Etude Texturale Et Fractale Des Echos Radar

République Algérienne Démocratique et Populaire
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université des Sciences et de la Technologie Houari BOUMEDIENE
FACULTE DE GENIE ELECTRIQUE

DEPARTEMENT TELECOMMUNICATION
Mémoire du projet de fin d’études
Pour l’obtention du diplôme

d’ingénieur d’état en électronique
Option : Télécommunication
SUJET :
ETUDE TEXTURALE ET FRACTALE DES ECHOS RADAR :

APPLICATION AUX SITES DE SETIF ET BORDEAUX
Thème proposé par : Mr. Haddad Etudié par :

Encadré par : Mr. Haddad MELLOUK Assia
Soutenu le :
Devant le jury composé de :
Président,
Examinateur,
PROMOTION : 2001 - 2002

Sommaire
I NT R O DU C T I O N GE N E R A L E ......................................................................... 1
CHAPITRE I : R A D A R S E T A N OM A L I E S D E PR O P A GAT I O N ........................... 3
1.1 INTRODUCTION ............................................................................................................ 3

1.2 LE RADAR METEOROLOGIQUE ................................................................................... 3
1.2.1 Principe ............................................................................................................. 4
1.2.1.1 Radar non cohérent ............................................................................... 4
1.2.1.2 Radar cohérent ...................................................................................... 6
1.2.2 Emplacement du Radar ................................................................................... 7
1.2.2.1 Angle de tir du radar ............................................................................. 7
1.2.2.2 Choix du site .......................................................................................... 7
1.2.3 Visualisation des données ................................................................................ 8
1.3 LES ANOMALIES DE PROPAGATION DANS LA BASSE ATMOSPHERE .......................... 8
1.3.1 Indice de Réfraction ......................................................................................... 8
1.3.2 Les modèles de la terre fictive ......................................................................... 9
1.3.3 Types de Réfraction ....................................................................................... 10
1.4 TYPES DE PRECIPITATIONS ........................................................................................ 11
1.4.1 Les précipitations convectives ....................................................................... 11
1.4.2 Les précipitations orographiques ................................................................. 11
1.4.3 Les précipitations frontales ........................................................................... 12
1.5 MESURES DES PRECIPITATIONS ................................................................................. 12
1.5.1 Le pluviomètre ............................................................................................... 12
1.5.2 Le pluviographe ............................................................................................. 12
1.6 REGIME DES PRECIPITATIONS ................................................................................... 12
1.7 CONCLUSION .............................................................................................................. 13
CHAPITRE II : C A R A C T E R I S T I QUE S DE S E C HO S D U S O L E T T E CH NI Q UE S
D E L E U R E L I M I NAT I O N ...... …………………………………....14
2.1 INTRODUCTION .......................................................................................................... 14

2.2 EQUATION DU RADAR ................................................................................................ 15
2.3 FACTEUR DE REFLECTIVITE...................................................................................... 15
2.4 CARACTERISTIQUES DES ECHOS RADAR ................................................................... 15
2.4.1 Pouvoir réflecteur des échos radar ............................................................... 15
2.4.1.1 Echos du sol ......................................................................................... 16
2.4.1.2 Echos de mer ....................................................................................... 16
2.4.2 Détection des échos radar .............................................................................. 17
2.5 TECHNIQUES D’ELIMINATIONS DES ECHOS RADAR................................................... 18
2.5.1 Filtrage Doppler .............................................................................................. 18
2.5.2 Circuits MTI (Moving Target Indicator) ...................................................... 19
2.5.3 Filtrage par Polarisation ................................................................................ 20
2.5.4 Filtrage en Peigne ........................................................................................... 20
2.5.5 Les Approches Statistiques ............................................................................ 21
CHAPITRE III : E T UD E DE L A T E XT U RE PA R L ’ APP R OCHE ST AT I ST I STI QU E .... 23
3.1 GÉNÉRALITÉS ........................................................................................................ 23

3.2 DÉFINITION DE LA TEXTURE .................................................................................. 23
3.3 ANALYSE DE LA TEXTURE ...................................................................................... 24
3.3.1 L’approche structurale ............................................................................... 24
3.3.2 L’approche statistique ................................................................................ 24
3.4 LA MÉTHODE DES HISTOGRAMMES........................................................................ 25
3.5 L A MÉ T HODE D E S M A TR I CE S D E C OOC C UR R E NC E S DE N I VE A UX D E GR I S
(GLCM) ................................................................................................................ 26
3.5.1 Définition..................................................................................................... 26
3.5.2 Formalisme mathématique ......................................................................... 26
3.5.2.1 Matrices directionnelles et moyennes ................................................ 26
3.5.3 Paramètres texturaux ................................................................................. 28
3.6 LA MÉTHODE D’UNSER (SADH)............................................................................... 31
3.6.1 principe........................................................................................................ 32
3.6.2 Paramétres .................................................................................................. 32
3.7 DOMAINES D’ÉTUDE .............................................................................................. 34
3.7.1 Site de Setif.................................................................................................. 34
3.7.1.1 Chaîne SANAGA ............................................................................... 34
3.7.2 Site de Bordeaux ......................................................................................... 35
3.8 FACTEUR DE RÉFLÉCTIVITÉ ET TAUX DE PRÉCIPITATION ...................................... 36
3.9 TRAITEMENT DES IMAGES RADAR ......................................................................... 37
3.9.1 principe de la méthode................................................................................ 37
3.9.2 Structure physique des échos du sol et des échos de précipitations .......... 38
3.9.2.1 Méthode d’histogrammes .................................................................. 39
3.9.2.2 Méthode des matrices de cooccurrences............................................ 39
3.9.2.3 Méthode d’Unser .............................................................................. 40
3.9.3 Organigrammes .......................................................................................... 42
3.10 APPLICATION ...................................................................................................... 45
3.10.1 Méthode des Histogrammes...................................................................... 45
a) Critère d’identification.............................................................................. 45
b) Résultats du filtrage.................................................................................. 46
c) Facteur de réflectivité et taux de précipitations ......................................... 48
d) Discussion................................................................................................ 48
3.10.2 Méthode des Matrices de cooccurrences (MCNG) .................................. 49
3.10.2.1 La méthode des matrices de niveaux de gris ................................ 49
d) Discussion................................................................................................ 56
3.10.3 Méthode d’Unser (SADH) ........................................................................ 57
d) Discussion................................................................................................ 68
3.11 COMPARAISON .................................................................................................... 68
CHAPITRE IV : E T U DE D E L A T HÉ ORI E DE S F RA C TA L E S ...................................... 70
4.1 INTRODUCTION...................................................................................................... 70
4.2 HISTORIQUE DE LA THEORIE DES FRACTALES ....................................................... 70
4.3 LA DEFINITION D’UN ENSEMBLE FRACTAL ............................................................ 71
4.3.1 Les Dimensions fractales............................................................................. 71
4.3.1.2 L’approche Aire\Périmétre ............................................................... 72
4.3.1.2 La dimension de Minkowski-Bouligand ............................................. 72
4.4 PRINCIPE DE LA MÉTHODE .................................................................................... 74
4.4.1 Organigramme ............................................................................................ 75
4.4.2 Résultats et interprétation .......................................................................... 78
4.4.1.2 La dimension fractale aire/périmètre ................................................ 78
a) les pluies convectives..................................................................... 79
4.4.1.3 La dimension fractale box-counting .................................................. 80
4.4.3 filtrage des images radar par la dimension fractale .................................. 81
4.5 CONCLUSION ......................................................................................................... 81
C ONCLUSI ON GÉNÉRALE ................................ ................................ ........ 82

