 et 2
proviennent de mesures effectues dans le Golfe Persique [Brooks et al., 1999], et les
conduits 3, 4 et 5 proviennent de mesures effectues sur l'le du Levant, en Mditerrane
[Hurtaud et al., 2008]. On peut d'ors et dj constater que les quatre premiers profils sont
relativement proches des conduits tri-linaires idaux. Le cinquime profil prsente une forme
plus chaotique et exotique. Ces profils sont reprsents une constante prt M puisque seul
le gradient d'indice, et non sa valeur absolue, a un impact sur la propagation.
L'AG n'est pas test sur ces profils car le logiciel de RFC SAGA ne peut prendre en compte
que les profils tri-linaires idaux.
Le problme se pose de la mesure de l'efficacit des mthodes. tant donns que les profils
mesurs ne sont pas des conduits tri-linaires idaux, l'erreur sur les paramtres des conduits
n'est plus pertinente. De plus, il a t montr dans la section prcdente que l'erreur sur le
facteur de propagation n'est pas forcment reprsentative de la qualit de l'inversion sur le
CRM. Aussi, la qualit des inversions est qualifie visuellement.

64

Figure 40 : Les cinq profils reproduits d'aprs des mesures publies. Les
profils 1 et 2 correspondent des mesures effectues dans le Golfe
Persique et les profils 3, 4 et 5 des mesures effectues sur l'le du Levant.

Rsultats 1 GHz

Les premires inversions ont t ralises avec les modles 1 GHz. La mthode est
exactement celle dcrite section C.III.1. Le facteur de propagation est d'abord simul en
prsence du profil mesur considr constant avec la distance. Ce facteur de propagation est
ensuite invers, et on peut juger de la prcision de l'inversion en se basant sur le conduit
retrouv ou sur le facteur de propagation obtenu avec le conduit retrouv. Les rsultats sont
regroups sur la Figure 41. Y sont reprsents gauche les profils d'indice mesurs et les trois
profils retrouvs par chacune des mthodes d'inversion et droite les facteurs de propagation
obtenus avec les profils mesurs et avec chaque profil retrouv par inversion. Les numros 1
5 correspondent respectivement aux profils mesurs 1 5.
Le conduit 1 est le profil mesur le plus proche du modle tri-linaire. Les inversions par
MI0, LS-SVM et MuLS-SVM donnent toutes de bons rsultats au vu des profils inverss,
mme si la mthode MuLS-SVM surestime lgrement l'paisseur du conduit. Les facteurs de
propagation obtenus aprs inversion sont tous trs proches du facteur de propagation initial.
Le conduit 2 s'carte un peu plus d'un conduit idal. Les inversions sont cependant encore trs
efficaces. On peut voir que la mthode MuLS-SVM surestime encore lgrement l'paisseur
du conduit. Cet exemple illustre la trs forte sensibilit de la propagation des ondes
lectromagntiques aux variations d'indice de rfraction. En effet, alors que le conduit
retrouv par MuLS-SVM est proche du profil mesur, on obtient un cart de 15 dB au niveau
de la dernire figure d'interfrence, 40 km.
Le conduit 3 a la particularit de prsenter un gradient d'indice assez nettement infrieur
celui de l'atmosphre standard au-dessus du conduit. C'est la mthode MuLS-SVM, sur ce
conduit, qui dcrit au mieux la couche d'inversion l'intrieur du conduit. On remarquera que
les conduits retrouvs par mthodes LS-SVM et MI0 sont trs proches, mais que les facteurs
de propagation correspondants affichent des diffrences de 10 dB entre 40 et 50 km.
65

Le conduit 4 correspond un conduit tri-linaire aux discontinuits adoucies. On retrouve


cependant les gradients correspondant l'atmosphre standard au-dessous et au-dessus de la
couche d'inversion. C'est un conduit lev en altitude. C'est ce genre de conduit qui pose le
plus de problme en RFC car un conduit lev a les mmes effets sur le facteur de
propagation au niveau de la surface de mer qu'un faible conduit plus faible altitude.
Cependant, les inversions par les trois mthodes d'inversion donnent de trs bons rsultats,
tant au niveau du profil d'indice qu'au niveau du facteur de propagation retrouv par
inversion, qui est trs proche du conduit mesur pour chaque mthode d'inversion.
Le profil 5 s'carte nettement plus du conduit idal tri-linaire. Si les 3 mthodes d'inversion
donnent des profils cohrents, c'est la mthode MuLS-SVM qui rend le mieux compte de la
couche d'inversion la plus forte du profil. Il est cependant difficile de trancher quant la
prcision d'une des mthodes sur une autre tant le profil mesur est chaotique. Ce test est
cependant intressant car il permet de juger de la robustesse des algorithmes face une
situation loigne des configurations envisages par la modlisation des conduits
atmosphriques.

66

Figure 41 : Rsultat des inversions par les mthodes de MI0, LS-SVM et


MuLS-SVM sur les 5 conduits mesurs 1 GHz. gauche, les profils
mesurs et inverss en fonction de l'altitude. droite, les facteurs de
propagation obtenus avec le profil mesur et les profils inverss.

67

Rsultats 5 GHz

Les mthodes d'inversion ont t testes sur ces mmes conduits 5 GHz. Les rsultats sont
prsents sur la Figure 42. Comme prcdemment, y sont reprsents gauche les profils
d'indice mesurs et les trois profils retrouvs par chacune des mthodes d'inversion, et droite
les facteurs de propagation obtenus avec les profils mesurs et avec chaque profil retrouv par
inversion. Les numros 1 5 correspondent respectivement aux profils mesurs 1 5.
Comme pour les conduits idaux, les inversions 5 GHz sont moins prcises qu' 1 GHz. La
propagation des ondes lectromagntiques est d'autant plus sensible aux conditions de
rfraction que l'on monte en frquence, et les figures d'interfrence plus nombreuses rendent
les signaux plus chaotiques.
Sur le premier conduit, on constate que la mthode MuLS-SVM seule dcrit avec prcision le
profil. La MI0 et les LS-SVM sous-estiment la force du conduit. On obtient cependant des
prcisions similaires sur le facteur de propagation retrouv.
Sur le conduit 2, c'est nouveau la mthode MuLS-SVM qui dcrit au mieux le profil mesur.
La MI0 et les LS-SVM donnent cependant une bonne approximation. A nouveau, les
performances sur les facteurs de propagation sont assez comparables.
L'inversion sur le 3me profil donne de bons rsultats pour la mthode MuLS-SVM et la MI0.
On voit que les LS-SVM dcrochent totalement en donnant un conduit erron. Malgr une
trs bonne approximation du profil, le facteur de propagation retrouv par mthode MuLSSVM est assez loign du facteur de propagation initial, avec une diffrence allant jusqu' 20
dB 50 km avec la donne de rfrence. Cet exemple illustre bien le fait que le facteur de
propagation retrouv ne donne pas forcment une information pertinente sur la qualit de
l'inversion.
Les rsultats sur ce 4me conduit sont particulirement intressants. Alors que toutes les
inversions donnent une bonne approximation du facteur de propagation, seule la mthode LSSVM reconstitue avec prcision le profil initial. La mthode MuLS-SVM sous-estime
lgrement l'paisseur du conduit (d'une vingtaine de mtres) alors que la MI0 ne voit mme
pas la couche d'inversion. Ce cas de figure est le plus difficile pour la RFC : un conduit de
surface assez lev ( partir de 200 m) donne des effets quivalents ceux d'un trs faible
conduit moins lev. Il faudrait regarder aprs les 50 km pour s'apercevoir des diffrences sur
les facteurs de propagation. Cet exemple illustre parfaitement le caractre mal pos du
problme RFC, et donc le pourquoi de la ncessit d'une mthode d'inversion non linaire.
Le 5me profil est trop particulier pour que l'on puisse arriver une quelconque conclusion.
Les profils inverss retrouvs par MuLS-SVM et MI0 sont crdibles sans tre bons, mais le
fait est que le profil est trop loign du modle de conduit tri-linaire pour que l'inversion
puisse tre efficace. Le rsultat sur les facteurs de propagation pour les mthodes LS-SVM et
Mu-LS-SVM sont mauvais. Cependant, le conduit retrouv par MuLS-SVM n'est pas
compltement faux. C'est surtout la pente l'intrieur du conduit qui a t surestime. La
mthode LS-SVM, quant elle, retrouve un assez fort conduit de surface basse altitude, ce
qui entrane une erreur importante.

68

Figure 42 : Rsultat des inversions par les mthodes de MI0, LS-SVM et


MuLS-SVM sur les cinq conduits mesurs 5 GHz. A gauche, les profils
mesurs et inverss en fonction de l'altitude. A droite, les facteurs de
propagation obtenus avec le profil mesur et les profils inverss.

69

Conclusion sur l'tude des profils mesurs

L'tude sur ces profils permet de sortir quelques rsultats importants. Tout d'abord, le choix de
mesurer la prcision d'un systme d'inversion par l'erreur commise sur le facteur de
propagation n'est pas pertinent. En effet, la MI0 donne par dfinition le conduit optimal en
terme d'erreur sur le facteur de propagation, et pourtant peut donner un profil d'indice
compltement erron (voir le cas du conduit 4 5 GHz). Concernant les mthodes
d'apprentissage, on voit que la mthode multitche amliore l'algorithme LS-SVM en
augmentant significativement sa robustesse.
Des diffrences assez marques existent entre les rsultats 1 et 5 GHz. Tout d'abord, les
effets de rfraction sont plus marqus 5 GHz qu' 1 GHz. Ainsi, les effets des petites
variations d'indice se ressentent beaucoup plus haute frquence. Il est donc plus facile
d'extraire les structures globales des conduits atmosphriques 1 GHz.
De plus, les ondes tant plus sensibles aux effets de rfraction hautes frquences, le
caractre mal pos du problme RFC est accentu. C'est pourquoi la MI0 connat plus de
difficults 5 GHz (cf. C.III.3.b). La ncessit d'un algorithme non linaire est ainsi
souligne.

C.III.4.

Amliorations possibles des mthodes d'apprentissage

Au vu des rsultats exposs, il vient que les mthodes par machines vecteurs supports sont
moins prcises qu'une mthode par AG. Cependant, le caractre temps rel des algorithmes
MuLS-SVM et MI0 peut tre exploit afin d'amliorer la prcision. En effet, un radar peut
recevoir des donnes sur de nombreux azimuts et des temps proches. Or, un lissage du CRM
retrouv par inversion spatialement et temporellement peut amliorer le mcanisme. Cela est
possible car le systme est temps rel et peut effectuer toute une srie d'inversion dans un
temps trs court.
Une autre amlioration qui peut tre apporte se retrouve directement dans la base de
donnes. En connaissant au mieux les caractristiques des conduits physiques, on peut gnrer
une base de donnes reproduisant au mieux les conduits rels. Par exemple, une borne
maximum de 1.5 unit-M/m a t choisie pour le paramtre c2 dans cette tude (cf. section
B.I.1.b), mais des donnes mtorologiques plus fournies pourraient amener modifier ce
choix. D'autres limitations, comme une paisseur de conduit minimale ou maximale d'aprs
des donnes mtorologiques plus toffes pourraient amliorer la prcision de l'inversion.
Enfin, une optimisation de la technique RFC pourrait tre d'appliquer pralablement une
classification : en classifiant par mthode inverse le conduit suivant sa hauteur (par exemple)
et ainsi obtenir une fourchette de valeurs possibles des paramtres de description du conduit.
Il serait ensuite possible d'effectuer une rgression sur une base de donnes rduite
n'englobant que la fourchette de hauteurs de conduits donne par la classification.

70

APPLICATION
DE
L'INVERSION DES CHOS DE MER
SUR DES DONNES MESURES

Chapitre D/

Dans ce chapitre, les mthodes dveloppes sur des donnes simules idales (et prsentes
dans le chapitre prcdent) sont appliques des donnes mesures tires des campagnes de
mesures VAMPIRA et Wallops '98. Le but est, sur ces donnes, de retrouver au mieux les
conditions atmosphriques en prsence par application de la mthode RFC. Des mesures
mtorologiques permettent de comparer les rsultats obtenus aux conditions releves.
Les mesures de la campagne VAMPIRA ont t effectues point point depuis un radar ctier
vers des tridres embarqus sur navire. Ces mesures, qui ont eu lieu en mer Baltique en
prsence de conduits d'vaporation, donnent accs des facteurs de propagation en fonction
de la distance sur lesquels la RFC peut tre applique.
Les mesures de la campagne Wallops '98 sont plus spcifiquement des mesures ddies la
RFC. Il s'agit de mesures de SNR en prsence de conduits de surface. Certains de ces conduits
ont de plus t mesurs par un rfractomtre mont sur un hlicoptre selon une direction
azimutale fixe. Les mesures radar donnent accs la SNR reue par le radar selon plusieurs
azimuts, ce qui permet de prendre en compte la continuit spatiale des conditions
atmosphriques.
Les donnes issues de ces deux campagnes sont respectivement traites dans ce chapitre et
leur tude a ainsi permis de faire voluer les mthodes RFC.
Par rapport l'inversion de donnes simules, de nouveaux problmes sont prendre en
compte : un bruit de mesure est prsent, les modles de conduits prsents en section B.I.1.b
ne correspondent pas exactement aux conditions atmosphriques relles, et la SERN de la
surface de mer impacte sur les mesures de fouillis de mer.

71

D.I.

Campagne VAMPIRA
D.I.1. Description de la Campagne d'exprimentation
a

Mesures des facteurs de propagation sur tridres

Les donnes radar de la campagne VAMPIRA [Heemskerk, 2005] ont t mesures en mars
avril 2004 dans le cadre d'une coopration internationale OTAN afin d'valuer les proprits
de la basse troposphre en milieu marin sur la propagation. Les mesures ont eu lieu au nord de
l'Allemagne sur les ctes de la Mer Baltique. Le radar MEMPHIS [Essen et Fuchs, 2005] du
FGAN-FHR surplombait la Baie d'Eckenfrde. Le radar tait situ 18.5 m d'altitude, afin de
simuler un radar sur mt bord d'un navire. Durant les mesures, le navire d'exprimentation
"Stollergrund" du Federal Armed Forces Technical Center WTD 71 se dplaait
successivement vers le large puis en direction de la cte, selon une ligne de 3 30 km de la
cte.
La Figure 43 localise le lieu de mesure (au nord de Kiel) et dcrit la trajectoire du navire.
Quatre tridres taient monts bord du navire : deux orients vers l'avant et deux vers
l'arrire du navire. Les tridres taient de SER connue de 30 dBm 9.4 GHz. La Figure 44
dcrit l'emplacement des tridres sur le navire.

Figure 43 : Carte du nord de l'Allemagne ( gauche) et zoom sur la


trajectoire du navire "Stollergrund" durant les mesures de la campagne
VAMPIRA en Mer Baltique ( droite).

72

Figure 44 : Configuration des tridres sur le navire Stollergrund. On trouve


deux tridres orients dans chaque direction (avant / arrire) des hauteurs
diffrentes.
Durant les mesures, le navire tait localis par un systme de tlmtrie et par signal GPS,
comme illustr sur la Figure 45. Les mesures ont t effectues point point du radar aux
tridres. Les SER des tridres ainsi que tous les paramtres du radar tant connus, on a accs
aux facteurs de propagation mesurs aux altitudes des tridres partir de la puissance radar
mesure.

