Data Science
Le clutter de mer : comprendre un signal radar comme trace d’une surface fractale
Le deuxième exemple est celui du fouillis de mer radar, ou clutter marin. Il s’agit d’un cas particulièrement riche, car il relie directement les données, la physique, la géométrie, la complexité et la modélisation statistique.
Un radar naval observant la mer à faible incidence reçoit un signal qui semble d’abord très bruité. Pourtant, ce bruit n’est pas quelconque. Il est intermittent, non gaussien, multi-échelle, avec des amplitudes extrêmes plus fréquentes que prévu.
L’observation statistique montre que les grandes valeurs de rétrodiffusion ne sont pas rares. Les distributions classiques — Rayleigh, lognormale, K-distribution selon les cas — peuvent être comparées, mais elles ne suffisent pas toujours à expliquer le phénomène dans toute sa profondeur. Le document sur le fouillis de mer montre justement que le signal radar peut être compris comme un signal complexe, multi-échelle, intermittent et non gaussien, relié à la fractalité de la surface, aux pentes, au masquage, au Doppler et aux queues lourdes d’amplitude.
La question devient alors :
Quelle structure physique de la mer peut produire ces grandes fluctuations du signal radar ?
L’hypothèse centrale consiste à considérer la mer comme une surface fractale multi-échelle. La surface n’est pas lisse. Elle comporte des houles, des vagues, des rides, des facettes, des pentes locales. En géométrie ultra-rasante, le radar est extrêmement sensible à ces pentes. Certaines facettes deviennent brillantes lorsqu’elles sont orientées favorablement vers le radar. D’autres sont masquées.
La chaîne de modélisation devient alors :
surface fractale
→ distribution des pentes
→ facettes brillantes
→ masquage
→ texture radar
→ speckle
→ signal complexe reçu
On peut écrire le signal sous une forme multiplicative :
y[n]=τ[n] g[n]
Ici, g[n]représente le speckle rapide, c’est-à-dire la fluctuation complexe liée à la somme cohérente de contributions élémentaires. La variable τ[n]\tau[n]τ[n] représente la texture lente, liée aux pentes, au masquage, à l’état de mer et aux facettes brillantes.
Cette écriture est très importante pédagogiquement. Elle montre qu’un signal apparemment bruité peut être décomposé en deux niveaux :
- une agitation rapide ;
- une modulation lente porteuse de la structure physique du système.
Le clutter de mer illustre donc magnifiquement l’idée de variable latente. La texture radar n’est pas directement la mer. Elle est la trace, dans le signal, d’une géométrie de surface complexe.
Cet exemple montre aussi l’intérêt d’un simulateur physiquement informé. Au lieu de générer un bruit artificiel, on peut construire un simulateur où chaque terme possède un sens : état de mer, pente, fractalité, incidence radar, masquage, Doppler, texture, speckle.
Le clutter de mer devient ainsi un exemple fort de ce que peut apporter le couplage entre data science et physique de la complexité :
transformer un bruit difficile en modèle interprétable du système qui le produit.
Ressources & Documents d'étude
Pour prolonger la lecture et explorer les fondements théoriques, épistémologiques et psychologiques du geste d’observation, vous pouvez consulter les essais et travaux de recherche associés.
Ce rapport présente le dépouillement et l'analyse de signaux de fouillis de mer (clutter) mesurés par un radar à haute résolution à antenne tournante. L'étude cherche à caractériser ce bruit selon trois axes principaux : spatio-temporel, spectral et statistique.
2. Principaux résultats de l'analyse
Analyse Spatio-Temporelle (Imagerie) : L'observation par tour d'antenne montre des pointes de fouillis de forte amplitude émergeant d'un bruit de fond plus faible (rapport de 5 à la saturation). Ces pointes correspondent à des réflexions spéculaires sur des facettes de mer bien orientées. Elles ont une "vie propre" (croissance, décroissance) et se déplacent dans le sens du vent.
Analyse Spectrale et Corrélation :
La distance de corrélation de la mer est estimée à environ 7 mètres.