Introduction générale 1
Introduction générale
L’étude du cycle de l’eau ou de sa gestion a depuis toujours suscité un intérêt capital

chez l’homme. Les questions d’évaluation des ressources en eau, c’est à dire celles liées
principalement aux précipitations demeurent toujours posées malgré les avancées
considérables enregistrées en hydrologie.
Le réchauffement de la planète, la sécheresse qui commence à menacer sérieusement
tout le continent africain et les inondations fréquentes enregistrées en Amérique et en Asie
sont des dangers qui ne peuvent pas être écartés que grâce à une gestion rationnelle et très
précise des sources de renouvellement de l’eau. Le pluviomètre est l’instrument le plus utilisé
dans les stations météorologiques pour mesurer le taux de précipitations. L’inconvénient de
cet appareil est que la mesure n’est valable qu’au point ou elle a été effectuée. Alors l’étude
de la distribution des précipitations sur une grande étendue utilisant ce type d’instrument
nécessite des moyens matériels et financiers considérables. De nos jours, le radar
météorologique est le moyen d’observation et d’estimation des précipitations le plus utilisé de
par le monde. En effet, il présente l’aptitude unique d’assumer une couverture continue dans
l’espace et dans le temps de la structure des précipitations. En plus, il nous renseigne sur leurs
intensités. En Algérie , un réseau de sept radars couvre tout le nord du pays. Les images radar
comportent divers échos. Ce sont principalement :
- Ceux provenant des nuages et des précipitations.
- Ceux causés par la surface terrestre.
Ces derniers gênent considérablement la détection des échos météorologiques et sont
considérés comme des échos parasites. En effet, ils réduisent les performances du radar en
induisant des erreurs dans l’estimation des précipitations. L’objectif de ce travail est
l’élimination des échos du sol des images radar afin de ne recueillir que les échos de
précipitations. Pour se faire, nous allons étudier deux techniques différentes, la première
basée sur l’approche statistique de la texture des images radars, et la seconde basée sur le
calcul de la dimension fractale des échos de précipitations et des échos du sol. Compte tenu
de ces objectifs, ce mémoire sera organisé en quatre chapitres .
- Dans une première étape, nous allons procéder à la description de la physique de
l’atmosphère et rappeler le fonctionnement du radar.
Introduction générale 2
- Dans une seconde étape, nous présentons les techniques d’élimination des échos du
sol les plus couramment utilisées.
- Dans le troisième chapitre, nous proposons de développer trois méthodes d’analyse
texturale à savoir, la méthode des histogrammes, la méthode des matrice des cooccurrences, et
la méthode d’unser, et ceci pour deux sites de climats différents : l’un situé à setif (Algérie) et
l’autre à bordeaux (France).
- La dernière partie est consacré à l’analyse fractale des images radars par le calcul
de la dimension fractale des échos de précipitations et des échos du sol, et ceci pour les deux
différents sites cités précédemment.
Chapitre I : radars et anomalies de propagation. 3
CHAPITRE I
Radars et anomalies de propagation
1.1. INTRODUCTION.
L’atmosphère est un milieu très complexe à cause de sa structure et les différents

échanges qui s’y produisent. Le paramètre physique qui nous permet de le caractériser
convenablement est l’indice de réfraction. Cependant ce dernier présente plusieurs
fluctuations plus au moins importantes selon les conditions atmosphériques. Avec la mise au
point du radar, des recherches plus détaillées sur la structure atmosphériques devinrent alors
possibles [Friend, 1940-1949] et répondirent à diverses questions encore mal élucidées. En
effet, le radar présente l’avantage de collecter avec souplesse, efficacité et rapidité des
quantités considérables de données sur la structure tridimensionnelles de l’atmosphère
permettant ainsi une bonne description des phénomènes atmosphériques et une étude plus
approfondie de l’influence de l’atmosphère sur la propagation des ondes hertziennes.
Dans le cas de radar météorologique, les images comportent divers échos. Ces échos
sont principalement dus aux précipitations, mais ils sont le plus souvent accompagnés d’échos
du sol. Le caractère mystérieux de ces derniers, leurs valurent le nom, par ironie «échos
fantôme » ou «ange radar ». Des recherches plus détaillées ont permis assez rapidement de
conclure que deux causes principales étaient à l’origine de ces échos fantôme. Ils sont causés
essentiellement par des gradients très forts de l’indice de réfraction de l’air associés à de la
turbulence ou par des oiseaux et surtout des insectes, dont la répartition dans l’air est
fortement influencée par la structure thermodynamique des basses couches
atmosphériques.(voir annexe 1)
1.2. LE RADAR METEOROLOGIQUE.
Le radar est un système électromagnétique de détection et de localisation des objets. Il

fonctionne en émettant une onde de forme particulière, et en détectant l’écho de cette onde
provenant du volume rétro-diffusant. Il fournit des renseignements quantitatifs et qualitatifs,
sur les propriétés du milieu diffusant avec une très bonne résolution spatio-temporelle.
L’ensemble des signaux provenant des différents points de l’espace permet de préciser les
contours des cibles et, à l’intérieur de celle-ci, leur structure à petite et moyenne échelle, leur
évolution, leur mouvement, ainsi que d’autres renseignements dont l’interprétation fait appel
à l’expérience de l’analyste. Du point de vue hydrologique, le radar apporte une information
précieuse pour la détermination de la précipitation. La connaissance de la distribution des
échos radar (structures horizontale et verticale) est un indicateur très important pour l’étude
des différents types d’organisation des systèmes convectifs précipitants.
1.2.1. Principe.
Le radar conventionnel émet dans l’atmosphère, à intervalles de temps égaux, des

impulsions d’énergie électromagnétique puissantes très brèves et de fréquence élevée. Cette
énergie est alors concentrée en un faisceau de faible ouverture par une antenne directive. Les
cibles (obstacles) de toutes natures, présentes dans le faisceau, interceptent une partie de
l’énergie incidente qu’elles absorbent et rayonnent à nouveau dans diverses directions. La
fraction renvoyée vers le radar constitue le signal utile. En première approximation, on peut
admettre que, sur des distances n’excédant pas quelques centaines de kilomètres, les ondes
électromagnétiques utilisées se propagent en ligne droite et à vitesse constante (c 3 108 ms-1)
L’orientation de l’antenne et le temps écoulé entre l’émission de l’impulsion et la réception
du signal permet de localiser la région diffusante, en direction et en distance (fig. 1.1).
Fig. 1. 1 - Diagramme distance-temps pour des signaux émis par un radar et

Rétro-diffusés par un nuage.
La partie gauche du schéma représente dans un plan vertical le faisceau d’onde

électromagnétique (F) issu d’un radar situé à l’origine O et interceptant un nuage (cible) entre
les distances radiales r1 et r2. Le diagramme de droite est une représentation de la distance en
fonction du temps pour les signaux émis par le radar et ceux diffusés par le nuage entre deux
impulsions successives. , h et fr représentent respectivement, la durée, la longueur et la
fréquence de récurrence des impulsions. [Sauvageot, 1992].
1.2.1.1. Radar non cohérent.
Le schéma bloc du radar non cohérent est donné par la figure 1.2. Ce radar travaille
généralement à des fréquences qui sont comprises entre 3 et 35 Ghz. L’oscillateur est un tube
à onde progressive ou un magnétron, modulé par un modulateur AM . Ce dernier détermine la
fréquence de répétition des impulsions fr (ou PRF = Pulse Répétition Frequency) ainsi que
leur durée (ou «largeur» temporelle). L’impulsion émise est alors composée d’un train
périodique d’ondes à très hautes fréquences, soient quelques milliers d’oscillations de
fréquence f0. En pratique, la durée est comprise entre une fraction de microsecondes et
quelques microsecondes. La période de répétition Tr est d’environ 1 ms à quelques dizaines
de ms. La puissance crête fournie par le radar à l’émission, est de quelques centaines de
kilowatts. Un duplexeur permet d’utiliser alternativement la même antenne à l’émission et à la

réception. En outre, le duplexeur est conçu de façon à protéger le récepteur durant l’émission.
Pour une cible ponctuelle située dans le faisceau, la tension instantanée du signal diffusé
reçu par le radar s’écrit :
e(t) = E0 cos[ 0t + (t)] (1-1)
Le signal reçu qui est pulsé à la fréquence fr., est mélangé par hétérodynage avec l’onde
entretenue d’un oscillateur local hyperfréquence de faible puissance. La fréquence de l’onde
locale présente un décalage constant fc = c/2 avec la fréquence f0 de l’émetteur à laquelle
elle est asservie par la commande automatique de fréquence. L‘onde locale est de la forme,
k cos ( 0 - c) t. Le mélangeur opère une multiplication des deux signaux, de sorte que l’on
obtient en sortie un signal de la forme : um (t)= U0 cos[ 0t + (t)]. cos( Lt), ou bien :
um = (U0 / 2) cos[( 0- L)t + (t)] + (U0 / 2) cos[( 0+ L)t + (t)] (1-2)
avec : L= 0- c
Ce signal est ensuite filtré et amplifié par l’étage de fréquence intermédiaire (FI) qui est
un amplificateur sélectif accordé à la fréquence fI. Le signal transmis est alors du type :
v (t) =V0 cos[ I + (t)], ou I = | 0 - L| et fI = I /2 = fréquence intermédiaire.
La fréquence intermédiaire d’un radar non cohérent se situe entre 35 et 60 MHz. Ce qui
explique l’intérêt de l’utilisation de la fréquence intermédiaire dans le fait que le signal radar
est transmis à plus basse fréquence et que pour ce faire, il suffit d’employer des circuits
électroniques ordinaires. A la sortie de l’étage d’amplification FI, se trouve un démodulateur
AM qui permet de détecter l’écho radar. Le signal ainsi démodulé, est transmis à
l’amplificateur vidéo fréquence, puis au système d’acquisition, de traitement et visualisation
du signal radar [Sauvageot, 1992].
Fig. 1. 2 - Schéma bloc d’un radar non cohérent à impulsions.