Figure 45 : Principe de la campagne de mesures VAMPIRA. Les mesures


sont effectues point point du radar vers les tridres embarqus. Le navire
est localis par un systme de tlmtrie coupl des mesures GPS.
Un exemple de donne mesure extrait de la campagne VAMPIRA est trac sur la Figure 46.
Il s'agit d'un facteur de propagation mesur sur le tridre le plus bas (2.37 m) en fonction de la
distance. Sur les premiers kilomtres, on obtient une figure d'interfrence due la
73

recombinaison des trajets direct et rflchi sur la mer. Pour la configuration gomtrique
considre ici, ce phnomne observ des distances infrieures 10 km est peu sensible aux
effets de rfraction. Aussi on ne travaillera que sur le facteur de propagation mesur partir
de 10 km. D'autre part, on constate que le signal est satur ds 26 km. En effet, la remonte du
facteur de propagation observe cette distance sur la Figure 46 ne correspond aucun
phnomne physique. Elle est due au niveau de puissance du bruit qui passe au-dessus du
niveau de puissance du signal utile. On travaillera donc avec les donnes mesures entre 10 et
25 km.
Les donnes sont de plus trs bruites. On peut voir plusieurs raisons cela : le tangage du
bateau apporte un bruit d aux lgers dplacements parasites des tridres par rapport
l'antenne fixe. De plus, les rflexions sur la surface de mer entranent un bruit sur le signal d
la diffraction et la dpolarisation des ondes sur la surface de mer. Les erreurs de
localisation du navire, ensuite, apportent une nouvelle incertitude. Enfin, des erreurs de
mesure dues des cibles parasites peuvent avoir dclench les forts pics de facteur de
propagation que l'on observe sur la Figure 46 aprs 15 km. Un filtrage et un lissage des
donnes s'avrent ainsi ncessaires avant le travail de RFC.

Figure 46 : Exemple de facteur de propagation en fonction de la distance


issu de la compagne de mesures VAMPIRA

Mesures mtorologiques

Des mesures mtorologiques l'interface air-mer ont t effectues prs de la cte afin de
caractriser les conditions de rfraction. Ces mesures mtorologiques ont rvl la prsence
de conduits d'vaporation, dont les hauteurs ont pu tre dduites. Le modle mto utilis
pour dduire la hauteur du conduit depuis les mesures mto est le modle PIRAM [Claverie
et al., 2005], driv de la mthode Bulk qui repose sur la thorie de Monin-Obukhov.
Ces informations mtorologiques ne sont cependant pas suffisantes pour caractriser
pleinement le milieu atmosphrique, une variation en distance ne pouvant pas tre observe
par les capteurs fixes. Chaque mesure effectue du facteur de propagation en fonction de la
74

distance dure lgrement plus d'une heure, temps ncessaire au navire pour effectuer un trajet.
Durant ce laps de temps, les conditions atmosphriques peuvent voluer, et le signal reu 10
km ne lest pas toujours dans les mmes conditions de rfraction que celui reu 25 km.
Enfin, il n'y a malheureusement pas d'information mto disponible pour caractriser les
conditions de rfraction au-dessus des conduits d'vaporation.

D.I.2. Adaptation de la mthode d'inversion aux donnes


a

Le conduit d'vaporation conditions non neutres

La temprature l'interface air-mer mesure durant la campagne VAMPIRA a rvl des


conditions non neutres (temprature de la mer diffrente de la temprature de l'air l'interface
air-mer). Or, ces conditions impliquent l'utilisation d'un profil deux paramtres pour dcrire
le profil de CRM (cf. section B.I.1.b). A priori, il y a donc sur ces donnes un rel intrt
utiliser l'algorithme multitche, car le systme RFC doit retrouver les deux paramtres du
modle de conduit d'vaporation.
Les mthodes d'inversion retenues pour appliquer la RFC requirent la gnration d'une base
de donnes dcrivant toutes les conditions atmosphriques possibles avec une rsolution
suffisamment fine. Pour la gnration de la base de donnes, la hauteur du conduit est prise
entre 0 et 30 m [Anderson, 1989], et la pente au-dessus du conduit entre -1 et 0.4 unit-M/m
[Gerstoft et al., 2003a].
Se pose donc le problme du choix de la modlisation du conduit. Deux modles peuvent tre
retenus : le modle de Jeske ou le modle deux tages (cf. section B.I.1.b). Le modle de
Jeske prsente l'avantage de conserver la continuit du gradient de CRM alors que le modle
2 tages permet de modliser tous les cas possibles, comme expliqu ci-aprs. Bien que plus
physique a priori, le modle de Jeske n'est pas retenu.
En effet, dans le cas d'un gradient ngatif au-dessus du conduit, le modle de Jeske n'est plus
physique. La Figure 47 illustre ce problme : trois profils deux paramtres sont reprsents
pour une hauteur de conduit d'vaporation de 8 mtres et pour 3 valeurs de la pente c1 audessus du conduit. gauche, le modle deux tages est utilis et droite, le modle de
Jeske. Ces trois exemples illustrent les avantages et les limites du modles de Jeske : celui-ci
donne des profils continus, et le profil prsentant une pente de 0.2 unit-M/m est plus raliste
avec ce modle. Cependant, dans le cas d'une pente de CRM nulle ou ngative (c1 = 0 ou c1 =
-0.2 unit-M/m), le conduit d'vaporation est dnatur. En effet, le gradient de CRM entre le
sol et la hauteur du conduit n'est plus ngatif et il n'y a alors plus de conduit d'vaporation.
Le modle deux tages prsente quant lui une discontinuit dans les trois cas, mais les
profils conservent la structure du conduit d'vaporation. Ce modle permet de modliser tous
les cas de faon satisfaisante.

75

Figure 47 : Exemple de conduits d'vaporation reprsents avec le modle


deux tages ( gauche) et avec le modle de Jeske ( droite). La hauteur
des conduits est fixe constante 8 m, et les pentes au-dessus du conduit
sont prises gales -0.2, 0 et 0.2 unit-M/m.
La base de donnes pr-gnre utilise dans notre mthode RFC doit pouvoir dcrire tous les
cas possibles, ce qui ne peut pas se faire par le modle de Jeske pour lequel le paramtre c1
doit tre strictement positif. C'est donc le modle de conduit d'vaporation deux tages qui
est utilis dans le cadre de l'tude des donnes VAMPIRA.

Mise en forme des donnes mesures

Les donnes mesures ncessitent un filtrage et un lissage avant utilisation. Un filtre passepas est d'abord appliqu afin de supprimer la majeure partie des erreurs de mesure, et en
particulier des pics de facteur de propagation, ainsi qu'une partie du bruit. Puis un lissage et
une interpolation sont effectus afin de n'obtenir plus qu'un point tous les 100 m entre 10 et 25
km. Il est en effet important que les donnes d'entre aient la mme forme que les donnes
dans la base d'entranement. La Figure 48 montre, en gris, la mesure brute mise en
comparaison avec la donne obtenue aprs filtrage et lissage, en bleu. Une fois lisse et
filtre, on obtient un facteur de propagation peu bruit entre 10 et 25 km. C'est sur cette
donne que l'inversion pourra alors tre effectue le plus efficacement. Il faut garder l'esprit
que ces considrations dpendent de la configuration et des caractristiques du radar : hauteur,
frquence, puissance, gain, etc... Par exemple, le signal pourra tre gard sur une distance plus
leve si le radar fonctionne plus forte puissance ou si son antenne a un plus grand gain. De
mme, le nombre maximum de points considrs en distance dpend de la rsolution spatiale
du radar.

76

Figure 48 : Exemple de facteur de propagation en fonction de la distance


directement issu de la compagne de mesures VAMPIRA (en gris) et aprs
filtrage, lissage et interpolation entre 10 et 25 km (en bleu).

D.I.3. Rsultats
La mthode RFC a t applique aux donnes VAMPIRA en utilisant les algorithmes
d'inversion MI0, LS-SVM et MuLS-SVM. La donne inversible est ici un facteur de
propagation une altitude donne (celle des tridres) de 10 25 km tous les 100 m (soit des
vecteurs de facteur de propagation 151 points).
Il y a 11 mesures de facteur de propagation correspondant au plus bas tridre la frquence
9.4 GHz, dont deux inexploitables. Le systme RFC est appliqu aux 9 donnes utilisables.
Deux rsultats sont dtaills ci-aprs.
Le premier rsultat, report sur la Figure 49, illustre le cas le plus courant sur ces donnes
VAMPIRA : le conduit d'vaporation est trs bas, et le gradient d'indice au-dessus du conduit
est suprieur celui de l'atmosphre standard. Les conduits retrouvs par les diffrentes
mthodes dveloppes sont :
-

= 0.51 m et c1 = 0.123 unit-M/m pour la MuLS-SVM

= -7.21 m et c1 = 0.168 unit-M/m pour la LS-SVM

= 3.30 m et c1 = 0.152 unit-M/m pour la MI0

= 5.6 m et c1 = 0.118 unit-M/m pour le conduit dduit des mesures mto

Remarquons que la mthode LS-SVM retrouve sur cet exemple un conduit d'vaporation
ngatif, ce qui n'a aucune signification physique. Sur cet exemple, les mesures de
temprature, pression et humidit permettent d'estimer 5.6 m. Les hauteurs de conduit
ainsi que les pentes de CRM obtenues par les mthodes d'inversion diffrent sensiblement
entre elles. Afin d'illustrer ces rsultas, les facteurs de propagation correspondant ces
conditions ont t modliss, relevs la hauteur du tridre puis compars sur la Figure 49.
Le facteur de propagation mesur brut y est reprsent en gris, celui aprs filtrage et lissage en
bleu, et les facteurs de propagation modliss partir des paramtres inverss sont reprsents
en bleu clair discontinu pour la MI0, et en rouge pour la MuLS-SVM.
77

N'ayant pas accs, dans les mesures mtorologiques, au CRM au-dessus du conduit
d'vaporation, les conditions atmosphriques sont considres comme standard au-dessus de
celui-ci. Ce manque d'information induit une erreur importante sur le facteur de propagation
modlis partir des donnes mto et trac en noir pointill sur la Figure 49.

Figure 49 : Facteur de propagation mesur sur le tridre le plus bas


compar ceux simuls avec les profils d'indice mesur et obtenus aprs
inversion par les algorithmes MuLS-SVM et MI0. L'algorithme LS-SVM
ayant donn une hauteur de conduit ngative, donc non physique, le facteur
de propagation associ n'est pas trac.
La Figure 50 montre un autre exemple sur une mesure en prsence d'un conduit d'vaporation
plus fort. Le facteur de propagation simul en prsence du conduit obtenu aprs inversion par
LS-SVM est en vert pointill. L'algorithme MuLS-SVM donne de bien meilleurs rsultats que
l'algorithme LS-SVM. L'erreur trs importante commise par ce dernier est certainement due
au bruit trs fort sur la mesure. Ce bruit rend le problme inverse mal pos et induit en erreur
la mthode qui ne prend pas en compte la corrlation entre les dimensions.
La MI0 donne l'cart le plus faible entre le facteur de propagation mesur et ceux de la base
de donnes pr-gnre. Sur un tel cas, on ne peut pas affirmer laquelle des mthodes MuLSSVM ou MI0 est la meilleure car on ne connat pas avec prcision le profil de CRM rel.
Cependant, les rsultats des deux mthodes sont trs proches.
On constate donc que les mthodes MuLS-SVM et MI0 restituent bien des conduits de faibles
hauteurs et des facteurs de propagation proches du conduit mesur. La mthode LS-SVM,
probablement mise en chec par le bruit de mesure rsiduel, donne un rsultat erron.

78

Figure 50 : Facteur de propagation mesur compar ceux simuls avec les


profils d'indice mesur et obtenus aprs inversion par les algorithmes
MuLS-SVM, LS-SVM et MI0.
On se heurte, avec cette campagne de mesures, au problme de la quantification de l'erreur
commise lors de l'inversion. En effet, les seules informations accessibles sont le facteur de
propagation et la hauteur de conduit mesur. Or, si le facteur de propagation invers est
facilement comparable au facteur de propagation mesur, il n'en est pas de mme pour la
hauteur du conduit d'vaporation cause de l'imprcision de la mesure sur la distance et dans
le temps.
Les rsultats des 9 inversions sur les 9 facteurs de propagation mesurs sont regroups sur la
Figure 51. Les donnes brutes y sont traces en gris, celles aprs lissage et filtrage en bleu.
Les facteurs de propagation obtenus avec les paramtres retrouvs par MI0 sont en bleu clair
discontinu, par MuLS-SVM en rouge et par LS-SVM en vert pointill quand ils sont
reprsents. En effet, les cas correspondant des hauteurs de conduit ngatives ne sont pas
physiques et ne sont donc pas reprsents. Les facteurs de propagation tracs en noir pointill
correspondent aux facteurs de propagation simuls avec la hauteur de conduit mesure et
l'atmosphre considre standard au-dessus de celui-ci.
On constate au vu de la Figure 51 que la seule connaissance de la hauteur du conduit n'est pas
suffisante une prdiction satisfaisante de la propagation, et que la connaissance de la pente
de CRM au-dessus du conduit est indispensable. Le numro de la mesure de 1 11, sans les
deux mesures inexploitables 7 et 10 est donn en bas gauche de chaque figure.
On peut mettre ces graphes en parallle avec le Tableau 6, qui quantifie les rsultats des
inversions par MI0, LS-SVM et MuLS-SVM. Dans ce tableau, "Numro" donne le numro de
la mesure, "" donne l'cart en mtre, en valeur absolue, entre la hauteur de conduit mesure
(en moyenne durant le temps de la mesure) et la hauteur du conduit retrouve par inversion.
"Err moy" donne l'erreur absolue en dB entre le facteur de propagation mesur et celui
retrouv par inversion. Enfin, " aberrant" indique les conduits retrouvs ngatifs par
inversion. L'erreur sur le facteur de propagation n'est pas calcule quand le conduit retrouv
est ngatif.
79

Tableau 6 : Rsultat des inversions sur les neuf donnes utilisables. La


dernire colonne donne les rsultats globaux. " aberrant" indique les
hauteurs de conduit ngatives.
Numro
(m)
Err moy (dB)
aberrant

1
15,8
OUI

2
12,8
OUI

1
Numro
5,4
(m)
Err moy (dB) 1,87
NON
aberrant

2
4,5
0,96
NON

1
Numro
2,3
(m)
Err moy (dB) 0,81
NON
aberrant

2
4
0,66
NON

Inversion par LS-SVM


3
4
5
6
11,3
4,5
23,7
23,2
5,72
NON
OUI
OUI
OUI
Inversion par MuLS-SVM
3
4
5
6
0,1
2,6
5,7
0,2
2,38
4,66
2,03
3,75
NON NON NON NON
Inversion par MI0
3
4
5
6
1,1
1,4
5,5
1,5
1,37
1,64
1,95
1,39
NON NON NON NON

8
0,1
2
NON

9
2,4
OUI

11
7,3
2,81
NON

TOTAL
11,2
3,51
5 sur 9

8
1,6
3,07
NON

9
0,1
2,03
NON

11
5,3
2,34
NON

TOTAL
2,8
2,56
0 sur 9

8
1,5
0,74
NON

9
0,3
1,12
NON

11
3
1,65
NON

TOTAL
2,3
1,26
0 sur 9

Globalement, en analysant la Figure 50 et le Tableau 6 de quantification des rsultats, on peut


conclure de mauvais rsultats par la mthode LS-SVM et de bons rsultats par les approches
MI0 et MuLS-SVM.
Les bons rsultats de la MI0 sur cette tude se justifient : la base d'entranement 2
dimensions dcrit avec une bonne prcision l'ensemble des valeurs possibles des paramtres
des conduits, et le problme d'inversion d'un conduit d'vaporation est un problme
faiblement non linaire.
Les mauvais rsultats de la mthode LS-SVM au point de vue de la hauteur de conduit, dans
le Tableau 6, tiennent aux nombreux conduits ngatifs retrouvs. Ces rsultats viennent du fait
que l'algorithme LS-SVM ne prend pas en compte la corrlation entre les deux paramtres
et c1 et a tendance corriger 2 fois la pente c1 de CRM plus forte que celle obtenue en
condition d'atmosphre standard : par un conduit ngatif dune part et par une pente au-dessus
du conduit plus forte que 0.118 unit-M/m dautre part. cela s'ajoute l'effet du bruit, parfois
trs fort, qui dgrade ces performances.
Par la mthode multitche, on amliore grandement l'inversion par rapport une inversion par
LS-SVM classique. Ainsi, cet algorithme montre dans cette application tout son intrt. Les
inversions, ici assez simples (2 paramtres), posent problme la machine d'entranement LSSVM. Ceci est d au bruit trs fort sur les donnes. Ne pouvant prdire le bruit qu'il y aura
lors de mesures de fouillis de mer, on peut conclure l'efficacit de l'algorithme MuLS-SVM
et son rel intrt dans une problmatique RFC.
Si ce gain de performance se traduit par une augmentation du temps de calcul durant la phase
d'apprentissage, l'algorithme travaille toujours en temps rel lors de l'inversion. Or, en
conditions oprationnelles, une cartographie 2D du fouillis de mer est accessible dans toutes
les directions azimutales. Il est ainsi possible d'harmoniser les conduits obtenus dans l'espace
et dans le temps. Ce n'est malheureusement pas le cas dans le cadre de la campagne de mesure
VAMPIRA.

