CSFMamba: A FrFT-Enhanced Cross-State Fusion Network for GNSS-R Sea Surface Height Retrieval in Complex Coastal Waters

L'océan n'est jamais immobile. Sa surface s'élève et s'abaisse sous l'attraction de la lune, la poussée du vent et le débit des rivières, créant un paysage en constante mutation qui est difficile à cartographier depuis l'espace. Pendant des décennies, les scientifiques ont utilisé des satellites pour mesurer la hauteur de la mer, une tâche cruciale pour comprendre le changement climatique, prédire les tempêtes et naviguer les navires. Cependant, observer l'océan ouvert est une chose ; observer la côte en est une autre. Près des terres, l'eau est peu profonde, les marées sont sauvages et le signal d'un satellite peut rebondir sur la plage ou une île proche avant d'atteindre l'eau, confondant ainsi les instruments. Ce « problème côtier » a longtemps été un angle mort dans notre capacité à surveiller les mers du monde.

Pour résoudre cela, les chercheurs se tournent vers une astuce ingénieuse utilisant les mêmes signaux qui guident nos smartphones. Les satellites en orbite autour de la Terre émettent constamment des signaux de navigation vers le bas. Lorsque ces signaux frappent l'océan, ils rebondissent sur la surface et reviennent à un récepteur, parfois sur un autre satellite. En mesurant le temps que met le signal pour voyager et la façon dont sa forme change après avoir rebondi, les scientifiques peuvent calculer la hauteur de l'eau. Cette méthode, connue sous le nom de GNSS-R, fonctionne magnifiquement sur l'océan profond et ouvert. Mais dans les eaux côtières complexes, les signaux deviennent désordonnés. La réflexion est déformée par la rugosité des vagues, l'angle du soleil et l'interférence des terres proches. Les méthodes traditionnelles, qui reposent sur des formules physiques fixes pour corriger ces erreurs, peinent souvent dans ces environnements chaotiques, conduisant à des mesures inexactes.

Une équipe de chercheurs de l'Université de technologie de Guilin en Chine a développé une nouvelle approche pour relever ce défi spécifique, en se concentrant sur le golfe de Beibu, une baie semi-fermée de la mer de Chine méridionale connue pour ses marées complexes et son climat dominé par la mousson. Ils ont créé un nouveau système informatique appelé CSFMamba, qui utilise un type d'intelligence artificielle conçu pour apprendre de motifs complexes plutôt que de simplement suivre des règles rigides. Au lieu d'essayer de forcer les données côtières désordonnées dans une équation simple, ce système apprend à reconnaître les relations subtiles entre la forme du signal réfléchi et la hauteur réelle de l'eau, même lorsque les conditions sont difficiles.

Le cœur de leur innovation réside dans la manière dont le système traite les données. L'information brute arrive sous la forme d'une carte de retard-Doppler, qui est essentiellement un instantané détaillé de l'énergie du signal alors qu'il rebondit sur la mer. Dans l'océan ouvert, cet instantané est généralement clair, mais près de la côte, il est souvent flou et bruité. Les chercheurs ont d'abord appliqué une technique mathématique appelée transformée de Fourier fractionnaire pour rendre ces instantanés flous plus nets, rendant les motifs cachés de la surface de l'eau plus visibles. Ils ont ensuite injecté ces données améliorées dans un réseau neuronal à deux branches. Une branche du réseau agit comme un expert visuel, étudiant la forme et la texture de la carte du signal pour comprendre l'état de la mer locale. L'autre branche agit comme un expert contextuel, analysant un large éventail de chiffres incluant la vitesse du vent, la pluviométrie, l'angle du satellite et l'heure de la journée.