1.2.1.2. Radar cohérent.
En réalité, les cibles atmosphériques ne sont généralement pas immobiles.

Considérons une cible supposée ponctuelle, se trouvant à une distance r, et se déplaçant à une
vitesse radiale vr. Après rétro-diffusion par la cible, la phase du signal reçu par l’antenne radar
est :
4 π . r(t)
r(t)= (1-3)
λ
où: est la longueur d’onde à laquelle travaille le radar.
La variation de phase qui en résulte, vaut :
d 4 dr 4π
. vr (1-4)
dt λ dt λ
Ce qui explique l’effet Doppler de fréquence :
1 d
f 2 vr (1-5)
d 2π dt λ
Le paramètre fd est la fréquence Doppler. Elle est négative lorsque la cible s’éloigne du
radar (vr > 0) et positive dans le cas contraire. La formule (1-5) est une approximation valable
pour le mouvement des cibles atmosphériques.
En plus des mesures de distance, de position et d’intensité des échos radar, le radar
cohérent permet de détecter l’effet Doppler lié au déplacement d’une cible et de déterminer la
vitesse radiale de celle-ci. On peut voir clairement dans le schéma de la figure 1.3, qu’il est de
configuration plus complexe que le radar non cohérent. Ainsi, son récepteur est conçu de
façon qu’on puisse connaître à sa sortie, à la fois l’amplitude et la phase du signal rétro-
diffusé. Cela explique l’utilisation d’un oscillateur local très stable, appelé stalo (stable
oscillator), et travaillant à très hautes fréquences qui fournit un signal de fréquence f0. Ce
dernier est mélangé avec un signal également très stable, provenant d’un oscillateur cohérent,
appelé coho (cohérent oscillator). Cet oscillateur étant pris comme référence, la fréquence du
signal délivré par celui-ci est également à la fréquence intermédiaire fc. Le signal résultant de
fréquence f0+fc détermine, après amplification, les caractéristiques de l’onde émise par un
tube amplificateur (type klystron). Le signal reçu est mélangé avec l’onde du stalo pour
produire une onde de fréquence intermédiaire ayant les caractéristiques de phase du signal
rétro-diffusé. Aussi celui-ci est comparé au signal FI au niveau de deux modulateurs
équilibrés jouant le rôle de détecteur de phase. Notons qu’au préalable, les deux signaux ont
subi une division de fréquence et sur l’une des deux voies, la phase du signal issue du coho, a
été avancée de /2 avant comparaison. Les signaux obtenus respectivement aux deux sorties
du récepteur sont alors de la forme : v1 (t) =V0 cos(2 fd t) et v2 (t) = V0 sin(2 fd t).
On en déduit l’amplitude du signal rétro-diffusé en faisant : V0 = [v12+v22]1/2 et la phase
contenant la fréquence Doppler en écrivant que : (t) = Arctg (v2 / v1). En pratique, la mesure
de l’amplitude et celle de la phase du signal rétro-diffusé peut se faire à l’oscilloscope en
utilisant la méthode de Lissajous ou tout autre technique de mesure de ces deux paramètres.
Fig. 1. 3 - Schéma-bloc d’un Radar cohérent à impulsion.
1.2.2. Emplacement du Radar.
1.2.2.1. Angle de tir du radar.
Pour un fonctionnement idéal du radar, une exploitation adéquate de celui-ci s’impose.

Cette exploitation est liée à son angle de tir. En effet, si l’antenne radar est pointée vers le sol,
on obtient un signal très fort. Lorsque le radar travaille sous incidence rasante, une bonne
partie de son faisceau rencontre des cibles atmosphérique et le reste du rayonnement
intercepte le sol et produit un signal de retour non négligeable. Si l’antenne est trop élevée
vers le ciel, le radar risque de ne pas déceler les zones de précipitations et les nuages qui
apparaissent au-delà de l’horizon, car la distance séparant ces précipitations du radar est très
grande.
1.2.2.2. Choix du site.
L’emplacement du radar, est très important et nécessaire afin de réduire l’influence des
échos du sol. En d’autre terme, l’emplacement le plus convenable pour un radar
météorologique est le centre d’une plaine ou le sommet d’une montagne, réduisant ainsi
considérablement le nombre d’obstacles. Cependant, des contraintes liées à l’urbanisation
d’une région donnée et à la nature des terrains, ne permettent toujours pas de choisir l’endroit
idéal pour installer un radar. D’où, il est impératif de trouver d’autres moyens pour supprimer
le clutter de sol.
1.2.3. Visualisation des données.

La visualisation du signal radar peut se faire selon trois modes qui sont :
 La représentation PPI (Plan Position Indicator). Elle correspond à un balayage azimutal de
l’antenne à site constant. L’origine est habituellement le centre de l’écran. La position des
cibles est donc représentée en coordonnées polaires.
 La représentation RHI (Range Height Indicator). Il s’agit d’un balayage à azimut constant
et site variable. L’origine des coordonnées est déplacée vers le bord de l’écran. La
position des cibles est aussi donnée en coordonnées polaires.
 La représentation HTI (Height Time Indicator). Elle traduit l’intensité du signal et de son
écho en fonction du temps.
1.3. LES ANOMALIES DE PROPAGATION DANS LA BASSE ATMOSPHERE.
Les anomalies de propagation, se développent fréquemment au-dessus des régions

côtières et de la mer. Elles sont dues à de fortes variations de l’indice de réfraction
atmosphériques qui ont pour effet de courber la trajectoire des ondes électromagnétiques,
provoquant ainsi, soit une transmission guidée s’étalant au-delà de l’horizon sur des longues
distances [Haddad, 1990], soit l’apparition d’échos anormaux dans les images radar (clutter).
1.3.1. Indice de Réfraction.
Afin de caractériser la transparence de l’atmosphère, on doit mesurer l’indice de

réfraction de l’air ; ce paramètre joue un rôle très important pour l’explication des différents
types de propagation des ondes électromagnétiques dans l’atmosphère. Dans le cas général, il
est donné par l’expression:
n r
µr (1-6)
où : r et µr désignent respectivement les constantes diélectrique et magnétique du

milieu considéré, Pour l’air, le paramètre µr vaut 1.
Les variations de l’indice de réfraction sont plus importantes selon la verticale que
l’horizontal. Au-dessus d’une vaste étendue maritime, la basse atmosphère peut être
considérée comme uniformément stratifiée c’est à dire que l’indice de réfraction ne dépend
que de la coordonnée d’altitude z.
Trois cas de variations de l’indice de réfraction apparaissent :
1)- nk = nk+1 = cste : (fig.1.4.a)

La trajectoire des ondes électromagnétiques est rectiligne, elle ne subit pas de réfraction.
Pour les deux autres cas, on suppose que chacune de ces couches a un indice constant et
que l’indice de réfraction varie quand on passe d’une couche à une autre . D’après la loi de
réfraction (loi de snell-descartes) :
nk sin ik = nk+1 sin ik+1 (1-7)

2)- nk > nk+1 ik<ik+1 : (fig.1.4.b)
D’après l’équation (1-7), les rayons électromagnétiques se courbent graduellement vers le
sol.
3)- nk< nk+1 ik>ik+1 : (fig.1.4.c)
Lorsque l’indice de réfraction croit avec l’altitude, les rayons s’incurvent vers le ciel.
D’après le C.C.I.R (Conseil Consultatif International de la Radioélectricité), le co-indice
de Réfraction N de l’air est donné par [Boithias,1983].
77,6 e
N = (n – 1)106 = p 4810 (1-8)
T T
où : p désigne la pression atmosphérique exprimée en mbar, e la pression de la vapeur en
mbar et T la température en degré Kelvin.
nk nk nk
i2 i2 i2
n2 n2 n2
i1
i1 i1
n1 n1 n1
(a) L’indice de réfraction est (b) L’indice de réfraction (c) L’indice de réfraction
constant avec l’altitude décroît avec l’altitude croit avec l’altitude
Fig. 1. 4 - Trajectoire des ondes électromagnétiques dans l’atmosphère
1.3.2. Les modèles de la terre fictive.
Pour certains problèmes relatifs à la propagation des ondes électromagnétiques dans