80

Figure 51 : Rsultat des 9 inversions ralises par MI0, LS-SVM et MuLSSVM sur les donnes VAMPIRA. Les donnes brutes sont traces en gris,
celles aprs lissage et filtrage en bleu, celles aprs inversion par LS-SVM
en vert pointill, par MuLS-SVM en rouge, et par MI0 en bleu clair
discontinu. Le facteur de propagation trac en noir pointill correspond
celui simul avec la hauteur de conduit mesure.

81

D.I.4. Conclusion sur les Donnes VAMPIRA


Grce aux donnes VAMPIRA, les mthodes d'inversion ont pu tre testes dans le cadre de
la problmatique RFC en passant outre certaines difficults telles que la prise en compte de la
SERN de la surface de mer. On notera toutefois que la faible distance de signal utile
disponible, la frquence leve pour un systme RFC (9.4 GHz) et le bruit important sur les
donnes tendent apporter d'autres difficults.
Remarquons que le choix du modle de conduit d'vaporation 2 tages n'est pas fig. Ce
modle pouvant dcrire aisment tous les cas envisageables est commode, mais la mthode
est adaptable avec d'autres modles de conduits.
Pour l'inversion de conduits d'vaporation, une simple inversion par MI0 semble suffisante.
La faible non linarit du problme, et le faible nombre de paramtres ncessaires pour
modliser le conduit font qu'une mthode inverse simple suffit pour un systme RFC.
La mthode LS-SVM s'est rvle peu efficace dans le cadre de cette tude. C'est le fort bruit,
qui rend le systme mal pos, qui dgrade dautant ses performances. En rsultat, les conduits
retrouvs ne sont, pour la plupart, pas ralistes. Ce phnomne est d au fait que les
inversions des 2 paramtres du conduit se font indpendamment. C'est pourquoi l'utilisation
d'un systme LS-SVM multitche s'avre ncessaire.
La mthode MuLS-SVM donne quant elle de trs bons rsultats. Les facteurs de propagation
retrouvs sont tous proches des facteurs de propagation rels. La prcision sur les facteurs de
propagation est moindre que celle de la MI0, car c'est la valeur que minimise, par dfinition,
cette deuxime mthode. Quant la prcision sur les hauteurs de conduit, on peut la
considrer comme quivalente celle de la mthode MI0 au vu des imprcisions sur les
mesures mtorologiques, comme expliqu dans la section D.I.1.b.
On peut donc conclure sur la pertinence des mthodes MI0 et MuLS-SVM sur des conduits
simples. Le but est dsormais d'appliquer ces mthodes des donnes plus complexes sur
lesquelles les algorithmes MuLS-SVM et MI0 sont tests. De par les mauvais rsultats
obtenus par la mthode LS-SVM, cet algorithme na pas t tudi sur des donnes plus
complexes dans le cadre de cette thse.
On peut sattendre de meilleures performances de lalgorithme MuLS-SVM compares
celles de la MI0, de par sa capacit thorique rsoudre des problmes fortement non
linaires. La campagne de mesures tudie dans la section suivante s'est faite en prsence de
conduits de surface variant en distance. Ces conditions, beaucoup plus complexes pour un
systme RFC, sont idales pour valider un systme RFC en situation oprationnelle.

82

D.II. Campagne Wallops '98


D.II.1. Description de la campagne d'exprimentation
a

Mesures de cartographies de rapport signal bruit

La campagne Wallops '98 a t mene par le Naval Surface Warfare Center, Dahlgren
Division sur l'le de Wallops Island en Virginie. Les donnes tudies ici sont celles mesures
le 2 avril 1998. Il s'agit de mesures de rapport signal bruit (SNR pour Signal to Noise Ratio)
effectues en prsence de conduits de surface. Les mesures de SRN ont t effectues avec le
radar SPANDAR [Igwersen et Lemnios, 2000]. Ce radar fonctionne 2.84 GHz en
polarisation verticale. Il est situ 30.78 m d'altitude, et sa demi-ouverture de lobe d'antenne
est de 0.195 avec un diagramme d'antenne en sinus cardinal. Le radar pointe lvation nulle
et sa rsolution horizontale est de 600 m. Le radar grant des signaux 446 cases en distance,
sa porte thorique est de 267 km.

Figure 52 : Lieu de la mesure Wallops '98, sur les ctes de Virginie. La


trajectoire trace en vert indique celle de l'hlicoptre ayant effectu les
mesures d'indice de rfraction.
Les donnes tudies sont celles mesures le 2 avril 1998. En tout, 23 cartographies azimutdistance de SNR ont t mesures : 4 cartographies l'ont t 1 heure d'intervalle, puis 15
cartographies 10 minutes d'intervalle, et enfin 4 autres cartographies 30 minutes
d'intervalle. La Erreur ! Source du renvoi introuvable., ci-aprs, donne un exemple de
cartographie de SNR mesure durant la campagne Wallops '98. Afin de garder un niveau de
puissance de signal utile suprieur celui du bruit, les donnes sont tudies sur les premiers
60 km.
83

Mesures atmosphriques

Durant ces mesures, un hlicoptre quip d'un rfractomtre volait en dents de scie du radar
vers le large en allers-retours sur 60 km afin d'effectuer des mesures d'indice de rfraction le
long d'une direction azimutale privilgie (cf. Figure 52). Chaque mesure durait environ 30
minutes. Cinq vols ont t effectus durant les mesures de SNR. De plus, une boue relevait
les conditions mtorologiques la surface de la mer afin de caractriser les 20 premiers
mtres. La Figure 53 reprsente un exemple de CRM mesur en fonction de la distance. Pour
cela, on reporte en abscisse la distance en km ajoute au CRM en unit-M, et en ordonne
l'altitude en m. Il faut noter que chaque vol de l'hlicoptre s'effectuant sur 30 minutes, les
conditions atmosphriques peuvent varier significativement durant la mesure. Ainsi ces
mesures de CRM donnent une trs bonne ide des conditions atmosphriques en prsence,
mais ne reprsentent pas une donne exacte.

Figure 53 : Exemple de mesure atmosphrique effectue durant la


campagne Wallops '98.

Mise en forme des donnes

Comme mentionn dans la section B.II.1.c, les donnes de SNR ncessitent un prtraitement
afin de travailler avec des facteurs de propagation, indpendants de l'tat de mer et de la
puissance du radar. La dynamique du fouillis de mer en fonction de l'angle de rasance tant
prise en compte lors de la modlisation du facteur de propagation (cf. section B.I.3.c), il reste
normaliser le signal reu. Dans le cadre des donnes Wallops '98, le choix a t fait de
normaliser les valeurs du facteur de propagation par leur valeur calcule 10 km. Cela revient
travailler avec le facteur de propagation normalis Fn2, tel que :

84

Fn2 =

F2
,
F102 km

(60)

o F2 est le facteur de propagation en fonction de la distance, et F102 km est le facteur de


propagation 10 km.
Cette opration est immdiatement applicable avec les lments de la base de donnes. Afin
de travailler sur des donnes similaires partir des SNR mesures, on utilise la relation :

Fn2 =
=

2
Fmes
=
Fm210 km

SNRmes
SNR10km

Pmes
P10km

(61)

2
reprsentent respectivement la SNR, la puissance et le facteur de
o SNRmes, Pmes et Fmes

propagation relevs par le radar en fonction de la distance, et o SNR10km, P10km et Fm210km


reprsentent respectivement la SNR, la puissance et le facteur de propagation relevs par le
radar 10 km. La relation (Eq. 61), dduite de l'quation radar (Eq. 41), est vraie partir du
moment o le bruit est considr constant avec la distance.
Le rapport signal bruit mesur par le radar a de plus t liss en distance par une fentre
glissante et moyenn en azimut sur 5 afin de supprimer le bruit d aux fluctuations rapides
du fouillis de mer. La Erreur ! Source du renvoi introuvable. donne un exemple de donne
mesure ( gauche) et aprs traitement ( droite). Seul le quart Sud-Est est gard car il y a de
petites les hors de ce cadre qui modifient le fouillis et donc la puissance reue. Le facteur de
propagation normalis Fn2 extrait de ce fouillis mesur est trac droite et forme la donne
inversible. Lhorizontale et la verticale vers les distances positives correspondent
respectivement aux azimuts 90 et 180.

Figure 54 : gauche, mesure de SNR par le radar SPANDAR. droite, la


mme donne aprs traitement : facteur de propagation normalis Fn2,
moyenn en distance et en azimut, fix 0 dB 10 km. Les abscisse et
ordonne donnent les distances horizontale et verticale lantenne en km.
85

D.II.2. Travaux effectus


Les deux mthodes d'inversion retenues, la MI0 et la MuLS-SVM, ont t appliques aux
donnes Wallops '98. Ces travaux ont amen des amliorations de la technique RFC retenue
et ces dernires sont ici prsentes par tapes successives.
En premier lieu, les rsultats RFC sont exposs pour des conduits de surface invariants en
distance. L'algorithme est alors amlior, et les tapes de perfectionnement du systme sont
dtailles. Ensuite, un paramtre introduisant une variation des conduits en distance est
introduit, et les rsultats avec ce nouveau modle atmosphrique sont prsents. Des
amliorations sont par la suite apportes ; la mthode finale est formule mathmatiquement
et les nouveaux rsultats sont comments. Avant de conclure sur la campagne Wallops '98, les
rsultats des inversions en terme de CRM sont prsents en comparant les conduits inverss
avec les mesures disponibles.

Application des algorithmes MI0 et MuLS-SVM

Dans un premier temps, les conditions de rfraction sont considres pouvant tre
modlisables par un modle tri-linaire de conduit de surface trois paramtres (cf. section
B.I.1.b). Au vu des rsultats obtenus sur les donnes VAMPIRA, la mthode RFC a t
applique aux donnes Wallops 98 en utilisant les algorithmes MI0 et MuLS-SVM. La base
de donnes pr-gnre est constitue de 10000 lments, soit 10000 combinaisons des 3
paramtres zb, c2 et zthick, dont les valeurs ont t tires par hypercube latin (cf. section
C.I.1.c).
Les rsultats obtenus avec la MI0 sur une premire donne sont illustrs sur la Figure 55. Sur
celle-ci :
-

en (1) est reprsente la donne mesure mise sous forme inversible : il sagit du
facteur de propagation normalis Fn2 obtenu partir des mesures de fouillis, moyenn
tous les 600 mtres en distance et tous les 5 en azimut, et dont la valeur 10 km est
fixe 0 dB pour saffranchir des constantes inconnues, comme expliqu ci-dessus.

En (2) est reprsente la cartographie de facteur de propagation normalis Fn2, en


fonction des mmes azimuts, obtenue par MI0. On constate que la donne est bien
approche jusqu environ 145. Aprs cet azimut, la dynamique ne correspond plus
celle de la mesure.

En (3) sont reprsentes les valeurs des paramtres retrouvs par inversion chaque
azimut. zb, c2 et zthick sont ainsi tracs en fonction de l'azimut variant de 85 180. On
retrouve une discontinuit sur le paramtre c2 145, qui correspond aux dynamiques
non retrouves par la MI0.

Enfin, en (4) sont reprsents les profils de CRM chaque azimut. Pour cela, on trace
en abscisse le CRM plus l'angle d'azimut en degrs, et en ordonne l'altitude en m.

86

Figure 55 : Premire donne : rsultat de linversion par MI0 pour un


modle de conduit de surface 3 paramtres. En (1) est reprsent le
facteur de propagation Fn2 inverser en fonction de lazimut, en (2) celui
invers, en (3) la valeur des paramtres inverss en fonction de lazimut, et
en (4) les profils de CRM en fonction de laltitude et de lazimut.
Les rsultats de la mthode MuLS-SVM ne sont pas prsents. En effet, les paramtres
retrouvs sont trop souvent aberrants, notamment des paisseurs de conduit souvent ngatives
sont rgulirement obtenues. Ce rsultat est a priori tonnant. Il faut souligner que
l'algorithme MuLS-SVM est bas sur une rgression pseudo-orthogonale, elle-mme base
sur une diffrence quadratique. Or, l'erreur quadratique sur les facteurs de propagation peut
tre faible pour 2 conduits sensiblement diffrents, comme illustr en section D.II.2.b ciaprs. Il en est de mme pour la MI0 mais cette dernire ne peut fournir de rsultat aussi
aberrant car elle ne fait que "choisir" dans la base de donnes la solution la plus proche.
Aucune des deux mthodes ne donne donc de rsultat satisfaisant
partir de ces premiers rsultats, le choix a t fait d'amliorer au maximum l'approche la
plus simple, la MI0. Ces amliorations pourront ventuellement tre adaptes la mthode
MuLS-SVM ultrieurement.

Amlioration de la MI0
Introduction d'un critre discriminant

Pour amliorer la mthode, lide est de trouver un critre discriminant afin que seules les
courbes ressemblant la mesure dun point de vue variationnel soient prises en compte dans
linversion. La variance pourrait tre discriminante, mais une courbe prsentant des variations

87

trs rapides autour de sa moyenne a la mme variance que celle ayant des variations lentes.
Les tests ont donc cart la variance comme nouveau critre.
Le critre discriminant qui a t retenu est la Moyenne des Valeurs Absolues des Drives
(MVAD) des facteurs de propagation. La MVAD se dfinit comme lintgrale de la valeur
absolue de la drive du facteur de propagation sur la distance considre :
MVAD =

Rmin

1
Rmax

Rmax

Rmin

dFn2 ( x)
dx ,
dx

(62)

o Rmin et Rmax sont les distances minimum et maximum de la mesure ici 10 et 60 km. En
pratique, le facteur de propagation tant chantillonn en distance, la MVAD se dfinit
comme une moyenne de la valeur absolue de la drive de Fn2 sur lensemble des cases
distance radar considres.