Phénomène de blanchiment : Plus le radar s'éloigne de la côte (mesures à 5 km vs 15 km), plus le signal se décorrèle naturellement en azimut, car le pas d'échantillonnage dépasse la distance de corrélation. Le spectre tend alors vers un bruit blanc.
Les changements de mode radar (comprimé vs non comprimé), de polarisation ou l'agilité de fréquence n'altèrent pas significativement ce comportement spectral.
Analyse Statistique : La comparaison graphique et par maximum de vraisemblance démontre que la loi lognormale est celle qui modélise le mieux la répartition en amplitude du fouillis de mer à haute résolution (case de distance de 2,1 m). La taille de la case de résolution ne permet pas de moyenner l'effet des réflexions spéculaires, ce qui exclut les lois à décroissance rapide comme Weibull ou K.
3. Modèle proposé
Le rapport conclut sur un modèle informatique simple et facilement implantable pour simuler la mer à haute résolution, basé sur :
Une mer isotrope caractérisée par sa distance de corrélation.
Une distribution des amplitudes suivant une loi lognormale (définie par une puissance moyenne et un facteur de forme).
La prise en compte des paramètres radar (modulation par le lobe d'antenne et l'impulsion) et environnementaux (vitesse du vent et de la houle via l'effet Doppler).
Le texte propose de modéliser le fouillis de mer radar non pas comme un simple bruit aléatoire, mais comme un système complexe physiquement informé. En exploitant des concepts partagés avec la data science moderne (variables latentes, lois de puissance, mémoire longue), le modèle relie directement la géométrie physique de l'océan aux statistiques du signal radar observé.
2. La chaîne physique du modèle fractal
La construction repose sur une chaîne de dépendances logiques :
Surface fractale multi-échelle : La mer est décrite comme une surface auto-affine (dimension fractale $D$) combinant de nombreuses échelles, de la houle aux rides centimétriques.
Distribution des pentes à queue lourde : Cette structure engendre des pentes locales abruptes bien plus fréquentes que ne le prédirait une distribution gaussienne classique.
Texture et masquage (Shadowing) : En géométrie d'observation ultra-rasante, le masquage géométrique par les crêtes isole des "facettes" ou "points brillants". Les facettes émergeant au premier plan modulent l'intensité du signal (texture lente à queue lourde).
Modèle multiplicatif final : Le signal reçu ($y_n$) est le produit de cette texture lente ($\tau_n$) et d'un bruit thermique rapide (speckle gaussien $g_n$), ce qui donne une distribution d'amplitude finale à queue lourde (heavy-tail).
3. Intégration de la cinématique et du spectre de Doppler
Pour éviter d'introduire un Doppler artificiel, le modèle connecte la cinématique de la mer au signal radar :
Du spectre de JONSWAP aux vitesses orbitales : Le modèle part du spectre physique d'élévation des vagues (JONSWAP) pour le transformer en un spectre de vitesses orbitales à la surface.
Synthèse spectrale : Un signal de vitesse gaussien coloré est généré par transformée de Fourier inverse, garantissant une structure temporelle réaliste.
Dopplerisation du champ : Cette vitesse pilote la rotation de la phase instantanée du champ complexe radar ($I/Q$).
4. Résultats des simulations (Mer 1 vs Mer 3)
La confrontation des simulations de deux états de mer met en évidence la cohérence du modèle :
Mer 1 (Calme) : Présente des fluctuations modérées, mais conserve une statistique d'amplitude à queue lourde induite par l'omniprésence du masquage en géométrie ultra-rasante.
Mer 3 (Agitée) : Sa dimension fractale et ses pentes plus fortes élargissent nettement le spectre Doppler et augmentent l'intermittence du signal, multipliant les glints (pics d'amplitude extrêmes).
En synthèse : Le modèle unifie la scène radar à travers une sommation cohérente de facettes brillantes corrélées, où la fractalité dicte les pentes, la géométrie rasante impose le masquage, et le spectre de JONSWAP pilote l'effet Doppler.