l’atmosphère, il est plus commode de raisonner en termes de terre fictive. Considérons pour
cela, une terre fictive de rayon (R’) surmontée d’une atmosphère d’indice (n’).
L’équivalence Terre réelle - Terre fictive est obtenue lorsque la courbe relative des
rayons électromagnétique est conservée. Ceci se traduit par [Boithias, 1983] :
dn' 1 dn 1
. (1–9)
dz R' dz R0
où : R0 est le rayon de la Terre réelle, n et R désignent respectivement l’indice de réfraction

atmosphérique et le rayon de la Terre réelle.
Deux cas particuliers de Terre fictive sont couramment utilisé en pratique. Ce sont :
1. Une Terre de rayon R’ entourée d’une atmosphère homogène (n’= cste). Ce modèle est
surtout utilisé pour des liaisons hertziennes point à point.
2. Pour une Terre plane (R’ ) surmontée d’une atmosphère d’indice n’, l’expression
(1-9) devient :
dm dn 1
. (1-10)
dz dz R0
Après intégration, on trouve que :
z
m(z) n(z) . (1–11)
R
0
La quantité m, est par définition, l’indice de réfraction modifié. Pour mieux apprécier
les variations de (m), on utilise le co-indice de réfraction modifiée (M) qui s’écrit :
M = (m-1)106. (1–12)
1.3.3. Types de Réfraction.
Le tableau.1.1. résume les différents types de réfraction atmosphérique que l’on peut
rencontrer en fonction de la valeur du gradient d’indice g = dN/dz exprimées en (N/km).
Gradient d’indice dN Types de réfraction

dz
dN >0 Infra-réfraction
dz
dN =-39 Atmosphère standard
dz
-157 dN 0 Supra-réfraction
dz
dN <-157 Guidage atmosphérique
dz
Tableau. 1.1 - Types de réfraction atmosphérique.
L’Infra-réfraction correspond à des gradients d’indice positifs, les rayons hertziens

s’incurvent vers le haut dans ce cas. Plus le gradient d’indice croit, plus les rayons hertziens
s’éloignent de la Terre. En particulier, quand dN/dZ =0, les trajectoires sont rectilignes.
La Supra-réfraction se traduit par des trajectoires incurvées vers le sol Quand dN/dz est
inférieures à –157 N/km, les trajectoires des ondes électromagnétiques sont plus courbées que
la surface terrestre. Les ondes sont alors piégées dans un conduit de guidage semblable au
guide métallique. Les rayons peuvent subir plusieurs réflexions successives entre les limites
supérieures et inférieures du guide. Dans ces conditions, les ondes peuvent atteindre une
portée qui dépasse de loin la zone radioélectrique de visibilité directe (fig. 1.5)
Fig. 1. 5 - Les différentes conditions de réfractions dans l’atmosphère.
1.4. TYPES DE PRECIPITATIONS.
Il existe différents types de précipitations : les précipitations convectives, les

précipitations orographiques et les précipitations frontales (fig. 1.6).
Fig. 1. 6 - Principaux types de précipitations : convectives, orographiques et frontales.
1.4.1. Les précipitations convectives.
Elles résultent d’une ascension rapide des masses d’air dans l’atmosphère. Elles sont en
général de courte durée (moins d’une heure), de forte intensité et de faible extension spatiale.
1.4.2. Les précipitations orographiques.
Comme son nom l’indique (du grec oros, montagne), ces précipitations sont liées à la
présence d’une barrière topographique particulière et ne sont pas, par conséquent,
spatialement mobiles. Les caractéristiques des précipitations orographiques dépendent de
l’altitude, de la pente et de son orientation, mais aussi de la distance séparant l’origine de la
masse d’air chaud du lieu de soulèvement. En général, elles présentent une intensité et une
fréquence assez régulières.
1.4.3. Les précipitations frontales.
Elles sont considérées aussi de type cyclonique. Elles sont associées aux surfaces de
contact entre les masses d’air de température, de gradient thermique vertical, d’humidité et de
vitesse de déplacement différent, que l’on nomme fronts. Les fronts froids créent des
précipitations brèves, peu étendues et intenses. Les fronts chauds génèrent des précipitations
longues, étendues, mais peu intense.
1.5. MESURES DES PRECIPITATIONS.

Comme les précipitations varient selon différents facteurs (déplacement de la
perturbation, lieu de l’averse, etc.), leur mesure est relativement compliquée. Quelle que soit
la forme de la précipitation, liquide ou solide, on mesure la quantité d’eau tombée durant un
certain laps de temps. On l’exprime généralement en hauteur de précipitation ou lame d’eau
précipitée par unité de surface horizontale (mm). On définit aussi son intensité (mm/h) comme
la hauteur d’eau précipitée par unité de temps.
Les deux appareils fondamentaux permettant la mesure des précipitations sont :
1.5.1. Le pluviomètre :
Il est considéré comme l’instrument de base de la mesure des précipitations liquides ou

solides. Il indique la quantité d’eau totale précipitée et recueillie à l’intérieur d’une surface
calibrée dans un intervalle de temps séparant deux relevés.
1.5.2. Le pluviographe :
Cet instrument capte la précipitation de la même manière que le pluviomètre mais avec
un dispositif permettant de connaître, outre la hauteur d’eau totale, leur répartition dans le
temps, autrement dit les intensités.
1.6. REGIME DES PRECIPITATIONS.
Pour identifier et classer les diverses régions pluviométriques du globe, on a

habituellement recours aux précipitations moyennes mensuelles ou annuelles (évaluées sur
une longue période) et à leurs variations. Une classification pluviométrique générale basée sur
les données annuelles est fournie par le tableau. 1.2.
Nom Caractéristiques
Régime équatorial humide - plus de 200 cm de précipitations annuelles moyennes à
l’intérieur des continents et sur les côtes.
- région typique de ce régime : bassin de l’Amazone.
Régime subtropical humide en - entre 100 et 150 cm de précipitation annuelle moyenne à
Amérique l’intérieur des continents et sur les côtes.
- région typique de ce régime : pointe sud-est de
l’Amérique du Nord.
Régime subtropical sec - moins de 25 cm de précipitation annuelle moyenne
à l’intérieur des continents et sur les côtes ouest.
- région typique de ce régime : le sud du Maghreb.
Régime intertropical sous l’influence - plus de 150 cm de précipitation annuelle moyenne
des alizés sur des zones côtières étroites ; humidité.
- région typique de ce régime : côtes est de l’Amérique
centrale.
Régime continental tempéré - entre 10 et 50 cm de précipitation annuelle moyenne
à l’intérieur des continents ; il en résulte des déserts ou
des steppes.
- région typique de ce régime : plaines de l’ouest du
continent nord-américain.
Régime océanique tempéré - plus de 100 cm de précipitation annuelle moyenne
sur les côtes ouest des continents.
- région typique de ce régime : la Colombie britannique,
l’Europe.
Régime polaire et arctique - moins de 30 cm de précipitation annuelle moyenne
se situe au Nord du 60e parallèle ; formation de grands
déserts froids.
- région typique de ce régime : le Grand Nord canadien.
Tableau. 1. 2 - Régimes pluviométriques du monde.
1.7. CONCLUSION.
Les précipitations sont un des processus hydrologiques les plus variables. D’une part,
elles sont caractérisées par une grande variabilité dans l’espace et ceci quelle que soit
l’échelle spatiale prise en compte (régionale, locale, etc.). D’autre part, elles sont caractérisées
par une grande variabilité dans le temps, aussi bien à l’échelle annuelle qu’à celle d’un
événement pluvieux.
Chapitre II : Caractéristiques des échos du sol et techniques de leur élimination. 14
CHAPITRE II
Caractéristiques des échos du sol et techniques

de leur élimination
2.1. INTRODUCTION.
En général, l’information contenue dans les images radar comporte deux sortes d’échos.
Il s’agit principalement des échos de précipitations mais aussi ceux dus à la rétro-diffusion du
signal par la surface terrestre appelée échos du sol (clutter). Ces dernières gênent
considérablement la détection des échos météorologiques et ils peuvent induire des erreurs
dans l’estimation des précipitations.
Les échos du sol apparaissent sous forme de cibles fixes ou lentement mobiles :
 Les échos mobiles.
Les échos mobiles se subdivisent en deux catégories principales :