Figure 56 : Exemple de Fn2 obtenu partir des mesures aprs traitement (en
bleu), superpos aux facteurs de propagation inverss par MI0 : sans
facteur discriminant (en vert) et avec le facteur discriminant (en rouge).
La Figure 56 reprsente un exemple de facteur de propagation Fn2 mesur en bleu, le rsultat
obtenu par inversion par MI0 sans contrainte en vert, et celui obtenu par MI0 avec contrainte
en rouge. Si le rsultat retrouv par MI0 seule minimise lerreur quadratique, il correspond
des conditions de rfraction trs diffrentes de celle des donnes, comme en tmoigne sa
dynamique moins chahute que celle de la mesure. Quand la contrainte est applique, on
obtient un facteur de propagation invers moins prcis que linitial en terme derreur
quadratique, mais dont les variations correspondent celles de la mesure.
Ainsi, lors de linversion par MI0 sous contrainte, on ne prend en compte que les facteurs de
propagation dont la MVAD est proche de celle du facteur de propagation mesur. La Figure
57 reprend lexemple de la Figure 55, mais la technique ici utilise est la MI0 avec le facteur
discriminant. On peut constater limpact positif que cette amlioration apporte au niveau du

88

facteur de propagation invers (2), dont les figures dinterfrence sont proches de celles de la
mesure (1).
On introduit les coefficients i calculs en fonction de la prcision du facteur de propagation
retrouv par inversion. Un profil est considr comme prcis (i = 1) pour une erreur
quadratique moyenne Fn2 sur le facteur de propagation mesur infrieure ou gale 5 dB2.
Il est considr imprcis (i = 0) pour une erreur quadratique moyenne Fn2 sur le facteur de
propagation mesur suprieure ou gale 24 dB2. Entre les deux, le coefficient i varie
linairement avec lerreur quadratique :
Fn2 5 dB 2

i = 1

(prcis)

Fn2 24 dB 2

i = 0

(imprcis) .

5 dB 2 Fn2 24 dB 2 i =

(63)

24 Fn2
24 5

Dsormais, dans la reprsentation des profils de CRM en fonction de l'azimut et de l'altitude


graphe (4) des figures de rsultat d'inversion (cf. e.g. la Figure 57) on introduit la prcision
du facteur de propagation selon un code de couleur : en bleu sont tracs les conduits dont le
facteur de propagation correspond de faon prcise la mesure (i = 1), et en rouge ceux pour
lesquels le facteur de propagation invers est imprcis (i = 0). Entre les deux, la couleur
varie entre les deux extrmes suivant la valeur de i. Ainsi, la reprsentation des profils donne
in visu la prcision de l'inversion en terme d'erreur quadratique moyenne.
On constate cependant, sur la reprsentation des paramtres (3) et des profils en fonction de
lazimut (4) que le rsultat obtenu nest pas continu en azimut, en particulier par rapport au
paramtre c2.

89

Figure 57 : Inversion par MI0 (premire donne) : modle de conduit de


surface 3 paramtres. La contrainte sur la MVAD est applique. (1) Fn2
mesur (2) Fn2 invers (3) paramtres inverss en fonction de l'azimut (4)
CRM en fonction de l'azimut.
Lissage des paramtres
Il a donc t dcid de lisser les paramtres inverss avec lazimut pour profiter de la
proprit physique de continuit du CRM. Afin de donner moins dimportance aux conduits
les plus errons (caractriss par une erreur plus importante sur Fn2), linformation sur la
prcision des conduits au regard du facteur de propagation caractrise par les coefficients i
(Eq. 63) est utilise. Pour calculer la valeur du paramtre m i du conduit atmosphrique aprs
lissage, correspondant au ime profil en azimut, on applique la formule :

i 1 mi 1
m i =

i 1
4

i mi

i
2

+
+

i +1 mi +1

i +1

(64)

On remarquera quen prsence de 3 conduits prcis, le lissage revient appliquer un filtre


passe-bas en sinus cardinal (rponse relle en triangle).

Figure 58 : Inversion par MI0 (premire donne) : modle de conduit de


surface 3 paramtres. La contrainte sur la MVAD est applique et les
paramtres sont lisss. (1) Fn2 mesur (2) Fn2 invers (3) paramtres
inverss en fonction de l'azimut (4) CRM en fonction de l'azimut.
90

La Figure 58 traite des mmes donnes que celles de la Figure 57 aprs lissage des
paramtres. Les valeurs des paramtres, comme la cartographie de facteur de propagation,
gagnent en cohrence azimutale. La dynamique du facteur de propagation est mieux
approche, et la continuit du CRM en fonction de lazimut est un bon point pour la
cohrence du rsultat.
Durant les deux amliorations de la mthode MI0 (critre discriminant et lissage azimutal), la
prcision sur le facteur de propagation en terme derreur quadratique est videmment
dgrade. Cependant, linformation finalement intressante est davoir une ide aussi prcise
que possible des conditions atmosphriques en prsence. La Figure 58 (4) donne une
reprsentation azimutale relativement prcise des conditions atmosphriques modlises par
des conduits de surface tri-linaires invariants en distance.
On pourra remarquer ce niveau que quels que soient les critres retenus et les conditions de
rfraction, le profil retrouv l'azimut 180 reste globalement le mme. Ce fait a t constat
sur l'ensemble des donnes traites. Ce phnomne est d la prsence d'un lot qui modifie
la propagation des ondes lectromagntiques. Les rsultats obtenus 180 (et 175 par lissage)
ne sont donc pas pertinents et ne seront plus reprsents sur les cartographies de Fn2.
c

Limitations de la mthode

Un deuxime exemple a t choisi pour montrer les limitations de la MI0 sous contrainte. La
Figure 59 prsente les rsultats obtenus sur ce deuxime exemple en lissant les paramtres
obtenus par MI0 contrainte. Il apparat que les facteurs de propagation obtenus (2) ne
correspondent pour la plupart pas la mesure. En lissant les valeurs des paramtres retrouves
par inversion, on met la lumire les erreurs sur les paramtres inverss. En effet entre 120
et 140, le facteur de propagation comme les paramtres inverss prsentent une forte
rgularit et restitue correctement le facteur Fn2 mesur. En revanche, hors de cette zone, le
facteur de propagation chaotique tmoigne de lerreur commise sur le CRM.
Remarquons que grce la cohrence azimutale des cartographies mesures, la cartographie
finalement retrouve aprs lissage permet de juger de la crdibilit de linversion. Sur cet
exemple, on constate facilement in visu que la mthode ne retrouve pas de profil
atmosphrique restituant le Fn2 mesur.
Cette mthode ncessite donc une nouvelle amlioration. Il a t dcid d'ajouter un degr de
libert aux profils atmosphriques en introduisant une variabilit en distance.

91

Figure 59 : Inversion par MI0 (deuxime donne) : modle de conduit de


surface 3 paramtres. La contrainte sur la MVAD est applique et les
paramtres sont lisss. (1) Fn2 mesur (2) Fn2 invers (3) paramtres
inverss en fonction de l'azimut (4) CRM en fonction de l'azimut.
d

Complexification du modle de conduit atmosphrique

En milieu ctier, il a t constat que la variation la plus courante de CRM est une lvation
du conduit de surface en sloignant de lantenne [Stapleton et al., 2003]. Afin daffiner
linversion, les mthodes MI0 et MuLS-SVM ont t appliques en prenant en compte une
modlisation des conditions de rfraction 4 paramtres : 3 paramtres dcrivent le profil
dindice au niveau de lantenne, et 1 paramtre supplmentaire zb rend compte de la variation
du CRM avec la distance et sur l'ensemble du parcours (de l'antenne 60 km), comme illustr
sur la Figure 60. Les deux mmes exemples de donnes radar sont tudis. La taille de la base
de donnes est passe 30000 lments pour ltude 4 paramtres.

92

Figure 60 : Modlisation d'un conduit 4 paramtres variant en distance.


Le paramtre zb traduit la variation d'altitude du conduit de surface trilinaire.
Le rsultat sur le premier exemple est donn sur la Figure 61. On remarquera que la
cartographie des profils atmosphriques en fonction de l'azimut (4) reprsente les conduits au
niveau de l'antenne. Un graphe est ajout dans la figure Figure 61 (3) afin de reprsenter les
variations du nouveau paramtre zb avec l'azimut.
Il apparat que la cartographie de facteur de propagation est trs bien approche. En rajoutant
un paramtre au modle de conduit, ce qui attribue un degr de libert supplmentaire, on
obtient des rsultats plus proches de ceux mesurs. Ce modle 4 paramtres reste simple
tout en permettant dapprocher avec prcision les facteurs de propagation mesurs. On
remarquera que la cartographie des profils atmosphriques en fonction de l'azimut (4)
reprsente les conduits au niveau de l'antenne. Il reste cependant un bmol sur ces rsultats :
en observant les rsultats sur le paramtre zb en fonction de l'azimut (3), il parait suspect que
le conduit de surface slve avec la distance autour de lazimut 115 pour redescendre avec la
distance autour de lazimut 135.

93

Figure 61 : Inversion par MI0 (premire donne) : modle de conduit de


surface 4 paramtres. La contrainte sur la MVAD est applique et les
paramtres sont lisss. (1) Fn2 mesur (2) Fn2 invers (3) paramtres
inverss en fonction de l'azimut (4) CRM en fonction de l'azimut.
Le rsultat sur le deuxime exemple est donn sur la Figure 62. Encore une fois, le facteur de
propagation est bien approch, et ce malgr le lissage effectu sur les paramtres. Les portions
en bleu fonc sur la cartographie du facteur de propagation correspondent des minima qui
sont plus marqus avec un logiciel de simulation que durant des mesures. On peut cependant
encore mettre un doute sur le paramtre zb, celui-ci tant ngatif puis positif sur des azimuts
proches. Ce problme a t spcifiquement tudi dans la section suivante.

94

Figure 62 : Inversion par MI0 (deuxime donne) : modle de conduit de


surface 4 paramtres. La contrainte sur la MVAD est applique et les
paramtres sont lisss. (1) Fn2 mesur (2) Fn2 invers (3) paramtres
inverss en fonction de l'azimut (4) CRM en fonction de l'azimut.
e

Utilisation de la cohrence azimutale

Afin de lever le doute sur des variations trop importantes du paramtre grant la variation en
distance du profil, l'ide est d'ajouter une nouvelle contrainte dans l'inversion.
Physiquement, il parait assez douteux que le paramtre zb dcrivant la variation en altitude
du conduit puisse varier autant avec l'azimut que sur les deux exemples prsents.
L'amlioration ensuite apporte consiste donc forcer les conduits inverss suivre un
deuxime critre : une cohrence azimutale du comportement des conduits en fonction de la
distance. Ainsi, le paramtre zb doit varier dans des proportions bornes sur toute la plage
azimutale. Pour cette tude, la variation maximum du paramtre zb sur toute la plage
azimutale est fixe 25 m.
Les mesures d'indice de rfraction n'ayant t effectues que selon un seul azimut durant la
campagne Wallops '98, cette hypothse ne peut tre corrobore par des mesures et ne fait
appel qu'au sens physique du problme.
Les rsultats de la nouvelle mthode dveloppe sont en premier lieu exposs sur les deux
exemples tudis ci-dessus, puis sur deux autres exemples tirs de la campagne Wallops '98.
Enfin, ces rsultats sont interprts physiquement.
La Figure 63 reprsente le rsultat sur le premier exemple. Il apparat, en comparant le graphe
(4) celui de la Figure 61, que la prcision est meilleure en terme de diffrence quadratique
en appliquant la deuxime contrainte. De plus, le paramtre zb gagne en continuit azimutale.
Le rsultat est donc lgrement plus prcis et apparat comme plus cohrent.

95

Figure 63 : Inversion par MI0 (premire donne) : modle de conduit de


surface 4 paramtres. Les contraintes sur la MVAD et sur les variations
du paramtre zb sont appliques, et les paramtres sont lisss. (1) Fn2
mesur (2) Fn2 invers (3) paramtres inverss en fonction de l'azimut (4)
CRM en fonction de l'azimut.
Le deuxime exemple, dont le rsultat est reprsent sur la Figure 64, est plus intressant. On
constate, en comparant le graphe (4) avec celui de la Figure 62, que la prcision sur le facteur
de propagation est bien meilleure, et que de surcrot la cohrence azimutale est augmente.
Non seulement le paramtre zb, sur lequel est appliqu la seconde contrainte, gagne en
continuit, mais un effet similaire est observ sur le paramtre c2. Finalement, pousser le
paramtre zb tre continu avec l'azimut force les conduits dans leur ensemble suivre une
continuit azimutale. Ces rsultats appuient donc la cohrence des rsultats obtenus.

96

Figure 64 : Inversion par MI0 (deuxime donne) : modle de conduit de


surface 4 paramtres. Les contraintes sur la MVAD et sur les variations
du paramtre zb sont appliques, et les paramtres sont lisss. (1) Fn2
mesur (2) Fn2 invers (3) paramtres inverss en fonction de l'azimut (4)
CRM en fonction de l'azimut.
Rsultats sur deux exemples supplmentaires
Afin d'illustrer les rsultats sur d'autres exemples significatifs de l'ensemble des donnes
accessibles, 2 cas supplmentaires sont prsents. Sur chaque exemple, deux figures A et B
sont prsentes et correspondent :
-

pour les graphes A aux rsultats de la MI0 applique avec un conduit atmosphrique
4 paramtres en considrant le critre sur la MVAD et en lissant les paramtres
retrouvs ;

pour les graphes B ceux obtenus en appliquant le critre supplmentaire sur la


variation azimutale du paramtre zb.

Les rsultats obtenus sur le troisime exemple sont reports sur la Figure 65. Les paramtres
retrouvs sont lisss dans les deux cas suivant lEq. (64).
On constate en premier lieu, sur ce troisime exemple, que la premire inversion n'est pas trs
performante (partie A). L'aspect chaotique de la cartographie de facteur de propagation
retrouve indique une non continuit dans les paramtres retrouvs avant lissage, et donc des
rsultats errons. En appliquant le critre sur le paramtre zb (partie B), les rsultats sont plus
cohrents en azimut et le facteur de propagation gagne en prcision lors du lissage des
paramtres. Ainsi, en dgradant le critre de minimisation de l'erreur quadratique au profit de
la cohrence azimutale, on peut amliorer la prcision, car les paramtres ensuite lisss
spatialement prennent des valeurs cohrentes dues leur continuit.
97

Les rsultats sur le quatrime exemple sont reprsents sur la Figure 66. Cette donne illustre
parfaitement l'intrt de la deuxime contrainte : les valeurs chahutes des paramtres en
fonction de l'azimut, quand la contrainte n'est pas applique (A), entranent nouveau un
rsultat relativement mauvais sur le facteur de propagation d au lissage des paramtres, non
continus avec l'azimut. En B, la contrainte applique sur zb force une plus grande
cohrence azimutale, ce qui entrane une variation beaucoup plus rgulire du paramtre c1.
Ainsi, lors du lissage des paramtres, les valeurs retrouves sont proches des valeurs relles,
et la prcision sur le facteur de propagation est bien meilleure. Cette prcision donne une
grande confiance dans les profils d'indice retrouvs par cette mthode.