Ce document s'inscrit dans le cadre de l'étude RDSM. Lors d'une propagation à très basse altitude et à courte distance, le radar (situé à 2 mètres au-dessus de l'eau) subit de forts échos de surface (fouillis de mer). Ces échos perturbent la réception et compliquent la détection des cibles. L'objectif est donc de définir, justifier et valider un modèle physique/comportemental de fouillis de mer adapté à ces conditions opérationnelles spécifiques, puis de le confronter à des mesures réelles.
2. Démarche et Choix du Modèle
Une analyse multicritère a conduit à éliminer les codes de calcul lourds, les modèles de texture purement statistiques (effet "boîte noire") et les modèles radar classiques de moyenne/longue portée. Le choix s'est porté sur un modèle comportemental, basé sur la physique de la surface marine, qui se décompose en deux composantes :
Composante moyenne (Effet diffus) : Liée à la diffraction des ondes radar sur les vagues de capillarit (petites ondulations $\le$ 2 cm). Elle est régie par les critères de Rayleigh et le modèle de Wright, et dépend fortement de la polarisation et de l'incidence.
Composante fluctuante (Effet spéculaire / "Spikes") : Liée aux vagues de gravité (la houle) et à la diffraction sur la crête des vagues qui se brisent. Ces pointes de signal transitoires ("spikes") s'élèvent de 20 à 30 dB au-dessus du bruit de fond.
Pour unifier ces deux aspects, la géométrie de la mer est modélisée comme un objet fractal, où la répartition statistique des pentes de mer suit une loi de Lévy (ou $\alpha$-stable). Sa dimension fractale ($D$) est directement corrélée à la vitesse du vent (l'état de la mer).
3. Confrontation aux Données Expérimentales
Le modèle a été validé à l'aide de deux campagnes de mesures en bande X :
Essais BHR (Toulon, 2001) : Par mer calme (force 1), les fluctuations du signal sont rapides et suivent une loi de Weibull ou de Rayleigh. Les résultats confirment l'adéquation avec le modèle de Wright (la polarisation verticale VV est supérieure de 20 dB à la polarisation horizontale HH).
Essais SURICATE (Brest, 2000) : Par mer plus agitée (force 2 à 5), l'apparition des "spikes" ralentit le comportement asymptotique du signal. Les fluctuations s'écartent des lois classiques et sont mieux modélisées par une loi log-normale ou une loi de Lévy, confirmant l'impact de la rugosité fractale de la houle.
4. Conclusion et Modèle Retenu
Le modèle final pour le simulateur RDSM permet de synthétiser numériquement le fouillis de mer en effectuant la somme algébrique (voies I et Q) des composantes spéculaire (loi de Lévy/log-normale liée à la houle) et diffuse (loi de Weibull/Wright liée à la capillarité). Le document intègre également des filtres de corrélation spatio-temporelle pour reproduire fidèlement le déplacement des vagues, l'effet Doppler, ainsi que la fonction d'appareil du radar (lobe d'antenne et compression d'impulsion).
Synthèse de la bibliographie et de la perspective
Références clés (2018–2026)
Détection de cibles & Temps réel : Yin et al. (2018) appliquent la DMD à la détection de cibles mobiles en milieu réverbérant, en exploitant la séparation low-rank/sparse pour réduire les temps de calcul.
Application au clutter de mer (IPIX) : Zhang et al. (2019) démontrent que le spectre DMD extrait des caractéristiques équivalentes au spectre Doppler et introduisent un espace Spectrum-Mode pour la détection maritime.
Cadre théorique & Opérateur de Koopman : Schmid (2022) fournit la revue de synthèse sur la DMD, ses variantes et ses liens avec la théorie de Koopman.
Modélisation dynamique stochastique : Pici et al. (2024) associent modélisation stochastique du clutter et méthodes DMD/Koopman, soulignant l'importance de conserver la dépendance temporelle par rapport aux seules descriptions d'amplitude.
Détection de cibles faibles sans entraînement : Wang et al. (2026) proposent un détecteur basé sur la reconstruction spatio-temporelle DMD et l'analyse du résidu, confirmant la maturité de cette approche pour les signaux faibles en clutter marin.