- Des échos mobiles qui sont dus au mouvement des arbres ou au mouvement des vagues
de la mer sous l’effet du vent. Ils sont caractérisés par un mouvement lent et erratique, et qui
oscille à faible amplitude autour de sa position d’équilibre.
- Des échos mobiles qui sont dus aux anomalies de propagation dans la basse atmosphère et
qui proviennent de la surface terrestre, formant ce qu’on appelle, les échos AP (Anomalous
Propagation), appelés aussi anaprops. Ces échos apparaissent au-delà de la zone de visibilité
directe. Ils sont caractérisés par un mouvement lent et désordonné. Ces échos AP sont
persistants et ils peuvent occuper de grandes surfaces sur la côte et le continent par rapport à
la mer [Haddad et al, 1999].
 Les échos fixes.
Les échos fixes, sont causés par la rétro-diffusion des ondes radar sur les obstacles
formant la surface terrestre tel que les terrains accidentés, les montagnes, les collines, les
pylônes métalliques, les constructions en béton et les routes. Ces derniers gênent
considérablement la détection des échos météorologiques, limitant ainsi les performances et
peuvent induire des erreurs dans l’estimation des précipitations.
2.2. EQUATION DU RADAR.
L’équation du radar exprime la relation entre l’intensité moyenne du signal reçu et les
propriétés de la cible ponctuelle ou du volume diffusant situé à la distance r en fonction des
caractéristiques techniques du radar et des conditions météorologiques.
L’expression de l’équation radar, s’écrit :
2 2
P σ Gm λ
3 4
(2-1)
Pt 4π r
où :
 Pt : puissance totale émise par le radar.
 Gm : gain maximum de l’antenne.
 : section efficace de rétro-diffusion de la cible.
 r : distance entre la surface visée et l’antenne.
 : longueur d’onde.
2.3. FACTEUR DE REFLECTIVITE.
La cible interceptée par le radar est aussi caractérisée par la réfléctivité radar qui est :
n σi V (2-2)
où : V est le volume d’impulsion contenant une multitude de centres diffusants de section

efficace i.
Dans les observations par radar, on utilise également le facteur de réflectivité z pour
caractériser la répartition moyenne de la population des diffuseurs dans le volume V. Dans le
cas des précipitations z est donné par :
1 6
z i Di (2-3)
V
où : Di est le diamètre des gouttelettes de pluie. z est exprimé généralement en m6. m-3 à cause
la taille des éléments de précipitation qui sont de l’ordre du millimètre. A cette unité, on
associe une échelle logarithmique, appelé facteur de réflectivité radar donnée par :
Z(dBZ) = 10 log [(z (mm6.m-3)] (2-4)
2.4. CARACTERISTIQUES DES ECHOS RADAR.
2.4.1. Pouvoir réflecteur des échos radar.
Les échos provenant de la surface terrestre peuvent être répartis en deux catégories : les
échos du sol et les échos de mer.
2.4.1.1. Echos du sol.
Les échos du sol sont décrits par 0, à savoir la section de rétro-diffusion différentielle,
appelée encore coefficient de rétro-diffusion. Ce dernier est utilisé car la réflexion par le sol
est une contribution d’un grand nombre d’élément diffusants dans les phases sont
indépendantes.
Soit n le nombre d’éléments diffusants, dans une région illuminée par les ondes radar,
la puissance moyenne réfléchie s’écrit [Skolnik, 1990] :
n P ti . G ti . A ri . 0 .Δ A i
P 2
(2–5)
i 1 4πr i
où :
 Ai est l’aire de l’élément de surface de rang i.
 Pti est la puissance émise correspondant à l’élément de surface i.
 Gti et Ari sont respectivement, le gain et la surface effective de l’antenne.
 0 = i / Ai : Section de rétro-diffusion.
(Avec ri et i sont respectivement le rayon et la section efficace de rétro-diffusion de l’ième
surface).
La rugosité du sol intervient dans la distribution du champ réfléchi. En effet, le
phénomène de diffusion existe lorsque les ondes électromagnétiques rencontrent sur leurs
trajets un nombre important d’obstacles dont les dimensions sont du même ordre de grandeur
ou plus grande que la longueur d’onde.
D’autre part, la constante diélectrique du sol influe aussi sur le coefficient 0. En effet,
la diffusion des ondes électromagnétique par des sols humides est plus importante que celle
due aux sols pauvres en eau. Les plus fortes valeurs de 0 ont été enregistrées pour des sols
couverts de neige. Mais pour des fréquences dépassant 35 GHz, les phénomènes d’absorption
deviennent importants, réduisant alors la rétro-diffusion des ondes électromagnétiques par la
neige.
2.4.1.2. Echos de mer.
La caractéristique des échos de mer dépend non seulement de la surface de rétro-

diffusion mais aussi du comportement de la mer (agitée ou calme). A titre d’exemple, la
vitesse du vent et l’état d’agitation de la mer sont des paramètres qui contribuent à la
génération des échos de mer. Les ondes à la surface de la mer sont définies par La période T
des vagues et la longueur d’onde m de celle-ci, d’après Skolnik [1990] :
T = 0,64 u et m = 0,64 u2
où : u représente la vitesse du vent exprimé en m/s.
L’échos de mer dépend de plusieurs paramètres et il est caractérisé par sa section
efficace normalisée 1. Cette dernière est obtenue en divisant la section efficace d’une région
illuminée par une surface normalisée Af, à savoir 1 = / Af.
2.4.2. Détection des échos radar.
Rappelons que la rétro-diffusion des échos radar par des cibles atmosphériques est le
résultat de la diffusion sur une cible formée par une multitude de diffuseurs élémentaires,
indépendants les uns des autres distribués aléatoirement dans le volume de la cible.
Soit X l’amplitude du signal issu de la cible décrite précédemment. Pour un récepteur à
détection linéaire, l’amplitude X est considérée comme une variable aléatoire caractérisée par
une densité de probabilité p(x), qui s’écrit [Marshall et al. , 1953] :
2
p(X) = ( X / ) exp (- X2 / 2 2) (2-6)
2
avec : X2 X2p(X)dx = 2 (2–7)
0
2 2p(X) dx = 2(1- /4) 2

X = X X (2-8)
0
Le rapport de ces deux paramètres après calculs, vaut : X2 / X2 = 1 / (1- /4) = 4.66. Par
contre, la distribution des amplitudes des échos fixes suit une loi de Gauss pour laquelle le
rapport X2 / X2 vaut 500 (27 dB) [Skolnik, 1990].
Le spectre de puissance (f) des échos de sol est :
2
f f
(f) = 0 exp D D (2–9)
2σ 2
f
avec: f =2 v /
où : fD est la moyenne de la distribution des fréquences Doppler associées à chacune de

réflecteurs de la cible, f désigne l’écart type de cette distribution et v est l’écart type de la
vitesse, s’exprime en [cm/s].
Les tableaux 2.1 et 2.2 ci-dessous donnent les variations de v en fonction de W, la
composante horizontale du vent pour l’échos de mer et l’échos du sol.
- Pour des terrains boisés :
W(m/s) v(cm/s)
5 4
10 22
20 32
Tableau 2. 1.-.Valeurs de v en fonction de la composante horizontale du vent (W)

pour la terre.[Darricaud, 1981]
- Pour la mer :
W(m/s) v(cm/s)
4 45
10 105
Tableau 2. 2 - Valeurs de v en fonction de la composante horizontale du vent (W)

pour la mer. [Darricaud, 1981]
Pour les nuages et la pluie, les valeurs de v s’étendent pratiquement de 2 à 4 m/s.A la

longueur d’onde de 10 cm, les valeurs de f sont :
 échos du sol : 1 à 5 Hz
 échos de mer : 10 à 30 Hz
 Cibles atmosphériques : 30 à 100Hz
D’après les résultats obtenus, on peut dire que le spectre de fréquences caractérisant le
clutter de sol ou de mer, est beaucoup plus étroit que le spectre caractérisant les cibles
atmosphériques, dont la fréquence centrale du spectre est variable et dépend de la composante
horizontale du vent.
2.5. TECHNIQUES D’ELIMINATIONS DES ECHOS RADAR.
Les échos du sol réduisent considérablement l’identification et l’estimation des

précipitations, Divers méthodes d’élimination des échos fixes sont proposées dans la
littérature, à savoir [ Doviak et Zrnic, 1993 ; Hamuzu et Wakabayashi, 1991] :
1. Filtrage Doppler
2. Circuit MTI
3. Filtrage par polarisation
4. Filtrage par peigne
5. Méthodes statistiques
2.5.1. Filtrage Doppler.
Ce type de filtrage est assuré par un filtre passe-haut à flanc raide, placé à la sortie d’un
radar cohérent [Doviak et Zrnic, 1993]. Le rôle de ce filtre est d’éliminer les échos fixes en
supprimant la composante Doppler de fréquence nulle ou celles proches de 0 Hz. Mais il est
conçu de façon à conserver les échos de pluie et de nuages qui sont animés d’une vitesse
suffisamment grande, donc d’une fréquence Doppler élevée. Le filtrage de la vitesse est
effectué en procédant tout d’abord à une conversion analogique numérique du signal vidéo
issu du radar. Ensuite, ce signal est transmis à un filtre numérique qui est habituellement de
type cosinus, cosinus carré, Tchébytcheff ou Hamming.
Le filtre Doppler est très efficace quand on a affaire à des pluies intenses et à des vents
modérés soufflant à moins de 30 km/h. Pour des pluies fines, le spectre des échos de
précipitations risque de ce confondre avec celui des échos fixes. Il devient alors difficile
d’éliminer les échos fixes sans affaiblir les échos de précipitations.
2.5.2. Circuits MTI (Moving Target Indicator).
Le procédé MTI, se base sur la comparaison entre des échos radar obtenus à une période
donnée, qui seront pris comme référence, avec les échos apparaissant aux périodes suivantes,
dans le but de conserver les échos mobiles.
Les circuits MTI peuvent être : - à simple annulation.
- à double annulation.
- numérique.
Soit un circuit MTI à simple annulation, représenté par la fig.2.1 par un schéma bloc. Ce
circuit est placé généralement, soit à la sortie du démodulateur, soit dans la chaîne
d’amplification FI. Il se compose essentiellement d’une ligne à retard et d’un circuit
soustracteur.
X(t) R(t) S(t)

