2 ÉTAT DE l’ART
2.6 Modèles de prédiction à moyen et long terme des séries temporelles d’affaiblissement
+ = + = + W W A (2.35)
Le paramètre µ est déterminé empiriquement. Il correspond à la vitesse d’apprentissage. S’il est trop élevé, le réseau ne reflète plus la dynamique de la série temporelle mais son comportement local. S’il est trop faible, le réseau ne s’adapte pas assez vite aux changements de comportement du canal. Ce modèle est proche du modèle ARMA adaptatif (Chap. 2.5.2).
2.6 Modèles de prédiction à moyen et long terme des séries
temporelles d’affaiblissement
2.6.1 Modèle de canal à partir de données météorologiques
(Université de Bath)
Ce modèle permet de créer des cartes de prévision à long terme de l’affaiblissement grâce à l’utilisation d’un large éventail de données météorologiques et de modèles numériques de prévision météorologique (Page et al., 2002; Grémont et al., 2003; Hodges & Watson, 2006a, 2006b). Le modèle se divise en deux parties, un modèle de prévision météorologique et un modèle de calcul de l’affaiblissement. Le modèle numérique de prévision
48 météorologique méso-échelle est basé sur les lois de conservation de la masse, de la chaleur, du mouvement, de l’eau, des gaz et des autres aérosols. Un premier cadrage des conditions aux limites est réalisé en utilisant les sorties de modèles de prédiction globaux (grille de 0.5°). Les conditions aux limites sont ensuite affinées en intégrant des données mesurées au sol, des données radar (grille de 4km) et des profils verticaux obtenus par radiosondage. Le modèle détecte les endroits où des phénomènes météorologiques de taille inférieure à la grille ont une forte probabilité de se produire et modélise statistiquement leur effet dans les pixels concernés. Le modèle estime ensuite la hauteur de pluie en fonction de l’isotherme 0°C.
Figure 2.11 – Exemple de prédiction sur une journée pour une liaison Terre-Satellite. L’affaiblissement mesuré correspond à la courbe grise, l’affaiblissement simulé à la courbe rouge.
L’affaiblissement par les gaz et les nuages est alors calculé grâce aux sorties du modèle météorologique et aux modèles de calcul direct présentés au chapitre 2.1. Le taux de pluie est converti en affaiblissement linéique par une transformation classique aRb, puis l’affaiblissement total est calculé en utilisant la hauteur de pluie. Les phénomènes de pluie étant plus localisés que la résolution du modèle, un bruit gaussien de pente spectrale -20 dB/décade est utilisé pour ajouter des fluctuations haute fréquence à l’affaiblissement par la
49 pluie. Des scintillations sont de plus introduites par l’ajout d’un bruit gaussien de pente spectrale -8/3 modulé par une intensité qui peut se calculer à partir des profils verticaux de pression, de température, d’humidité et de vitesse des vents.
Ce modèle permet de faire des prévisions jusqu’à trois jours avec un intervalle entre échantillon de 5mn. Il est surtout intéressant dans le cadre d’une FMT de diversité (c’est-à-dire un système de changement de satellite ou de station terrestre en fonction de l’affaiblissement). Bien que les résultats soient intéressants, le modèle n’arrive à prédire qu’une partie des événements de pluie et n’est pas très précis concernant leur intensité (Fig. 2.11). De plus, ce modèle a besoin d’une grande puissance de calcul pour fonctionner.
2.7 Conclusions
L’affaiblissement par l’oxygène se calcule facilement en fonction des données météorologiques au sol et varie peu spatialement et temporellement. Les profils verticaux de pression et de température sont bien connus, ce qui donne un calcul précis. L’affaiblissement par la vapeur d’eau peut aussi se calculer, mais les résultats restent approximatifs en raison de l’incertitude des profils verticaux de vapeur d’eau. L’affaiblissement par les gaz (< 2 dB.km-1) reste faible proportionnellement aux autres effets et les erreurs commises ont peu de conséquences sur l’affaiblissement total.
L’affaiblissement par les nuages est plus important que celui par les gaz. Il peut atteindre 4 dB.km-1 à 50 GHz. Les nuages présentent de fortes variations spatio-temporelles et il n'y a pas de mesures disponibles permettant un calcul direct de l’affaiblissement qu’ils provoquent. Cependant on peut utiliser les données statistiques des différents types de nuages afin d’obtenir une estimation de cet affaiblissement.
L’affaiblissement par la pluie est la principale composante de la dégradation du signal. Le calcul direct de l’affaiblissement par la pluie nécessite la connaissance de la DSD sur la liaison, ce qui n’est pas possible en pratique. Les modèles simplifiés de type aRb permettent d’estimer l’affaiblissement par la pluie en fonction du taux de pluie au sol, mais les erreurs peuvent dépasser une dizaine de dB à 50 GHz en raison de la diversité des profils de pluie, de la variabilité de la DSD et de l’incertitude sur la longueur du trajet effectivement affecté par la
50 pluie. Il n’est donc pas possible d’obtenir une estimation précise de l’affaiblissement en fonction des paramètres météorologiques au sol, ce qui justifie l’utilisation de modèles statistiques pour la prédiction à court-terme de l’affaiblissement.
En bande EHF, l’affaiblissement par les gaz et les nuages ne peut plus être négligé et la séparation des effets devient donc indispensable, car chaque composante a son propre coefficient de similitude. La méthode de séparation des effets par réseaux de neurones est la seule proposée dans la littérature. Cette méthode sera utilisée dans les chapitres suivants, car elle donne de bons résultats statistiquement.
Concernant la similitude en fréquence, le coefficient de similitude pour les gaz est lié principalement à l’humidité au sol et celui spécifique aux nuages est une constante. L’affaiblissement par la pluie étant fort, l’estimation correcte du coefficient de similitude spécifique à cette composante de l’affaiblissement est essentielle pour ne pas commettre des erreurs trop importantes. La loi de similitude en fréquence pour la pluie est malheureusement peu précise car elle dépend de la DSD sur la liaison, information à laquelle nous n’avons pas accès en pratique.
Enfin, concernant la prédiction de l’affaiblissement, la diversité des modèles de prédiction proposés illustre la difficulté du problème. Les modèles ARMA adaptatif, ONERA-DEMR (appelé simplement ONERA dans la suite), NASA et ADALINE sont adaptés à la prédiction à court-terme et ont été implémentés pour les comparaisons des performances de prédiction réalisées au chapitres 3 et 4. Nous verrons à cette occasion que leurs performances sont proches de celles de la simple persistance, d’où la nécessité de développer un modèle de prédiction plus spécifique et plus performant.
51