98

Figure 65 : Inversion par MI0 (troisime donne) : modle de conduit de


surface 4 paramtres. En A : contrainte sur la MVAD applique ; en B :
contrainte supplmentaire sur le paramtre zb applique ; les paramtres
retrouvs sont lisss. (1) Fn2 mesur (2) Fn2 invers (3) paramtres inverss
en fonction de l'azimut (4) CRM en fonction de l'azimut.

99

Figure 66 : Inversion par MI0 (quatrime donne) : modle de conduit de


surface 4 paramtres. En A : contrainte sur la MVAD applique ; en B :
contrainte supplmentaire sur le paramtre zb applique ; les paramtres
retrouvs sont lisss. (1) Fn2 mesur (2) Fn2 invers (3) paramtres inverss
en fonction de l'azimut (4) CRM en fonction de l'azimut.
100

D.II.3. Formulation de la mthode et synthse des rsultats


a

Formulation mathmatique de la mthode

Le principe de l'inversion par MI0 sur lensemble des azimuts est de rsoudre le systme :
j {1,..., naz },

min eij ,

(65)

i =1,..., N

o naz est le nombre total d'azimuts sur lesquels l'inversion est effectue. eij correspond
l'erreur quadratique entre la mesure inverser et le ime facteur de propagation de la base de
donne pr-gnre sur le jme azimut, dfinie par :

2
P
eij = ( Fn2 k mes ) j ( Fn2 k BDD ) i ,
k =1

(66)

o ( Fn2 k mes ) j reprsente le kime point du facteur de propagation normalis inverser, obtenu
partir de la SNR mesur sur le jme azimut, et ( Fn2 k BDD ) i reprsente le kime point du ime facteur
de propagation normalis de la base de donnes. P est la taille des vecteurs de facteur de
propagation normalis.
En ajoutant la contrainte sur la MVAD, le nouveau systme devient :
j {1,..., naz },

min eij

i =1,..., N

sous la contrainte :
j {1,..., naz },

(67)

MVAD mes MVAD j < MVAD

o MVADmes est la MVAD du facteur de propagation mesur, MVADj est la MVAD du


facteur de propagation minimisant l'erreur quadratique sur le jme azimut, et MVAD est un
paramtre du systme d'inversion. Dans cette tude, MVAD est fix 0.05 dB/km.
Appliquer la contrainte supplmentaire sur la variation de hauteur du conduit revient
rsoudre le systme :
j {1,..., naz },

min eij

i =1,..., N

sous la double contrainte :

(68)

j {1,..., naz }, MVAD mes MVAD j < MVAD

z b max z b min < z b

o zbmax et zbmin reprsentent respectivement les valeurs maximum et minimum du


paramtre zb retrouves par MI0 sur l'ensemble des azimuts avant lissage des paramtres.
zb est un paramtre du systme d'inversion. Dans cette tude, zb est fix 25 m.

101

Synthse des rsultats


Rsultats en terme de SNR

La mthode linaire MI0 tait considre a priori trop simple pour rsoudre ce problme
complexe de RFC. En effet, l'inversion effectue est clairement non linaire et le problme est
mal pos. Les amliorations successives de la MI0 aident lever le caractre mal pos du
problme. En effet, comme il est illustr sur la Figure 56, le seul critre des moindres carrs
est un critre insuffisant pour mener linversion. Le problme idal, tel qu'tudi dans la
section C.III en l'absence de bruit, est un problme "presque mal pos", c'est--dire qu'il
devient mal pos en prsence de bruit. C'est pourquoi la MI0 reste pertinente sur les donnes
simules. En prsence de bruit et de conditions atmosphriques ne correspondant pas
parfaitement aux modles de conduits, le problme devient effectivement mal pos et des
critres supplmentaires doivent permettre l'algorithme de choisir automatiquement le
conduit le plus adapt.
Le premier critre retenu est la MVAD. Comme il a dj t signifi, ce critre permet
d'laguer la base de donnes en n'y gardant que les conduits prsentant les mmes
caractristiques que la mesure d'un point de vue variationnel. Ceci permet d'enlever des
rsultats potentiels les facteurs de propagation connaissant des variations plus lentes ou plus
rapides que la mesure, mais tant cependant trs proches de celle-ci au sens des moindres
carrs. La section D.II.2.b illustre bien les progrs de la mthode MI0 quand cette contrainte
lui est adjointe.
Le fait de complexifier le conduit de surface, en lui rajoutant un quatrime paramtre
dcrivant sa variation en distance comme illustr sur la Figure 60 introduit deux effets :
-

L'effet positif est que la prcision de l'inversion est meilleure, et qu'ainsi les facteurs
de propagation retrouvs dans la base de donnes sont beaucoup plus proches de la
mesure qu'en utilisant des conduits 3 paramtres constants en distance.

L'effet ngatif qui l'accompagne est que cela accentue le caractre mal pos du
problme : plus les conditions atmosphriques sont modlises par de nombreux
paramtres, plus il y a de possibilits pour retrouver des facteurs de propagation
proches pour des jeux de paramtres diffrents.

C'est pourquoi un deuxime critre a t ajout afin de forcer la cohrence des conduits en
azimut. Ce critre force le paramtre zb du conduit atmosphrique (cf. Figure 60) ne varier
que dans des limites imposes. Les valeurs de ce paramtre sont donc comprises dans une
bande de largeur zb. Le centre de cette bande est choisi de sorte minimiser le critre
d'erreur quadratique. Pour illustrer l'effet de ce critre sur le caractre mal pos du problme,
prenons le quatrime exemple (cf. Figure 66). Sans appliquer ce critre (A), on constate
qu'entre 100 et 105, le conduit le plus prcis est plus haut, pente moins forte, lgrement
moins pais que ceux aux azimuts voisins. Et surtout, le conduit est considr comme montant
entre 100 et 105, alors qu'il est considr comme descendant aux azimuts proches. C'est
pourquoi le facteur de propagation invers est faux : presque tous les conduits sont considrs
comme "imprcis". En forant le paramtre zb une plus grande cohrence, on s'aperoit
que tous les paramtres retrouvs par inversion sont proches des paramtres retrouvs aux
azimuts voisins. On profite ainsi pleinement de la cohrence spatiale du phnomne physique,
et le rsultat est confirm par des facteurs de propagation "prcis" aprs lissage des
paramtres.

102

Rsultats en terme de CRM


Les rsultats sur les profils d'indice de rfraction peuvent finalement tre compars aux
mesures atmosphriques effectues in situ. Comme indiqu dans la description de la
campagne Wallops 98 (section D.II.1.b), 5 mesures de CRM ont t effectues en combinant
les relevs dun rfractomtre embarqu sur hlicoptre et des mesures sur boue pour la
premire vingtaine de mtres de hauteur. Remarquons que sur certaines passes, des
discontinuits apparaissent sur les mesures autour de 20 m, au raccord entre mesures par
boue et par rfractomtre (cf. Figure 67).
Les rsultats de comparaison sur ces 5 cas sont prsents sur la Figure 67. Le CRM est trac
en fonction de l'altitude et de la distance. Le trac en bleu correspond la donne mesure,
l'azimut 150, et le trac en rouge pointill correspond au conduit invers cet azimut. Les
rsultats retrouvs par inversion correspondent globalement la ralit de la mesure : des
conduits de surface faible altitude. Il faut cependant garder l'esprit que chaque mesure
atmosphrique a t effectue en 30 minutes, temps ncessaire l'hlicoptre pour effectuer
son vol complet. Ainsi, chaque mesure de CRM est " cheval" sur trois mesures de SNR. Le
rsultat prsent est celui obtenu sur la mesure de SNR mdiane.
La variabilit 10 minutes des conditions de rfraction sur la campagne Wallops 98 est
importante et se constate sur les cartographies de fouillis mesures. Ainsi, les simulations de
Fn2 effectues avec en donnes dentre ces profils mesurs ne restituent pas forcment le Fn2
mesur (cf. la Figure 14 de [Yardim et al., 2006a]). La mesure de ces profils de CRM nest
donc pas suffisamment prcise pour permettre une relle validation, et celle-ci ne peut tre
que qualitative.
On peut tout de mme noter une bonne adquation entre la mesure et le profil invers. La
force du conduit est en particulier bien reprsente. Il apparat donc que la mthode MI0
combine aux deux contraintes donne de bons rsultats en RFC, tant sur le facteur de
propagation que sur le CRM.

103

Figure 67 : Rsultat des inversions en terme de CRM sur les 5 cas


accompagns de mesures de CRM.

104

D.II.4. Conclusion sur les donnes Wallops 98


Les deux mthodes dinversion retenues, MI0 et MuLS-SVM, ont t appliques aux donnes
Wallops 98. Les rsultats obtenus ont rvl lchec des deux approches et donc la ncessit
dune amlioration de ces dernires. La mthode MuLS-SVM, plus complexe mettre en
uvre, a t mise de ct pour permettre de mettre au point de manire intuitive lapproche la
plus simple, la MI0.
Une amlioration de lapproche MuLS-SVM en considrant le critre de la MVAD dans sa
fonction de cot est possible mais ncessiterait de modifier lgrement la fonction noyau.
Rajouter une cohrence azimutale sur le paramtre de variation de hauteur du conduit
demanderait de se pencher plus longuement sur le problme.
La mthode MI0 sest rvle plus prcise que prvu. Le caractre mal pos du problme, et
la complexit dune inversion 3 ou 4 paramtres laissaient prjuger dun chec de la
mthode MI0, linaire. Cependant, en lamliorant avec un critre adquat discriminant sur la
base de donnes pr-gnre, et en forant une cohrence azimutale, on obtient une mthode
puissante et temps rel. On peut dtailler les diffrentes tapes de la mthode :
-

prtraitement de la mesure pour la transformer en donne inversible demandant un


lissage et un filtrage ;

application du critre sur la MVAD s'effectuant par plus proches voisins sur
l'ensemble de la base de donnes ;

application de la MI0 en elle-mme sur la base de donne rduite, les facteurs de


propagation les plus proches au sens des moindres carrs sont classs par ordre
croissant de prcision ;

application du critre de cohrence azimutale sur le paramtre zb des conduits


inverss ;

lissage des paramtres en azimut en prenant compte des erreurs commises sur le
facteur de propagation ;

calcul de la cartographie de facteur de propagation normalis (facultatif).

La technique RFC dveloppe et base sur la MI0 est efficace. Les conduits retrouvs par
inversion, sils ne traduisent pas exactement les conditions de rfraction relles, restent
proches des conduits mesurs. Il sont de plus cohrents en azimut sur les exemples prsents
et retranscrivent avec une prcision satisfaisante les facteurs de propagation mesurs. Cette
mthode est finalement une mthode prometteuse pour appliquer la RFC en temps rel.
L'ensemble des rsultats sur les donnes de la campagne Wallops '98 est expos en Annexe F.
On constate que sur une partie des donnes, la continuit azimutale n'est pas satisfaite. Les
conduits retrouvs restent proches de ceux mesurs (cf. Figure 67), mais la cartographie de
facteur de propagation normalis trahit cette discontinuit azimutale (cf. e.g. Figure 76). En
effet, il suffit d'un coup d'il la cartographie du facteur de propagation Fn2 invers pour
juger de la pertinence de l'inversion. On obtient ainsi une mthode efficace, rapide, et donnant
accs un critre de confiance visuel. Il faut noter que la cohrence temporelle des mesures
na pas t exploite dans cette tude. En la prenant en compte dans une amlioration
prochaine, le systme RFC peut encore tre rendu plus performant.
Pour amliorer la mthode MI0 sous contraintes actuelle, le modle de conduit de surface peut
encore tre complexifi pour amliorer la prcision de l'inversion, condition de matriser le

105

caractre mal pos du problme inverse apport par un ou plusieurs paramtres


supplmentaires.
Soulignons enfin que la bande de frquence, ici la bande S, joue un rle trs important sur le
comportement des ondes lectromagntiques. Le problme est d'autant plus non linaire que
la frquence augmente, mais celle-ci doit tre suffisamment leve afin que les effets de
rfraction soient significatifs.

106

Chapitre E/

CONCLUSION

107

Annexe A. LE MODLE DE SERN GIT


1

Le modle GIT

Le modle semi-empirique GIT dcrit la SERN de la surface de mer en fonction de l'angle


d'incidence de l'onde lectromagntique, de la vitesse du vent, de la hauteur moyenne des
vagues (ces deux dernires tant corrles), de la direction du vent, de la longueur d'onde
lectromagntique et de la polarisation. Le domaine de validit de ce modle est de 1 10
GHz en frquence, de 0.1 10 en angle de rasance et de 110-7 110-6 s en longueur de
pulsation, domaine dans lequel il se veut prcis 5 dB prs [Horst et al., 1978]. Le modle de
0 est calcul comme le produit de trois composantes : une composante "multitrajet", une
composante "direction du vent" et une composante "vitesse du vent".
La composante "multitrajet" est calcule dans le cas d'une surface de mer la distribution
Gaussienne de hauteurs des vagues et parfaitement conductrice. On pose H l'cart-type de la
hauteur des vagues. Le paramtre de rugosit est dcrit par :

4 sin g

H =

2 2 g hmoy

(69)

o est la longueur d'onde du radar et hmoy est la hauteur moyenne des vagues. g tant petit,
on a : sin(g) g. Dans l'hypothse d'une mer dont les hauteurs de vagues ont une
distribution Gaussienne, on a effectivement :

H =

hmoy
2

(70)

Le terme "multitrajet" Am traduit la diffrence entre le trajet direct et l'onde diffuse par la
surface en polarisation horizontale, toujours dans l'hypothse d'une distribution Gaussienne de
hauteur des vagues. Am peut alors s'exprimer de la forme :
Am =

4
1 + 4

(71)

On peut alors remarquer que plus l'angle d'incidence g est faible (angles rasants), plus la
dpendance cet angle est forte. Le modle prsente donc deux rgions spares par un angle
d'incidence critique : une premire avec une forte dpendance l'angle de rasance et une
deuxime sous forme d'un plateau o la SERN ne dpend presque plus de cet angle. L'angle
critique c, dfini comme la rencontre entre les deux asymptotes, s'exprime de la forme :

c =

Khmoy

(72)

o le facteur K dpend de la frquence. Les valeurs K = 10.5 915 MHz et K = 6.3 9.3 GHz
ont t retrouves exprimentalement. De l, on adapte l'Eq. (69) en introduisant une
dpendance linaire en la place de la constante, afin que l'angle critique corresponde la
valeur = 1. Le paramtre de rugosit devient alors :
108

(14.4 + 5.5) g hmoy

(73)

La composante "direction du vent" Au est base sur le rapport entre les amplitudes mesures
contre et dans le sens du vent. On appelle v l'angle entre la direction de vise du radar et la
direction du vent. Les mesures ont montr que la composante "direction du vent" varie
l'inverse de l'angle de rasance et tend vers une valeur finie quand g tend vers 0. De plus, ce
terme est proportionnel 0.4 pour un angle de rasance quasi-nul. Ainsi, on peut exprimer Au
de la forme :

Au = exp 0.2 cos v (1 2.8 g )( + 0.015) 0.4 ,

(74)

o la valeur 0.015 est ajoute afin de limiter l'impact de Au hautes frquences.