Ligne à retard soustracteur
X(t)
Fig. 2. 1 - Circuit M.T.I simple annulation.
- Le signal représentatif des échos du sol g(t) est de la forme :
g(t) = G cos ( t + 0 ) (2–10)
où : G est l’amplitude du signal, est la pulsation de la porteuse et 0 est le déphasage.

- Le signal représentatif des échos de précipitations y(t) est de la forme :
y(t) = Y(t) cos [ ( + D )t + (t) ] (2–11)
où : Y(t) est une variable aléatoire obéissant à la loi de Rayleigh, D est la pulsation
correspondant à la fréquence Doppler et (t) est la distribution de phase.
L’amplitude du signal représentatif du clutter du sol g(t), au niveau du récepteur est
pratiquement constante.
Le signal X(t) apparaissant à l’impulsion k est à la fois transmis à l’une des entrées du
circuit soustracteur et à l’autre entrée par le biais d’une ligne à retard. Cette dernière déphase
le signal X(t) de façon à ce qu’il soit retardé d’un temps égal à une période de répétition Tr.
Puis le signal R(t) ainsi retardé est comparé au signal X(t) apparaissant à l’impulsion k+1.
Après soustraction, les échos fixes sont éliminés car l’amplitude et la phase du signal sont
constantes. Par conséquent, le signal S(t) obtenu à la sortie du soustracteur, ne se compose
que des échos relatifs aux cibles mobiles, en général, et des échos atmosphériques en
particulier.
Dans le cas où on place un circuit MTI à double annulation, c’est à dire, deux MTI à
simple annulation montés en cascade, ceci améliorera l’élimination des échos fixes. Dans ce
cas, la suppression du clutter se fait au prix de deux soustractions successives. Le circuit MTI
à double annulation peut être assorti d’une contre réaction pour compenser la diminution du
gain du MTI.
2.5.3. Filtrage par Polarisation.
Le filtrage par polarisation, consiste à mesurer la réflectivité de cibles pour différentes

polarisations du champ électromagnétique. [Hamuzu et Wakabayachi, 1991].
La réflectivité d’une cible atmosphérique, constituée de N gouttelettes d’eau de tailles
différentes s’écrit [Sauvageot, 1992] :
=( 5
/ 4
) k 1 nd (2–12)
Vi 1 i
avec : k = -1/ +2
où : désigne la constante diélectrique, di est le diamètre des gouttelettes d’eau et V est le
volume de la cible atmosphérique.
Etant donné la forme quasi sphérique des gouttelettes, l’intensité des échos issus des
cibles atmosphériques varie peu avec la polarisation des ondes radar. Par contre, pour la
plupart des échos en provenance de la surface terrestre, l’intensité des échos dépend fortement
de la polarisation des ondes car la forme des obstacles constituant le relief qui est quelconque,
s’étale davantage dans un sens plutôt que dans un autre.
En faisant varier cette polarisation, il est possible de séparer les échos dus aux cibles
atmosphériques des échos fixes. Pour ce faire, considérons les puissances pH et pV reçues par
un radar et résultant de la rétro-diffusion, par une même cible, d’ondes émises respectivement
en polarisation horizontale (H) et en polarisation verticale (V). Par définition, la réflectivité
différentielle de la cible est :
DR = 10 log (pH / pV) (2–13)
L’identification des échos du sol, se fait grâce à ce paramètre. Il est pratiquement

constant pour les gouttelettes d’eau et il est très variable pour les échos provenant de la
surface terrestre à cause de la forme diversifiée des obstacles.
2.5.4. Filtrage en Peigne.
Pour un radar pulsé, le signal à l’émission est un signal sinusoïdal de fréquence f0,
modulé en amplitude par des impulsions rectangulaires de durée et de fréquence de
répétition fr (avec fr = 1 / Tr et << Tr). Le spectre de ces impulsions est formé d’une infinité
de raies qui s’espacent l’une par rapport à la suivante d’un intervalle de fréquence égal à fr et
dont l’amplitude :
pour n = 0 U = U0
nππ
2U sin
0 T
pour n = 1,...,n U= r
nππ
T
r
f0-fr f0-fr+fD f0 f0+fD f0+fr f0+fr+fD
Fig. 2. 2 - Raies d’échos fixes (traits fins) et d’échos de cible mobile (traits fort).
« Décalage Doppler du spectre pour une cible en mouvement.»
Supposons dans un premier temps que l’antenne soit fixe. Les raies spectrales des échos
fixes apparaissent évidemment aux même fréquences que celles du spectre à l’émission c’est à
dire aux fréquences f0 nfr (avec n = 0,1,..n). Mais lorsque le signal est rétro-diffusé par une
cible en mouvement, son spectre subit un décalage par rapport aux raies à l’émission. Pour
éliminer les échos fixes, il suffit de supprimer toutes les composantes de fréquences f0 nfr.
Pour les radars non cohérents, il suffit d’intercaler dans l’étage FI un filtre en peigne. Ce
type de filtre est un ensemble de filtres réjecteurs montés en cascade et réglés respectivement
sur chacune des fréquences à éliminer c’est à dire f0 nfr. Mais lorsque l’antenne n’est pas
fixe, le spectre subit un élargissement qui vaut 2 DaVa / (où Da est le diamètre de
l’antenne et Va sa vitesse de rotation) [Carpentier, 1981]. Les filtres réjecteurs sont réglés
alors sur les fréquences f0 – nfr – fc, f0 –nfr + fc,… ,f0 – fc, f0 + fc,… ,f0 + nfr – fc, f0 + nfr +
fc (avec n = 1,2,… ,n et fc = 2 DaVa / ).
2.5.5. Les Approches Statistiques.
Le principe des méthodes statistiques consiste à échantillonner le signal reçu et à

comparer les différents échantillons. Ainsi, l’écho du sol sera identifié en calculant la
différence entre la valeur moyenne et la valeur maximum du signal. On rejette ensuite tous les
signaux pour lesquels cette différence est faible. On peut aussi considérer un échantillon de N
impulsions, calculer le rapport entre la variance et la moyenne du signal. Ensuite, on élimine
les signaux pour lesquels ce rapport est petit.
Une autre approche utilisée pour l’élimination des échos du sol, est basée sur les
probabilités conditionnelles, les probabilités composées et la corrélation liant plusieurs pixels.
On peut par exemple appliquer un filtre qui élimine les pixels faiblement corrélés avec leur
voisinage. Pour cela, on prend une fenêtre d’analyse d’une dimension petite d’environ 5x5
pixels. L’écho est ainsi éliminé si la différence de réflectivité entre le pixel considéré et les
pixels environnants dépasse un certain seuil. Ce seuil Se est déterminé en examinant les
réflectivités Z de n échos météorologiques [Gabella et al., 1999] :
1 n
S maxZ minZ (2–14)
e ni 1
Dans notre cas, on utilise une autre démarche pour la classification et l’élimination des
échos du sol ou échos parasites. Celle –ci consiste en l’analyse de la texture des échos radar.
Deux techniques différentes ont été considérées. L’une basée sur l’approche statistique de la
texture à savoir l’utilisation des matrices de cooccurrences, de la méthode des histogrammes
et de la méthode de la somme et de la différences des histogrammes et l’autre en étudiant la
dimension fractale des échos de précipitation et des échos du sol. Ces différentes méthodes
seront utilisées pour l’élimination des échos du sol dans deux sites à climats différents. Il
s’agit de Setif (Algérie) où règne un climat continental et Bordeaux où le climat est du type
océanique.
Chapitre III : Etude de la texture par l’approche statistique. 23
CHAPITRE III
Etude de la texture par l’approche statis tique
3.1. GENERALITES.
La caractérisation des phénomènes atmosphériques et terrestres à partir d’images radars