Ce qui rend ce système unique est la façon dont ces deux branches communiquent entre elles. Dans de nombreux modèles précédents, les différents types de données étaient simplement empilés ou additionnés, ce qui échouait souvent à capturer comment l'environnement et la forme du signal s'influencent mutuellement. Le système CSFMamba utilise un mécanisme appelé fusion d'états croisés (cross-state fusion), qui permet aux branches visuelles et numériques d'ajuster dynamiquement leur attention en fonction de la situation actuelle. Si le vent est fort, le système apprend à accorder plus de poids aux données du vent ; si le signal est déformé par la terre, il apprend à se fier davantage à la position géométrique du satellite. Cette interaction dynamique permet au modèle de s'adapter aux conditions spécifiques et chaotiques du golfe de Beibu d'une manière que les modèles statiques ne peuvent pas faire.

Les chercheurs ont testé leur système en utilisant des données de 2021 et 2022, comparant leurs prédictions aux modèles mondiaux de niveau de la mer établis. Les résultats furent frappants. Sur une période de test de quatre mois, le système a atteint une erreur moyenne de seulement 0,53 mètre, une amélioration significative par rapport aux méthodes existantes. Pour mettre cela en perspective, si vous essayiez de mesurer la taille d'une personne debout sur un bateau, ce niveau de précision signifie que vous pourriez distinguer un enfant d'un adulte avec une grande confiance, même pendant que le bateau tangue. Le système a maintenu ce haut niveau de précision à travers les différentes saisons, des périodes de transition calmes aux moussons estivales turbulentes, prouvant qu'il pouvait gérer les changements météorologiques de la région.

Pour s'assurer que le système apprenait réellement les bonnes choses et ne se contentait pas de mémoriser les données, les chercheurs ont effectué une série de tests où ils ont supprimé des parties spécifiques du modèle. Ils ont découvert que le composant le plus critique était le mécanisme de fusion qui permettait l'interaction des deux branches. Lorsqu'une partie de ce mécanisme était retirée, le taux d'erreur doublait, faisant chuter la performance du système à un niveau où il ne pouvait plus être fiable pour des mesures précises. Cela a confirmé que la capacité à mélanger les motifs de signaux visuels avec le contexte environnemental était la clé du succès. De plus, l'analyse interne du système a montré qu'il identifiait correctement les facteurs les plus importants, tels que l'emplacement géographique et la vitesse du vent, s'alignant ainsi sur notre compréhension physique du comportement de l'océan.

L'étude a également comparé le nouveau système à d'autres modèles d'intelligence artificielle avancés, y compris ceux basés sur l'apprentissage profond traditionnel et les nouvelles architectures basées sur l'attention. Le système CSFMamba a systématiquement surpassé ses concurrents, réduisant l'erreur moyenne d'environ un quart par rapport aux meilleures alternatives existantes. Cela suggère que, pour les environnements côtiers complexes, l'architecture spécifique de ce nouveau modèle est mieux adaptée à la tâche que les approches précédentes. Les chercheurs ont noté que bien que le système fonctionne bien dans le corps principal du golfe, il fait toujours face à des défis dans les zones les plus difficiles, comme juste à côté des ports ou dans les estuaires de rivières étroites où l'interférence terrestre est extrême. Ces zones restent difficiles car les signaux y sont tellement déformés par la géographie proche que même les modèles d'apprentissage les plus avancés peinent à trouver un motif clair.

Malgré ces défis persistants, ce travail représente une étape importante dans notre capacité à surveiller les littoraux du monde. En appliant avec succès cette nouvelle méthode au golfe de Beibu, les chercheurs ont démontré qu'il est possible de récupérer des données précises sur le niveau de la mer depuis l'espace, même dans les eaux côtières les plus turbulentes et complexes. Cette capacité ouvre la voie à une meilleure surveillance des inondations côtières, à des prévisions plus précises des ondes de tempête et à une compréhension plus profonde de la manière dont l'élévation du niveau de la mer affecte les régions les plus peuplées du monde. Le succès du système CSFMamba suggère que l'avenir de l'océanographie côtière ne réside pas dans des formules plus simples, mais dans des systèmes intelligents capables d'apprendre à naviguer dans la complexité désordonnée et magnifique du monde réel.