Pour la composante "vitesse du vent", une dpendance avec 0.4 a l encore t observe. On
remarque de plus que 0 n'augmente plus partir d'une certaine vitesse de vent. On exprime
donc la composante "vitesse du vent" Aw sous la forme :
1.94 Vw

Aw =
1 + Vw 15.4

1.1( + 0.015 ) 0.4

(75)

o Vw est la vitesse du vent en m/s 10 m d'altitude. Afin de rduire le nombre de variables,


on peut exprimer la hauteur des vagues en fonction de la vitesse du vent pour une mer
pleinement dveloppe.
En combinant tous ces termes, on obtient la formulation de la SERN en polarisation
horizontale du modle GIT :
0.4
0
HH
= 10 log10 (3.9 10 6 g Am Au Aw ) ,

(76)

o la constante 3.9 10-6 a t calcule empiriquement. Une dpendance supplmentaire en


a t remarque. Enfin, le terme g0.4 prend en compte l'effet d'ombre aux angles rasants.
Enfin, pour la polarisation verticale, la diffrence entre les SERN en polarisations verticale et
horizontale au dessus de 3 GHz s'exprime sous la forme :
0
0
VV
HH
= 1.05 ln(hmoy + 0.015)

+ 1.09 ln( ) + 1.27 ln( g + 0.0001) + 9.70

(77)

Les constantes ont t calcules par rgression quadratique sur l'ensemble des mesures de
Nathanson [1969].
En dessous de 3 GHz, celle-ci s'exprime sous la forme :
0
0
VV
HH
= 1.73 ln(hmoy + 0.015)

+ 3.76 ln( ) + 2.46 ln( g + 0.0001) + 22.2

109

(78)

Le modle moins de 3 GHz en polarisation verticale est cependant sujet caution selon les
auteurs car la base de donnes tait trop limite pour effectuer un rgression quadratique
fiable [Horst et al., 1978].
Il faut noter que la SERN 0 correspond en fait un terme 0F4 puisqu'il prend dj en
compte le multitrajet et l'effet d'ombre. La dpendance de la SERN en g4 pour les angles trs
rasants se retrouve dans le terme de multitrajet Am. En effet, pour les angles trs rasants,
est ngligeable devant 1, et Am 4. Or, est proportionnel g (Eq. 69).

Amlioration du modle GIT

Afin de modliser la dpendance de la SERN de la surface de mer, la composante "direction


du vent" Aw du modle GIT a t calcule partir de mesures contre et dans le sens du vent.
Les deux valeurs extrmes ont ensuite t interpoles par une dpendance sinusodale selon la
direction du vent [Horst et al., 1978]. Aprs plusieurs observations, il a t not que le modle
du GIT surestimait la SERN de la mer dans le cas d'un vent transverse. Le modle a donc t
amlior en modifiant le terme de vent transverse du modle GIT [Spaulding et al., 2005]. Le
terme supplmentaire s'exprime sous la forme :
Gm = 1 B sin 2 v ,

(79)

o B est un paramtre fixer entre 0 et 1. La valeur B = 0.6 est la valeur la plus probable pour
le modle priv TSC, trs similaire au modle GIT. La nouvelle composante "direction du
vent" Aunew peut ainsi s'exprimer sous la forme :
Au

new

[(

)]

)(

= exp 1 B sin 2 v 0.2 cos v (1 2.8 g )( + 0.015) 0.4 .

(80)

La SERN est ainsi minimale pour un vent transverse, conformment aux mesures. Le modle
GIT modifi constitue aujourd'hui le modle disponible le plus fiable. Les auteurs annoncent
cependant une marge d'erreur de 5 dB [Horst et al., 1978]. De plus, la validit du modle n'est
pas vidente aux angle trs rasants ; tout d'abord parce qu'il n'y a pas une trs bonne
concordance avec les mesures de validation, phnomne expliqu selon les auteurs par un trop
fort moyennage des donnes. Ensuite, le modle atteint ses limites pour un angle de rasance
de 0.1, aussi il y a un risque de se situer rgulirement aux limites du modle dans le cadre
de la RFC.

110

Annexe B. LE LANCER DE RAYONS


Un des problmes pour le calcul de la SER du fouillis de mer est de connatre l'angle
d'incidence de l'onde. Celui-ci peut tre modlis grce la mthode du lancer de rayons. La
technique utilise est un lancer dit "en aveugle" : on lance des rayons qui seront dvis par les
variations de l'indice de rfraction, puis on rcupre l'angle du rayon atteignant la surface de
mer. La Figure 13 est une illustration de la trajectoire d'une srie de 40 rayons lancs en
prsence d'un conduit de surface. La thorie de lancer de rayons permettant d'obtenir ce type
de rsultat est dcrite ci-dessous.
Dans un premier temps, on rappelle les hypothses qui sont : une atmosphre invariante avec
la distance, un sol lisse en z = 0, et de plus, on rajoute l'hypothse selon laquelle le coindice M
est compos de couches linaires selon z, ce que l'on appelle une atmosphre stratifie. Cela
n'est pas gnant en soi car si l'on discrtise la verticale selon un pas dz, M est toujours linaire
dans cet intervalle de taille dz.
Alors entre deux hauteurs z et z2 = z + dz, (Figure 68) on a :
m( z + dz ) = m( z ) + C dz ,

(81)

o m est l'indice de rfraction modifi et C est une constante. On rappelle la loi de SnellDescartes :
m( z ) cos( ) = C te .

(82)

On peut crire, d'aprs la dfinition du CRM M (Eq. 5) :

m( z ) cos( ) = (1 + M 10 6 ) 1 sin 2 ( ) .

(83)

tant petit, on peut effectuer un dveloppement limit l'ordre 1. il vient :


1

m( z ) cos( ) = (1 + M 10 6 )1 sin 2 ( ) ,
2

(84)

que l'on peut dvelopper de la forme :


1
1
m( z ) cos( ) = 1 + M 10 6 sin 2 ( ) M 10 6 sin 2 ( ) .
2
2

(85)

M tant de l'ordre de grandeur de la centaine, et sin2() de l'ordre du centime (l'angle tant


infrieur 5), le dernier terme peut tre nglig. D'aprs la loi de Snell-Descartes, on crit
l'galit :
1 + M 10 6

1
1
sin 2 ( ) = 1 + M 1 10 6 sin 2 ( 1 ) .
2
2

(86)

En repassant en notation d'indice de rfraction modifi, on obtient l'galit :


sin 2 ( ) = sin 2 ( 1 ) + 2(m( z ) m1 ) .

111

(87)

Figure 68 : Gomtrie du rayon dans le cas de l'atmosphre stratifie.


En notant = sin(), et selon les Eqs. (79) et (85), on peut alors exprimer z = f() sous la
forme :
z=

2 12
2C

+ z1 .

(88)

Si la pente C est positive, un rayon lanc z1 avec une lvation positive 1 atteindra toujours
z2. Si la pente C est ngative, et que 12 < |C|(z2 z1), alors le rayon redescend avant
d'atteindre z2. Si l'on fait l'hypothse d'angles d'lvation faibles, on peut crire tan() sin()
= et dx dz / , ce qui entrane :
dx 1 dz 1

= .
d d C

(89)

= 2(m m1 ) + 12 .

(90)

De l'Eq. (87), on dduit :

Et enfin, de l'Eq. (89) :


x x1 =

1
C

(91)

On peut ainsi propager le rayon, en effectuant les contrles ncessaires pour arrter le rayon si
celui-ci arrive en haut ou au bout du domaine, ou pour le faire se rflchir s'il atteint le sol.

112

Annexe C. MODLE DU GIT : CALCUL DU FACTEUR D'INTERFRENCES


Certains modles heuristiques de SERN comme le modle du GIT [Horst, 1978] proposent un
terme dit "d'interfrence" modlisant le multitrajet induit par les rflexions des ondes
lectromagntiques sur la surface de mer. Ce terme est particulirement important car il
domine toute la dynamique de variation incidence rasante. En polarisation horizontale, le
modle du GIT s'crit ainsi (cf. Annexe A) :

0.4
0
HH
= 10 log10 (3.9 10 6 g Am Au Aw ) ,

(92)

avec la longueur d'onde, g l'angle rasant d'incidence de l'onde, Am le facteur traduisant


l'effet d'interfrences, Au le facteur traduisant la dpendance la force du vent et Aw la
dpendance la direction du vent.
En introduisant le terme AGIT = 3.910-6g0.4AuAw, on peut crire cette SERN :
0
HH
= 10 log10 ( AGIT Am ) .

(93)

La facteur Am est calcul sur une surface rugueuse canonique gaussienne [Horst, 1978]. Ce
terme s'exprime comme la moyenne statistique du facteur de propagation F sur les trajet aller
et retour de l'onde. En effet, la propagation est identique sur les trajets aller et retour par
rciprocit. On obtient donc :
F ( g ) =
4

F ( z,

) p( z )dz ,

(94)

avec p(z) la densit de probabilit de fluctuation des hauteurs z, et g l'angle d'incidence


rasante de l'onde. Pour se conformer au choix de Horst, on choisit une densit de probabilit
des hauteurs de vague gaussienne, soit :
p( z ) =

z2
exp
2
2 H
2 H
1

(95)

o est l'cart type des hauteurs de la surface de mer.


grande distance, l'influence du sol lisse peut tre exprime comme la superposition d'une
onde plane directe et d'une onde plane rflchie sur un sol caractris par un coefficient de
rflexion gal -1. On peut donc approximer le facteur de propagation F selon :
F 4 ( z , g ) = (1 exp(2 jk 0 z sin g ) ) F04 ,
4

(96)

avec k0 le nombre de d'onde en espace libre et F0 un facteur de normalisation traduisant tous


les autres effets de propagation (soit la rfraction et le diagramme d'antenne dans le plan
vertical).
Ainsi la moyenne statistique sur les hauteurs devient :

113

F ( g ) =
4

2 H

(1 exp(2 jk

z sin g ) )

4 4

z2
F exp
2
2 H
4
0

dz .

(97)

Si on se place incidence rasante, le critre de Rayleigh est satisfait, soit :


2k 0 z sin g << 1 ,

(98)

et un dveloppement limit de l'exponentielle peut tre effectu :


exp(2 jk 0 z sin g ) 1 2 jk 0 z sin g .

(99)

L'intgrale, qui se ramne au moment d'ordre 4 d'une densit de probabilit normale centre,
peut alors tre calcule asymptotiquement :
(2k 0 sin g ) 4

z2
F ( g )
F z exp
2
2 H
2 H

3(2k 0 H sin g ) 4 F04


4

4
0

dz
.

(100)

Ce terme dmontre que le multitrajet en incidence rasante impose au fouillis une variation en
sin4(g) soit en g4, g tant trs petit ce qu'une grande partie des auteurs affirment
[Tatarskii, 1998 ; Barrick, 1998].
En parallle, on peut observer que la variation du facteur de propagation relev la hauteur z
et en incidence rasante est de la mme forme :
4

F 4 ( z, g ) = 1 exp(2 jk 0 z sin g ) F04 (2k 0 z sin g ) 4 F04 .

(101)

S'il est relev la hauteur , on a :


F 4 ( g ) = 3F 4 ( z , g ) .

(102)

On peut alors calculer la SERN partir du modle GIT en considrant le facteur de


propagation calcul par quation parabolique la hauteur la place du facteur de
multitrajet Am :
0
HH
= 10 log10 ( AGIT F 4 ( H , g )) .

114

(103)

Annexe D. L'ALGORITHME LS-SVM


Pour les droulements mathmatiques, les termes en italiques (x ou X) dnotent des scalaires
ou des fonctions, les termes en gras minuscule (x) des vecteurs et les termes en gras
majuscules (X) des matrices. Les notations x et y dnotent respectivement l'entre et la sortie
de l'algorithme LS-SVM. Le but de cet algorithme est d'approximer la fonction non linaire f
telle que f(x) = y. On suppose disposition une base d'entranement (Xtr,ytr) connue (cf.
section C.II.1.b).
1

Fonction linaire

1.a.

Mise en forme du problme inverse

On suppose dans un premier temps que f est linaire. On peut alors crire f sous forme
matricielle :
f ( x) = w T x + b ,

(104)

o w est le vecteur des poids de la fonction et b est son biais. La premire ide est d'effectuer
une simple rgression quadratique sur l'ensemble de la base d'entranement agrmente d'un
terme de planit wTw. On parle alors de rgression pseudo-orthogonale. En effet, garder
faibles les poids w de la fonction f favorise sa capacit de gnralisation. On crit cette
rgression pseudo-orthogonale :
min J LS
w,b

avec J LS =

2 .
1
1 N
T
w
w + y itr (w T x itr + b)
{
42444
3
2 terme de planit 2 i =1 144

(105)

terme de prcision

(Xtr,ytr) = (xitr,yitr)i=1...N est la base d'apprentissage compose de N vecteurs de facteur de


propagation (ou de pertes en propagation) et des valeurs associes d'un paramtre du conduit.
]0,+[ est le paramtre de rgulation. Ce dernier reprsente le compromis entre prcision
et planit. Si le terme de planit est nglig, le systme d'inversion sera trs efficace sur les
lments de la base de donnes, mais inefficace sur d'autres donnes.
De nouvelles variables sont introduites. Il s'agit des variables lches i qui sont une
reformulation de l'erreur sur le ime lment : i = yitr (wTxitr + b). Ces variables furent
initialement introduites dans la thorie des SVM classiques afin de grer le cas de variables
non sparables dans un problme de classification [Smola et Schlokopf, 1998b]. En pratique,
l'Eq. (105) est reformule :

1 N 2
1
T
J

w
w
i

+
min
min

w,b LS
w ,b
2
2
i
1
=

.
tel que
i, = y tr (w T x tr + b)
i
i
i

115

(106)

L'Eq. (106) dcrit un problme d'optimisation contraintes d'galit avec une fonction de cot
quadratique. Il admet donc une unique solution et peut tre rsolu par la mthode classique de
Lagrange. Le Lagrangien LLS s'exprime sous la forme :

LLS (w, b, ; ) = J LS i w T x itr + b yitr + i ,

(107)

i =1

o = [1,,N]T sont les multiplicateurs de Lagrange. Chaque multiplicateur peut tre


positif ou ngatif. On retrouve ensuite les valeurs l'optimum par mthode du point selle en
recherchant le maximum suivant les multiplicateurs de Lagrange et le minimum suivant les
autres variables. Le terme wTxitr + b yitr + i reprsente l'erreur sur la ime contrainte. En se
plaant l'optimum, pour w = wopt, = opt, b = bopt, et = opt, et on peut crire :
LLS
w T

LLS
b

LLS
i

LLS
i

= 0 w opt =

i =1

=0

i =1

=0

opt
i

x itr

=0

opt
i

opt
i

(108)

opt
i

= 0 w opt x itr + b opt + iopt y itr = 0

On peut remarquer qu' l'optimum, les coefficients des vecteurs supports iopt sont
proportionnels aux erreurs iopt. Ces quatre galits peuvent tre rduites par substitution de
wopt et opt en fonction de opt. Particulirement, la premire quation donnant wopt en fonction
de opt est connue sous le terme de thorme de reprsentation. En exprimant des quations
sous forme matricielle, on obtient alors un systme linaire de Karush-Kuhn-Tucker (KKT)
[Suykens et al., 2002] :
0
1 T b opt 0
opt = tr ,

1 + I N y

(109)

o 1 = [1,,1]T, opt = [1opt,,Nopt]T, ytr = [y1tr,,yNtr]T et ij = xitr,xjtr. opt et bopt sont les
inconnues du systme durant la phase d'entranement.
1.b.