et satellitaires est effectuée le plus souvent par les procédures de classification classique en
n’utilisant que l’information spectrale. Pour une meilleure exploitation des informations
contenues dans ces images, l’intégration de l’information spatiale dans la classification de ces
dernières s’avère nécessaire.
La texture représente le premier niveau des propriétés spatiales qui peuvent être
extraites d’une image numérique. Elle est liée aux variations d’intensités locales d’une image
et peut être alors utilisée comme une donnée additionnelle pour la classification des images
radar.
Dans ce chapitre, nous allons d’abord introduire la notion d’analyse texturale, ensuite,
nous procéderons à une revue de trois approches statistiques appliquées sur des images radar
[Mesbah et Bouayed, 2001], en vue d’abord d’une classification des échos radar et ensuite de
l’élimination des échos du sol. Deux sites radar ont été considérées dans cette étude. Il s’agit
d’images radar prises respectivement à Setif (Algérie) et à Bordeaux (France).
3.2. DEFINITION DE LA TEXTURE.
La texture est le terme utilisé pour caractériser la distribution spatiale des éléments
d’une surface donnée dans une image. A l’origine le mot texture servait à qualifier des
qualités de tissu suivant la finesse ou la grosseur du tissage.
En imagerie, elle peut être définie par les relations spatiales que possèdent des niveaux
de gris voisins, qui contribuent à l’apparence globale de l’image.
Il existe plusieurs domaines d’application et d’utilisation de l’analyse texturale, à
savoir :
- L’industrie, où elle permet de détecter d’éventuels défauts de fabrications, et de contrôler la
qualité des produits.
- L’imagerie médicale, afin de distinguer les tissus saints des tissus pathologiques.
- Le domaine de l’audiovisuel et de l’infographie, où elle peut être utilisée pour le réalisme,
l‘art….
- Les images multispectrales acquises en télédétection, afin de reconnaître et différencier un
champ, d’une foret , d’une ville.
Il existe une multitude d’attributs de la texture tels que la finesse, la linéarité, la

structure, l’orientation, l’irrégularité, l’homogénéité, la rugosité..., qui permettent d’analyser
la texture des images numériques. Ces caractéristiques fortement corrélés sont étroitement
liées à la nature et aux propriétés de chaque région de l’image formée par un ensemble
maximum de pixels voisins possédant la même propriété et à leurs répartitions dans l’image .
Chacune des ces régions est appelée primitive.
3.3. ANALYSE DE LA TEXTURE.
L’analyse et la classification des images numériques présentant une répétition ou une

quasi-répétition d’éléments fondamentaux, sont des techniques très utilisées en traitement
d’images. Il existe diverses méthodes d’analyser et de discrimination de la texture qui peuvent
être adaptées aux images radar. Les principales approches utilisées sont : l’approche
structurale et l’approche statistique.
3.3.1. L’approche structurale.
Les méthodes structurales analysent les répétitions de zones constituées par un

ensemble de pixels ayant la même propriété ou primitives et leurs organisations. Parmi les
méthodes structurales d’analyse de la texture nous citons, [Belhadj, 1998] :
 L’analyse de la texture par la morphologie mathématique.
 La méthode des iso-segments.

 La méthode des unités de texture.
3.3.2. L’approche statistique.
La texture est décrite par l’intensité d’un pixel et les caractéristiques statistiques de
variation de cette intensité dans un voisinage optimal. Les caractéristiques sont définies par
l’ensemble des relations spatiales qui lient entre eux les niveaux de gris d’une image.
Les méthodes d’analyse de texture les plus utilisées en télédétection sont [Kourgli,
1997] :
 L’estimation de la texture par la fonction d’autocorrélation.
 L’analyse de la texture par les méthodes de transformations.
 Les méthodes de mesures des paramètres locaux de texture.
 Transformations locales.
 Méthodes des matrices de dépendance de niveau de gris (MDNG).
- Matrice de cooccurrence de niveau de gris (GLCM).
- Méthodes des différences de niveau de gris (GLDM).
- Méthodes de dépendance de niveau de gris voisins (NGLDM).
- Méthodes des sommes et différences d’histogrammes (SADH).
 L’analyse de texture par la densité de contours.

 Les modèles d’analyse de la texture.
 Modèles stochastiques 2D basés sur le pixel.
 Modèles structuraux basés sur les régions.
- Modèle mosaïque.
- Modèle fractal.
Après avoir passé en revue les différentes approches statistiques, nous allons appliquer
trois approches statistiques pour deux sites différents en vue de discriminer les échos du sol
des échos de précipitations. Il s’agit de :
- la méthode des histogrammes.
- la méthode des matrices de cooccurrence (GLCM).
- La méthode d’Unser ou méthode de la somme et la
différence des histogrammes(SADH).
3.4. LA METHODE DES HISTOGRAMMES.
Cette méthode consiste à représenter pour chaque fenêtre de traitement F de taille (T1 x
T2) balayant une image numérique S de taille (M x N) l’histogramme donnant les fréquences
d’occurrences des intensités des niveaux de gris de la fenêtre considérée. Les probabilités de
premier ordre de la distribution des intensités de l’image sont définies comme suit
[Pratt, 1976] :
P (i) = occ (i) / N 0 i Ngmax-1 (3-1)
où: occ (i) représente la fréquence d’occurrence de l’intensité i dans la fenêtre. N

représente le nombre total de pixels de l’image et Ngmax le niveau de gris maximal.
[Pratt, 1976] propose une série de paramètres texturaux basée sur l’histogramme
normalisé. Ce sont :
N gmax -1
 La moyenne : µ= i. P(i) (3-2)
i 0
Ngmax -1
2
 La Variance: = (i – µ)2. P(i) (3-3)
i 0
Ngmax -1
1
 La Dissymétrie : D= (i – µ)3. P(i) (3-4)
σ3 i 0
N gmax -1
1
 L’Aplatissement : A = [ (i – µ)4. P(i)] – 3 (3-5)
σ4 i 0
N gmax -1
 L’Energie: E= P(i)2 (3-6)

i 0
Ngmax -1
 L’Entropie: H=– P(i) . log P(i) (3-7)

i 0
3.5. L A METHODE DES MATRIC ES DE COOCCURRENCES DE NIVEAUX DE

GRIS (GLCM).
3.5.1. Définition.
Une des premières méthodes utilisées dans l’analyse de la texture est la méthode des
matrices de cooccurrences dite aussi matrices de dépendance spatiale des niveaux de gris. Elle
est basée sur l’estimation de la fonction densité de probabilité conditionnelle conjointe du
second ordre p(i, j/d, ),où chaque p(i, j/d, ) pour ( = 0°, 45°, 90°, 135°, 180°, 225°, 270°)
représente la probabilité d’aller du niveau de gris i au niveau de gris j. Cette transition est
régie par un vecteur à deux composantes :
- La première est la distance « d » séparant les deux pixels.
- La seconde est l’orientation « » qui est définie par l’angle entre la direction de transition et
le sens de balayage de l’image.
L’orientation peut être déterminée aussi en coordonnées cartésiennes ( x : déplacement
dans la direction horizontale et y : déplacement dans la direction verticale).
3.5.2. Formalisme mathématique.
On définit la matrice de cooccurrence dont les éléments p(i , j) notés Pij représentent la
fréquence d’occurrence de la paire de niveaux de gris (i , j) dans une image S de taille: (MxN)
avec une fenêtre de traitement F de taille (T1 x T2) suivant une relation R(d, ) [avec =f( x ,
y)] définie par :
P(i, j/d, ) = Card {(x , y), (x+ x , y+ y) S / I(x , y) = i et I(x+ x, y+ y) = j suivant R}.
où : Card : cardinal ou nombre d’éléments.