Apports méthodologiques de la DMD
La DMD ne masque pas la complexité du clutter marin ou de la cible ; elle la décompose en modes spectraux, fréquences et énergies modales. En radar, cette approche distingue naturellement la cohérence propre d'une cible par rapport à la cohérence du fond.
Données Brutes (Radar / Clutter)
│
▼
┌───────────────────────────────┐
│ Décomposition DMD (Modes) │
└───────────────┬───────────────┘
│
┌──────────┴──────────┐
▼ ▼
┌──────────────┐ ┌─────────────────┐
│ Cible faible │ │ Clutter marin │
│ (Signal │ │ (Cohérence │
│ cohérent) │ │ de fond) │
└──────────────┘ └─────────────────┘
Indicateurs observés en simulation
Déplacement des valeurs propres dans le plan complexe.
Apparition de paires de modes conjugués.
Concentration de l'énergie modale lors de la présence d'une cible.
Séparation nette des régimes cinématiques (lents vs rapides).
Prochaines étapes de validation
Pour faire évoluer ce cadre théorique vers un détecteur opérationnel :
Définition d'un score modal : Formaliser un critère de décision basé sur l'énergie et la position des valeurs propres.
Réglage du seuil ($P_{FA}$) : Évaluer la probabilité de fausse alarme sur des séries de clutter seul.
Caractérisation ($P_D$) : Mesurer la probabilité de détection sur des données simulées puis sur des campagnes de mesures réelles.
Ce document de recherche propose de renouveler la détection radar de cibles faibles (type hélicoptère) en remplaçant la classique détection par seuil d'amplitude par un CFAR modal basé sur la Dynamic Mode Decomposition (DMD).
1. Le Constat & L'Idée Clé
Le problème : Un seuil d'amplitude (CA-CFAR traditionnel) passe à côté des cibles à faible signal sur bruit/clutter ($K \in [-6, +6]\text{ dB}$).
La solution : Exploiter la signature dynamique micro-Doppler générée par la rotation des pales d'un rotor. On cherche une cohérence spatio-temporelle plutôt qu'une forte puissance.
2. La Méthodologie Proposée
Traitement par blocs courts ($N = 32$) : Découpage du signal I/Q à PRF $\approx 3747\text{ Hz}$ (fenêtres de $8,54\text{ ms}$, compatibles temps réel).
Reconstruction de l'espace des phases : Création d'un espace retardé 3D avec un délai $\tau \approx 4-5$ échantillons issus de l'autocorrélation.
Extraction DMD : Calcul des valeurs propres complexes $\mu_j$ pour en déduire :
La persistance / stabilité (module $\vert{}\mu_j\vert{}$).
La fréquence modale (angle $\theta_j$).
L'énergie modale $E_j$ et le temps de décroissance $\tau_j$.
CFAR Modal : Les cellules adjacentes ne mesurent plus le niveau de puissance du clutter de mer, mais construisent son modèle dynamique local (vecteur de caractéristiques $[\text{max } \vert{}\mu\vert{}, E_{\text{max}}, f_{\text{pair}}, \dots]$). La cellule sous test est comparée via une distance statistique (type Mahalanobis).
Estimation post-détection : Une fois la détection confirmée, la mesure précise d'amplitude/fréquence est déléguée à une FFT ou projection Fourier ciblée.
3. Résultats Marquants (Monte Carlo sur 1 000 rejeux)
Migration continue des modes : Lorsque le rapport cible/clutter $K$ monte de $-6$ à $+6\text{ dB}$, les valeurs propres migrent du centre vers le cercle unité.
Contraste marqué sur les médianes :
Clutter seul : $\text{max } \vert{}\mu\vert{} \approx 0,566$ ; $E_{\text{max}} \approx 0,655$.
Cible à $+6\text{ dB}$ : $\text{max } \vert{}\mu\vert{} \approx 0,933$ ; $E_{\text{max}} \approx 22,44$.
4. Conclusion & Statut
Le document définit une architecture temps réel viable (matrices $3 \times 3$ à décomposer). Il s'agit d'un travail de recherche prometteur, nécessitant désormais une validation sur données mesurées réelles et le tracé des courbes $P_d / P_{fa}$.