Rsolution du problme d'entranement

Le calcul de opt et bopt correspond la phase d'apprentissage du systme. Ils sont calculs
grce la connaissance de la base d'entranement (xitr,yitr)i=1...N. Ce calcul requiert donc
l'inversion de la matrice NN : + IN, ce qui peut s'avrer lourd pour de grandes bases de
donnes.
De l'Eq. (109), on dduit :
1T opt = 0
1b opt + H opt = y tr

116

(110)

o H = + IN. On obtient ainsi :


H 1 1b opt + opt = H 1 y tr ,

(111)

1T H 1 1b opt + 1T opt = 1T H 1 y tr .

(112)

puis :

Ayant, selon l'Eq. (110), 1Topt = 0, on en dduit la valeur de bopt :


b opt =

1T H 1 y tr
.
1T H 1 1

(113)

On peut noter que 1TH-11 et 1TH-1ytr sont effectivement des valeurs scalaires. Ayant bopt, on
peut calculer la valeur de opt partir de l'q. (110) :
opt = H 1 y tr H 1 1b opt .

(114)

Connaissant bopt et opt , on obtient donc une approximation linaire de la fonction f :

y sortie =

i =1

opt
i

x itr x entre + b opt .

(115)

Fonction non linaire

Afin de rendre l'algorithme applicable des fonctions non linaires, on transpose les donnes
dans un espace de redescription de dimension suprieure celle de l'espace initial . On
utilise pour cela une fonction de transposition :

:l
.
x a ( x)

(116)

Pour notre problmatique, = P, o P est la taille du vecteur facteur de propagation. Cette


transposition introduit la non linarit dans l'algorithme. La fonction approxime prend alors
la forme :
f ( x) = w , ( x) + b = w T ( x) + b ,

(117)

o w reprsente les poids de la fonction f dans l'espace de redescription, espace dans lequel
s'effectue le produit scalaire. Le formalisme qui suit est analogue celui du problme linaire,
mais les dveloppements mathmatiques se droulent dans l'espace de redescription dont la
dimension, suprieure celle de l'espace initial , peut tre infinie. Le problme de rgression
pseudo-orthogonale peut alors s'exprimer sous la forme :

117

min J LS
w,b

avec J LS =

2 ,
1
1 N
T
w
w + y itr (w T (x itr ) + b)
{
2 terme de planit 2 i =1 144424443

(118)

terme de prcision

o les termes de planit et de prcision sont analogues ceux du cas linaire. Cependant, on
peut souligner que la planit est ici recherche dans l'espace de redescription.
En introduisant les variables lches i = yitr (wT(xitr) + b), on rcrit le problme sous
forme de problme de minimisation contraintes d'galit :

1 N 2
1
T
J

w
w
i

+
min
min

w,b LS
w ,b
2
2
i
1
=

,
tel que
i, = y tr (w T (x tr ) + b)
i
i
i

(119)

qui est rsolu par la mthode du Lagrangien. Ce problme est un problme convexe, ce qui
garantit l'existence et l'unicit de la solution. Le Lagrangien s'exprime alors sous la forme :

LLS (w, b, ; ) = J LS i w T (x itr ) + b yitr + i .

(120)

i =1

Comme pour le cas linaire, les multiplicateurs de Lagrange sont les coefficients des
vecteurs supports. La rsolution de ce problme par mthode du point selle, en se plaant
l'optimum, mne aux quatre galits :
LLS
w T

LLS
b

LLS
i

LLS
i

= 0 w opt =

i =1

=0

i =1

=0

opt
i

opt
i

opt
i

(x itr )

=0
1

(121)

opt
i

= 0 w opt (x itr ) + b opt + iopt y itr = 0

La premire galit est le thorme de reprsentation dans l'espace non linaire. Comme dans
le cas linaire, wopt et opt sont limins par substitution, puis le problme est exprim sous
forme matricielle :
0
1 T b opt 0
opt = tr ,

1 + I N y

(122)

o ij = (xitr), (xjtr) pour i, j {1,...,N}. La dimension des (xitr) est suprieure celle des
xitr et peut mme tre infinie. Ainsi, par cette approche, les (xitr) ne peuvent tre
explicitement formuls. Cependant, les donnes peuvent tre implicitement transposes par le
118

biais d'une fonction noyau. En effet, les donnes d'entre xitr n'apparaissent dans le problme
final que sous la forme de produits scalaires. C'est Mercer, en 1909 [Mercer, 1909] qui
introduit les fonctions noyaux. Ces fonctions de deux vecteurs en entre et sortie scalaire, et
satisfaisant les conditions de Mercer, correspondent des produits scalaires dans des espaces
dont on peut connatre la dimension. Cette mthode, connue sous le terme de "coup du
noyau", est dtaille section C.II.1.d.
On peut donc substituer au produit scalaire (xitr), (xjtr), effectu dans l'espace de
redescription , une fonction noyau : ij = (xitr), (xjtr) = K(xitr,xjtr). C'est donc le choix
de la fonction noyau K qui induit implicitement le choix de la fonction de transposition .
Finalement, le problme non linaire s'exprime de la mme faon que le problme linaire
avec une matrice valant : ij = (xitr),(xjtr).
Les noyaux les plus communment utiliss sont :

x x 2
- le noyau gaussien : K (x1 , x 2 ) = exp 1 2 2

dK
- le noyau polynomial : K (x1 , x 2 ) = (1 + x1 , x 2 ) , d K 2 ,

- le noyau sigmode : K (x1 , x 2 ) = tanh ( K x1 , x 2 K )

(123)

o K2 , dK, K et K sont les paramtres des fonctions noyaux.


Le problme (Eq. 122) ncessite l'inversion de la matrice NN : + IN. Une fois celui-ci
rsolu, et les valeurs opt et bopt calculs, la fonction approxime f s'exprime sous la forme :
f (x entre ) = w opt , (x entre ) + b opt .

(124)

En utilisant le thorme de reprsentation (Eq. 121), on peut finalement exprimer la fonction


de la forme :

f (x entre ) =
=

i =1

(x itr ), (x entre ) + b opt

K (x
i =1

.
tr
i

, x entre ) + b

(125)

opt

On obtient donc une formulation de f qui ne fait pas intervenir explicitement la fonction de
transposition .
Dans notre tude, c'est le noyau gaussien qui est retenu (cf. section C.II.3.a). Ce noyau
implique une transposition dans un espace de redescription de dimension infinie. Le choix
des valeurs des deux hyperparamtres de l'algorithme le paramtre de rgulation et K2
la largeur de la Gaussienne est dterminant pour l'efficacit de l'algorithme. Les mthodes
d'optimisation de ces hyperparamtres est dtaille section C.II.3.b.

119

Annexe E. L'ALGORITHME MULS-SVM


Pour les droulements mathmatiques, les termes en italiques (x ou X) dnotent des scalaires
ou des fonctions, les termes en gras minuscule (x) des vecteurs et les termes en gras
majuscules (X) des matrices. x et y dnotent respectivement l'entre et la sortie de
l'algorithmes MuLS-SVM. Le but de cet algorithme est d'approximer la fonction
multidimensionnelle non linaire f telle que fl(x) = yl sur chaque dimension l. (l {1,,D}).
On suppose disposition une base d'entranement (Xtr,ytr) connue (cf. section C.II.1.b).
L'algorithme MuLS-SVM est une volution de l'algorithme LS-SVM afin de rendre ce dernier
sortie vectorielle. Son principe est bas sur une heuristique : une matrice Q est introduite
dans le terme de planit (cf. thorie LS-SVM en Annexe A) identique sur chaque dimension,
ce qui implique une corrlation entre les dimensions.
1

Fonction linaire

On suppose dans un premier temps que la fonction f approximer est linaire. On peut alors
crire f sur chaque dimension l sous la forme :
f l (x) = w l , x + bl ,

(126)

o wl est le vecteur poids de la fonction fl et bl est son biais.


On dfinit S +P l'ensemble des matrices semi-dfinies positives symtriques de taille PP. On
peut alors dfinir la fonction R de (PxD) S +P dans :
D
N

2
R(W, Q) = ( yli f l (x li )) + w l , Q 1 w l ,
l =1 i =1

(127)

o Q-1 est le pseudo inverse de la matrice Q.


Argyriou et al. [2007] ont dmontr le thorme suivant :

Q S +P

PxD

min R(W, Q) avec


,
trace
(
Q
)
1

range(W) range(Q)

(128)

est quivalent au problme classique de rgression pseudo-orthogonale sur toutes les


dimensions, et la solution optimale (W opt , Q opt ) peut tre exprime sous la forme :

a opt
opt opt opt
j
opt
opt
(W , Q ) = U A , U diag opt
A

120

U opt ,

j =1

(129)

opt
o (A opt ) = (a opt
dans une base orthogonale de vecteurs
j ) j =1,...,P est une dcomposition de W

propres de Qopt : (U opt ) = (u opt


j ) j =1,...,P .
La contrainte sur la trace dans le problme (Eq. 128) est ajoute afin d'viter la solution
particulire Q = et la contrainte sur la porte ("range") permet d'viter la solution telle que
QW = 0. Ce cas peut subvenir si W n'est pas de rang complet cause du pseudo-inverse de Q
dans la dfinition de R. Si X GxH, on dfinit la fonction "range" par :
x = Xz

range( X) = x G tels que


.
z H

(130)

On peut ensuite montrer que le problme (Eq. 127) est convexe. Il est en effet possible
d'exprimer le terme wl,Q-1wl comme la borne suprieure de fonctions convexes. Ainsi, une
solution unique pour wl est trouve sur chaque dimension.
Le problme (Eq. 128) est rsolu par itration. R est minimise en fonction de W et Q
alternativement. Argyriou et al. [2007] ont montr que si W est fix et si C = WWT, alors la
solution en Q s'exprime de la faon suivante :

Qopt =

C1 / 2
.
trace(C1 / 2 )

(131)

Le principe de la rsolution du problme est donc d'initialiser Q IP/P (matrice identit de


taille PxP divise par P) et de calculer la matrice Wopt optimale par algorithme LS-SVM. Qopt
est ensuite calcule en utilisant Wopt et l'Eq. (131). On peut recalculer le nouveau Wopt
optimal avec la valeur de Qopt calcule l'itration prcdente et ritrer l'opration jusqu'
convergence de l'algorithme.
Le calcul de Wopt par mthode LS-SVM linaire est quasiment identique la mthode LSSVM classique. La matrice rsoudre sur chaque dimension a la mme forme :
0
bl 0
1T

= ,

I
+
l
N

l y l

(132)

mais la matrice de Gram l est modifie et est dfinie sur chaque dimension l par :
T

lij = x li Q T , x lj

(133)

Le problme linaire peut tre rsolu simplement par cette mthode itrative. Le principe de
l'algorithme MuLS-SVM linaire est illustr sur la Figure 34.
Afin d'introduire la mthode pour l'algorithme MuLS-SVM non linaire, on peut remarquer,
en intgrant l'Eq. (131) dans l'Eq. (127) que l'on obtient directement le couple solution en
minimisant la fonction objectif :
Rtr (W) = [y li ( w l , x li + bl )] + W tr ,
D

l =1 i =1

121

(134)

o ||.||tr est la norme trace dfinie par :


1

= trace ( WW T ) 2 =

tr

iW ,

(135)

o les iW sont les valeurs propres de W.


2

Fonction non linaire

2.a.

Dfinition de la fonction objectif initiale

Comme pour l'algorithme non linaire LS-SVM, on utilise, pour le passage au non linaire,
une fonction de transposition depuis l'espace initial vers un espace de redescription de
dimension suprieure celle de l'espace initial :

:l
.
x a ( x)

(136)

On note T la dimension de l'espace de redescription . Utilisant le noyau Gaussien dans notre


tude, on a T = . Ainsi, on peut exprimer la fonction f approximer sur chaque dimension l
de la forme :
f l (x) = w l , (x) + bl .

(137)

Par analogie avec le cas linaire (Eq. 127), on doit donc minimiser la fonction objectif
suivante :
D
N

2
R(W, Q) = [y li ( w l , (x) li + bl )] + w l , Q 1 w l .
l =1 i =1

(138)

Sur chaque dimension, on retrouve le problme (Eq. 132) o la matrice de Gram vaut
dsormais :
lij = (x li ) T Q T , (x lj ) .

(139)

La matrice de Gram ne peut alors pas tre exprime par une fonction noyau, comme c'est le
cas dans la thorie LS-SVM. D'abord parce que la matrice Q vient modifier ce noyau, et
ensuite parce que Q varie chaque itration dans l'algorithme de rsolution, ce qui entrane un
noyau diffrent chaque itration. Des tudes sur les fonctions noyaux vectorielles ont t
menes [Micchelli et Pontil, 2005] mais la ralisation s'avre trs dlicate.
On repart donc de la rsolution du problme reformule l'aide de la fonction trace (Eq. 134).
La nouvelle fonction objectif est :

Rtr (W) = [yli ( w l , (x li ) + bl )] + W tr .


D

l =1 i =1

122

(140)

2.b.

Transposition de la fonction objectif dans l'espace de redescription

L'ide est de dcomposer les donnes dans une base orthogonale des donnes d'entranement
afin de travailler non pas avec les donnes (xli) directement (de dimension infinie) mais avec
des donnes modifies faisant appel la fonction noyau.
On note l'ensemble des donnes d'apprentissage transposes dans l'espace de redescription :
= (xli) l=1,,D i=1,,N et l'espace dfini par l'ensemble des donnes d'entranement :
= vect{ (x li ) i{1,...N },l{1,...,D} } .

(141)

On note ensuite ( DN) la dimension de , et V une base orthogonale de , de taille Tx.


On pose = (l)l=1,,D la dcomposition de W dans cette base. On a alors W = V. Dans
notre cas, on a = N car les donnes d'apprentissage sont identiques sur toutes les dimensions
du vecteur de sortie et sont non colinaires entre elles aprs transposition.
On dfinit alors une nouvelle fonction objectif tr :
tr () = [y li ( Vl , (x li ) + bl )] + V tr ,
D

(142)

l =1 i =1

qui est la rcriture de la fonction objectif Rtr dans la base V. La norme trace tant invariante
par multiplication par un vecteur orthonorm, on peut ensuite crire :
D

[ (

tr () = y li l , V T(xli ) + bl

)]

(143)

min{R(W, Q), W, Q} min{ tr (), D } .

(144)

l =1 i =1

+ tr .

Le thorme suivant relie les deux fonctions objectifs R et tr :

Mais la matrice optimale qui minimise la fonction objectif tr ne peut pas tre retrouve par
mthode LS-SVM car le problme est multidimensionnel et inclut la norme trace. On va donc
transformer le problme afin de le rendre analogue au problme MuLS-SVM linaire. On
introduit une matrice semi-dfinie positive symtrique et on dfinit une nouvelle fonction
objectif :
D

[ (

(, ) = y li l , V T(x li ) + bl
l =1 i =1

)]

+ l , 1 l .

(145)

Alors (,) = tr() pour opt tel que :


1

opt =

(T ) 2
1
T 2

trace( )

123

(146)

2.c.

Rsolution du problme non linaire reformul

On introduit des variables d'entre modifies :


z li = V T(x li )
~
= R T T(xli ) ,
~
= RT

(147)

~
o est la matrice compose des lments de formant sa base. R est la matrice liant la
~
~
~
base orthonorme V aux donnes transposes telle que V = R . est le vecteur de
dimension compos des valeurs de la fonction noyau applique xli et aux lments
~
formant T :

k {1,..., }

~
k = (x k ),(xli ) = K (x k , xli ) .

(148)

La fonction noyau K utilise dans cette tude est le noyau gaussien dfini dans l'Eq. (123).
Finalement, la fonction objectif (Eq. 145) est minimise de la mme faon que la fonction
objectif R (Eq. 138), en utilisant les entres modifies comme entre dans l'algorithme MuLSSVM linaire. La matrice est initialise I/ (matrice identit x divise par ).
On obtient en sortie de l'algorithme MuLS-SVM linaire des valeurs opt et bopt, les poids de
la fonction dans la base V et le biais de la fonction. En posant finalement E = Ropt , on peut
appliquer la fonction f une entre quelconque x par la formule :
l {1...D}

~
f l (x) = w lopt , (x) = El , K (x) ,

(149)

~
~
~
o K (x) = T(x) est le vecteur des K(xil,x) tel que i,l, (xil) . Ce vecteur se calcule
donc par le biais de la fonction noyau. La relation (Eq. 149) dcoule du fait que W = V et
~
V = R . En effet, la fonction fl, sur la dimension l, est exprime sous la forme :
f l (x) = w lopt , (x)
= V lopt , (x)
~
= R lopt , (x) .
~
= R lopt , T (x)
~
= E l , K ( x)

(150)

La description des algorithmes est donne dans [Argyriou et al., 2008], et l'algorithme MuLSSVM non linaire est schmatis sur la Figure 35.

124

Annexe F. Wallops '98 : Rsultat des Inversions sur les 23 cartographies de SNR
Comme indiqu dans la section D.II.1.a, il y a eu 23 mesures de cartographies de SNR
effectues le 2 avril 1998. Les rsultats de l'algorithme finalement dvelopp sur l'ensemble
de ces mesures sont exposs ci-aprs. Le modle de d'atmosphre est donc le modle 4
paramtres (cf. Figure 60), et on utilise pour l'inversion l'algorithme MI0 avec les 2
contraintes : sur la MVAD d'une part et sur les variations du paramtre zb d'autre part.
Les lgendes des figures suivantes sont les mmes, savoir :
Inversion par MI0 : modle de conduit de surface 4 paramtres. Les
contraintes sur la MVAD et sur les variations du paramtre zb sont
appliques, et les paramtres sont lisss. (1) Fn2 mesur (2) Fn2 invers (3)
paramtres inverss en fonction de l'azimut (4) CRM en fonction de
l'azimut.
Seul est indiqu en dessous de chaque figure le numro de la mesure, de 2 24. Les mesures 2
5 ont t effectues 1h00 d'intervalle, les mesures 6 20 10 mn d'intervalle et les
mesures 21 24 30 mn d'intervalle.
Remarque : les mesures 15, 13, 18 et 23 correspondent respectivement aux premier,
deuxime, troisime et quatrime exemples exposs dans la section D.II.

Figure 69 : Mesure 2.

125

Figure 70 : Mesure 3.

Figure 71 : Mesure 4.

126

Figure 72 : Mesure 5.

Figure 73 : Mesure 6.

127

Figure 74 : Mesure 7.

Figure 75 : Mesure 8.

128

Figure 76 : Mesure 9.

Figure 77 : Mesure 10.

129

Figure 78 : Mesure 11.

Figure 79 : Mesure 12.

130

Figure 80 : Mesure 13.

Figure 81 : Mesure 14.

131

Figure 82 : Mesure 15.

Figure 83 : Mesure 16.

132

Figure 84 : Mesure 17.

Figure 85 : Mesure 18.

133

Figure 86 : Mesure 19.

Figure 87 : Mesure 20.

134

Figure 88 : Mesure 21.

Figure 89 : Mesure 22.

135

Figure 90 : Mesure 23.

Figure 91 : Mesure 24.

136

Bibliographie
Anderson K D 1989 Radar measurements at 16.5 GHz in the oceanic evaporation duct IEEE
Trans Antenn Propag 37 100-6
Argyriou A, Evgeniou T, and Pontil M 2007 Multi-task feature learning Advances in Neural
Information Processing Systems: Proc. of the 2006 NIPS Conf. 19 ed B Schlkopf, J Platt and
T Hofmann (Vancouver) 41-8
Argyriou A, Evgeniou T, and Pontil M 2008 Convex multi-task feature learning Machine
Learning in press
Babin S M and Rowland J R 1997 Observation of strong surface radar duct using helicopter
acquired fine-scale radio refractivity measurements Geophys Res Lett 19 917-20
Babin S M, Young G S, and Carton J A 1997 A new model of oceanic atmospheric duct J
Appl Meteorol 36 193-204
Baggeroer A B, Kuperman W A, and Mikhalevsky P N 1993 An overview of matched field
methods in ocean acoustics IEEE J Ocean Eng 18 401-24
Barrick D.E. 1998 Grazing Behavior of Scatter and Propagation Above Any Rough Surface ,
IEEE Trans Antenn Propag 46 73-83
Barrios A E 1994 A terrain parabolic equation model for propagation in the troposphere IEEE
Trans Antenn Propag 42 791-7
Bellman R E 1961 Adaptive Control Processes: A Guided Tour Princeton University Press
(Princeton, NJ)
Bourlier C, Dchamps N, and Berginc G 2005 Comparison of asymptotic backscattering
models (SSA, WCA and LCA) from one-dimensional Gaussian ocean-like surfaces IEEE
Trans Antenn Propag 53 1640-52
Brooks I M, Goroch A K, and Rogers D P 1999 Observation of strong surface radar ducts
over the Persian gulf J Appl Meteorol 38 1293-310
Claverie J, Mandine E, and Hurtaud Y 2222 PREDEM : un nouvel outil de simulation pour la
prdiction des performances des systmes radars ECPS 2005 Confrence Brest (France)
Douchin N 1992 tude de l'Influence du Conduit d'vaporation Atmosphrique sur des
Liaisons Satellite - Navire entre 1 et 10 GHz. Contribution l'laboration d'une Mthode de
Caractrisation de ce Conduit Thesis ENSAE (Toulouse)
Douvenot R, Fabbro V, Bourlier C, and Saillard J 2006 Radar coverage prediction over ocean:
duct mapping using least squares support vector machines EuCAP 2006, Nice
Essen H and Fuchs H H 2005 Two-way propagation within the marine boundary layer at X,
Ka and W-band ECPS 2005 Conference Brest (France)
Fabbro V, Bourlier C, and Combes P F 2006 Forward propagation modelling above Gaussian
rough surfaces by the parabolic wave equation: introduction of the shadowing effect PIER 58
243-69
Fabry F, Frush C, Zawadzki I, and Kilambi A 1997 Extracting near-surface Index of
refraction using radar phase measurements from ground targets J Atmos Oceanic Tech 14
978-87

137

Feng S, Chen J, and Tu X Y 2005 Low-angle reflectivity modelling of sea clutter using LS
method IEEE Antennas and Propagation Society International Symposium 2B 187-90
Gerstoft P, Gingras D F, Rogers L T, and Hodgkiss W S 2000 Estimation of radio refractivity
structure using matched-field array processing IEEE Trans Antenn Propag 48 345-56
Gerstoft P, Rogers L T, Krolik J L, and Hodgkiss W S 2003a Inversion for refractivity
parameters from radar sea clutter Radio Sci 38 8053
Gerstoft P, Rogers L T, Hodgkiss W S, and Wagner L J 2003b Refractivity estimation using
multiple elevation angles IEEE Journal of Oceanic Engineering 28 513-25
Gerstoft P 2006 SAGA user manual 5.3: an inversion software package, an updated version of
"SAGA users guide 2.0, an inversion software package" manual SACLANT Undersea
Research Centre La Spezia, Italy
Girosi F, Jones M, and Poggio T 1995 Regularization theory and neural networks
architechtures Neural Comput 7 219-69
Goldhirsh J and G D Dockery 2001 K factor statistics for subrefraction in the mid-Atlantic
coast of the United States Radio Sci 36 142537
Gossard E E and Strauch R G 1983 Radar Observation of Clear Air and Clouds Elsevier
Scientific Publishing Co. (Amsterdam)
Halton J H 1960 On the efficiency of certain quasi-random sequences of points in evaluating
multi-dimensional integrals Numer Math 2 84-90
Heemskerk H J M 2005 VAMPIRA RF propagation measurement and model validation
ECPS 2005 Conference Brest (France)
Hitney H V 1992 Remote sensing of refractivity structure by direct measurements at UHF
AGARD Conf. Proc. CP-502 1.1-1.5
Horst M M, Dyer F B, and Tuley M T 1978 Radar sea clutter model Proc. IEEE Int. Conf.
Antennas Propagation (London)
Hurtaud Y, Claverie J, Aidonis M, and Mandine M 2008 Une prfiguration des futures aides
tactiques : le code PREDEM Dossier : Observation des ctes et des ocans : Senseurs et
Systmes (OCOSS) SEE
Ichimaru A, Rockway J D, Kuga Y, and Lee S-W 2002 Transverse electric and transverse
magnetic Green's function for coherent and incoherent propagation over a finitely conducting
rough surface Radio Sci 3 1029
Igwersen P A and Lemnios W Z 2000 Radars for ballistic missile defense research Lincoln
Laboratory Journal 12 245-266
ITU-R P.453-6 The radio refractive index: its formula and refractive data 2003
Jeske H 1971 The state of range-radar prediction over sea Tropospheric Radio Wave
Propagation Part II, AGARD Conf Proc 70 pap. 50
Jeske H 1973 State and limits of prediction methods of radar wave propagation predictions
over the sea Modern Topics in Microwave Propagation and Air-Sea Interaction ed. A Zancla
D Reidel, Norwell, Mass. 131-148
Kerr D E 1987 Propagation of Short Radio Waves (IEE Electromagnetic Wave Series 24)
Peter Peregrinus Ltd (London)

138

Keerthi S S and Lin C-J 2003 Asymptotic behaviors of support vector machines with
Gaussian kernel Neural Comput 15 1667-89
Krolik J and Tabrikian J 1997 Tropospheric refractivity estimation using radar clutter from
the sea surface Proc. Battlespace Atmospheric Conference 635-42
Kuttler J R 1999 Differences between the narrow-angle and the wide-angle propagators in the
split-step Fourier solution of the parabolic wave equation 47 1131-40
Le Gland F 2003 Filtrage particulaire Actes du 19me Colloque GRETSI sur le Traitement du
Signal et des Images 2 1-8
Leontovich M A 1948 On the approximate boundary conditions for an electromagnetic field
on the surface of well-conducting bodies in Investigations of Propagation of Radio Waves
Vedensky B A ed Moscow: Academy of Science (U.S.S.R.)
Levy M 2000 Parabolic Equation Methods for Electromagnetic Wave Propagation (IEE
Electromagnetic Wave Series vol 45) ed IEE (London)
Loh W-L 1996 On latin hypercube sampling The Annals of Statistics 24 2058-80
McKay M D, Beckman R J, and Conover W J 1979 A Comparison of Three Methods for
Selecting Values of Input Variables in the Analysis of Output from a Computer Code
Technometrics 21(2) 239-45
Micchelli C A and Pontil M 2005 On learning vector-valued functions Neural Computation
17 177-204
Morokoff W J and Caflisch R E 1995 Quasi-Monte Carlo integration J Comp Phys 122 21830
Nathanson F E 1969 Radar Design Principles ed McGraw-Hill (New-York)
Paulus R 1990 Evaporation duct effects on sea clutter IEEE Trans Antenn Propag 38 1765-71
Pelckmans K, Suykens J A K, Van Gestel T, De Brabanter J, Lukas L, Hamers B, De Moor B,
and Vandewalle J 2003 LS-SVMLab toolbox user's guide Internal Report ESAT-SISTA (K U
Leuven Belgium)
Saliby E 1997 Descriptive sampling: an improvement over Latin hypercube sampling
Proceedings 1997 Winter simulation conference 230-3 Atlanta
Saliby E and Pacheco F 2002 An empirical evaluation of sampling methods in risk analysis
simulation: quasi-Monte Carlo, descriptive sampling, and Latin hypercube sampling
Proceedings 2002 Winter simulation conference 2 1606-12 San Diego
Sirkova I 2008 Proposal for a reference scenario relevant to coastal and maritime regions
Report EURO-COST 2100 TD(08) 440 (Wroclaw Poland)
Smola A J and Schlkopf B 1998a From regularization operators to support vector kernels
1998 Advances in Neural Information Processing Systems 10 343-9
Smola A J and Schlkopf B 1998b A tutorial on support vector regression NeuroCOLT2
Technical Report NC-TR-98-030 Royal Holloway College (University of London) UK
Spaulding B, Horton D, and Pham H 2005 Wind aspect factor in sea clutter modelling Proc.
IEEE Radar Conference 89-92
Stapleton J K, Wiss V R, and Marshall R E 2003 Measured anomalous radar propagation and
ocean backscatter in the Virginia coastal region 31st International Conference on Radar
Meteorology Seattle, WA
139

Suykens J A K and Vandewalle J 1999 Multiclass least squares support vector machine
classifier Neural Processing Letters 9 293-300
Suykens J A K, Van Gestel T, De Brabanter J, De Moor B, and Vandewalle J 2002 Least
Squares Support Vector Machines ed World Scientific (Singapore)
Tabrikian J and Krolik J 1999 Theoretical performance limits on tropospheric refractivity
estimation using point-to-point microwave measurements IEEE Trans Antenn Propag 47
1727-34
Tatarskii V.I., Charnotskii, M.I.. 1998 On the Universal Behavior of scattering from a Rough
Surface for Small Grazing Angles IEEE Trans Antenn Propag 46 67-72
Touzet C 1992 Les Rseaux de Neurones Artificiels, Introduction au Connexionnisme EC2
diteur (Paris)
Vapnik V and Lerner A 1963 Pattern recognition using generalized portrait method
Automation and Remote Control 24 774-80
Vapnik V and Chervonenkis A 1964 A note on one class of perceptrons Automation and
Remote Control 25 821-37
Vapnik V 1995 The Nature of Statistical Learning Theory ed Springer-Verlag (New York)
Vivier S 2002 Stratgies d'Optimisation par la Mthode des Plans d'Expriences et
Application aux Dispositifs lectrotechniques Modliss par lments Finis Thesis cole
Centrale de Lille Universits des Sciences et Technologies de Lille (Lille)
Voronovich A G and Zavorotny V U 1998 Curvature effects in the composite model for the
low-grazing-angle rough surface scatter Waves in Random Media 8 41-52
Ward K D, Tough R J A, and Watts S 2006 Sea Clutter: Scattering, the K Distribution and
Radar Performance The Institution of Engineering Technology (London, UK)
Webster A 1982 Raypath parameters in tropospheric multipath propagation IEEE Trans
Antenn Propag 30 796-800
Webster A R 1983 Angles-of-arrival and delay times on terrestrial line-of-sight microwave
links IEEE Trans Antenn Propag 31 12-7
Yardim C, Gerstoft P, and Hodgkiss W S 2006 Estimation of radio refractivity from radar
clutter using Bayesian Monte Carlo analysis IEEE Trans Antenn Propag 54 1318-27
Yardim C 2007a Statistical Estimation and Tracking of Refractivity from Radar Clutter
Thesis University of San Diego (California)
Yardim C, Gerstoft P, and Hodgkiss W S 2007b Statistical maritime radar duct estimation
using hybrid genetic algorithm Markov chain Monte Carlo method Radio Sci 42 3014
Yardim C, Gerstoft P and Hodgkiss W S 2008 Tracking refractivity from clutter using
Kalman and particle filters IEEE Trans Antenn Propag 56 1058-70

140