- I(x , y) et I(x+ x , y+ y) représentent respectivement les fonctions intensité des pixels i, j
dans la fenêtre F : (T1 x T2).
La matrice Pij correspondante : Pij = P(i, j/d, )/r.
où : r est le paramètre de normalisation : r = (T1-| x|) . (T1-| y|).
3.5.2.1. Matrices directionnelles et moyennes.
Les éléments de la matrice de cooccurrence peuvent être calculés suivant trois variantes,
à savoir : considérer un sens, une direction, ou encore les quatres directions en même temps
(matrice moyenne).
a). Matrices sens (non symétriques).
IL existe huit matrices de cooccurrence (d, ) pour différentes directions ( = 0°, 45°,
90°, 135°, 180°, 225°, 270° et 315°) ( voir Fig. 3.1).
Fig. 3. 1 - Différents sens de calcul de la M.C.N.G.
Dans notre cas nous étudierons quatres directions ( = 0°, 45°, 90°, 135°), étant donné
que les matrices des directions ( = 180°, 225°, 270°, 315°) représentent les matrices
transposées respectives des quatres premières. (voir tableau 3.1)
d x y Matrice sens
P11 P12 P13
1 0° 0 1 P21 P22 P23
P31 P32 P33
P11 P12 P13
1 45° -1 1 P21 P22 P23
P31 P32 P33
P11 P12 P13

1 90° -1 0 P 21 P 22 P 23
P31 P32 P33
P11 P12 P13

1 135° -1 -1 P21 P22 P23
P31 P32 P33
Tableau. 3. 1 – les différentes directions étudiées.

b). Matrices directionnelles (symétriques).
Ces matrices sont déduites à partir des matrices sens et cela en considérant que les
quatres directions principales (0°, 45°, 90° et 135°). Ainsi chaque élément de la matrice
direction est calculé par l’expression suivante :
S (d) = 1 ( (d , ) + (d , +180°)) = 1 ( (d , ) + t
(d , )). (3-8)
2 2
t
où : est la matrice transposée.
c). Matrice moyenne.
Comme les matrices directionnelles, cette matrice est déduite des matrices sens en
considérant les huit directions en même temps. Ainsi chaque élément de la matrice moyenne
est calculé par l’expression suivante :
Sm (d) = 1 [ 1 ( (d , 0°) + t (d , 0°)) + 1 ( (d , 90°) + t (d , 90°)) +

4 2 2
1 ( (d , 45°) + t (d , 45°)) + 1 ( (d , 135°) + t (d , 135°)) ] (3-9)
2 2
Outre l’information texturale apportée par la matrice de cooccurrence, on peut calculer à
partir de cette dernière un ensemble de propriétés statistiques. Ces propriétés constituent des
paramètres texturaux permettant de révéler des caractéristiques particulières de la texture de
l’image représentée par sa matrice de cooccurrence de niveaux de gris.
3.5.3. Paramètres texturaux.
Les paramètres statistiques les plus utilisés et les plus significatifs proposés par Haralick
(1973) peuvent être regroupés en quatre catégories à savoir :
. Paramètres caractérisant l’aspect visuel de la texture : second moment angulaire (énergie) –
contraste (inertie) –corrélation (dépendance linéaire des niveaux de gris).
. Paramètres statistiques : variance –homogénéité locale –somme des moyennes –somme des
variances –différence de variances.
. Paramètres basés sur la théorie de l’information : entropie – somme des entropies –
différences des entropies.
. Paramètres de la corrélation : coefficient de corrélation maximum.
On utilisera seulement les neufs paramètres qui donnent les résultats les plus
décorrelées [Haralick, 1979 ; Unser, 1986 ]. Ce sont :
 La moyenne:
Ng 1 Ng 1
µx= i Pij
i 0 j 0
(3-10)
Ng 1 Ng 1
et : µy = j Pij
j 0 i 0
Pour des zones plus ou moins homogènes le calcul de la moyenne revient à prendre le
niveau de gris dominant de l’image.
Pour une matrice directionnelle, celle-ci étant symétrique x = y. Il en est de même
pour la variance.
 La variance:
Ng 1 Ng 1
2 2
x = (i – µx) Pij
i 0 j 0
(3-11)
Ng 1 Ng 1
2
et y = (j – µy)2 Pij
j 0 i 0
La variance est la mesure de l’hétérogénéité (l’étalement des Pij autour de la diagonale),

sa valeur sera nulle pour les zones plus ou moins homogène et les écarts entre un pixel et la
moyenne auront un plus grand poids. Ainsi, plus la valeur est grande plus la texture est
voisine d’une texture «poivre et sel ».
 L’énergie:
Ng 1 Ng 1
E= Pij2 (3-12)
i 0 j 0
Ce paramètre est appelé aussi second moment angulaire ou uniformité, il permet de

mesurer l’uniformité texturale, c’est à dire la répétition des paires de pixels. Quand l’image
considérée est homogène, la valeur de l’énergie est plus élevée.
En effet, dans une image homogène, il y a présence des paires de niveaux de gris
similaires d’où la concentration de la matrice sur la diagonale principale. Par contre pour une
image possédant une texture hétérogène, la valeur de l’énergie sera faible.
 L’entropie :
Ng 1 Ng 1
ENT = – Pij log Pij (3-13)
i 0 j 0
Ce paramètre permet de mesurer le degré de «désordre» d’une image. Lorsque cette

image est hétérogène, plusieurs éléments de la matrice de cooccurrence ont des probabilités
très petites, ce qui implique une valeur d’entropie élevée.
 L’inertie:
Ng 1 Ng 1
I= (i – j)2. Pij (3-14)
i 0 j 0
L’inertie ou le contraste mesure la différence entre les hautes et les basses valeurs d’un
ensemble de pixels (passage d’un pixel très clair à un pixel très foncé ou inversement). Ainsi,
la valeur de l’inertie est d’autant plus grande qu’il y a de variations locales importantes. Ce
paramètre tend à ressortir sur l’image les zones hétérogènes.
 L’homogénéité locale :
Ng 1 Ng 1
Hg = [1 / (1 + (i –j)2 )].Pij (3-15)
i 0 j 0
L’homogénéité locale est aussi appelée moment de différence inverse. Pour des zones
homogènes, on a une petite différence entre les paires de niveaux de gris.
Ainsi, l’application de l’homogénéité locale, à l’inverse de l’inertie, donne un poids plus
grand aux fréquences d’occurrence des zones homogènes.
 La corrélation :
Ng 1 Ng 1
C= [ (i– µx).(j– µy) / ( x . y) ].Pij (3-16)
i 0 j 0
La corrélation mesure la dépendance linéaire entre des intensités des paires voisines.
 Le groupement de nuances :
Ng 1 Ng 1
CS = (i+j– µx– µy)3 Pij (3-17)
i 0 j 0
 Le groupement de prédominances :
Ng 1 Ng 1
CP = (i+j– µx– µy)4 Pij (3-18)
i 0 j 0
Pour illustrer ce qui précède, prenons une image F de taille (4x5) contenant 4 niveaux
de gris et calculons les matrices de cooccurrences lui correspondant :
La fenêtre image F :
0 0 1 0 2
1 3 1 2 0
F=
1 2 2 0 1
3 1 3 0 2
Si l’on désire estimer la matrice sens R(1,0°) exprimé aussi par (d =1, x = 0, y = 1),
on comptabilise le nombre de fois qu’une paire de niveaux de gris (i , j) se trouve sur une
même ligne horizontale distante de un pixel en allant de i vers j.
la particularité de cette matrice est qu’elle fait la distinction entre la paire de niveau de
gris (i , j) et la paire de niveau de gris (j , i), prenons par exemple la paire de gris (1 , 2) elle se
présente dans l’image 2 fois alors que la paire (2 , 1) n’existe pas sur cette image, ainsi la
matrice sens R (1 , 0°) pour l’image F est :
avec : r = ( 4 – |0| ) . (T1 – |1| ) = 16.
Pour calculer la matrice directionnelle, on comptabilise le nombre de fois qu’une paire

de niveaux de gris (i , j) se trouve sur une même ligne horizontale distante de un pixel en
allant de i vers j ou de j vers i. Prenons par exemple le cas de la paire (2 , 1) qui est égale à la
paire (1 , 2), ainsi le nombre de répétitions est égal à ( 2 + 0 ) / 2 = 1.
la matrice directionnelle (symétrique) pour l’image F sera :
r = ( 4 - |0| ) . ( 5 - |1| ) = 16.
A partir de ces matrices ( sens ou directionnelle ), on peut calculer les paramètres

statistiques propres à la méthode des M.C.N.G. Par exemple la moyenne propre à l’image
précédente sera égale à :
Cas de la matrice sens ( x# y).
x= 1/16 [0 (1+2+2+0)+1 (1+0+2+2)+2 (2+0+1+0)+3 (1+2+0+0)]=20/16=1,25.
y = 1/16 [0 (1+1+2+1)+1 (2+0+0+2)+2 (2+2+1+0)+3 (0+2+0+0)]=20/16=1,25.
Cas de la matrice directionnelle ( x= y).
x= y=1/16[0 (1+1.5+2+0.5)+1 (1.5+0+1+2)+2 (2+1+1+0)+3(0.5+2+0+0)]=20/16=1,25.
3.6. LA METHODE D’UNSER (SADH).
UNSER (1986) a proposé une méthode basée sur la somme et la différence

d’histogrammes locaux. Elle consiste à remplacer la fonction de probabilité de second ordre
de la matrice de cooccurrence par l’estimation de la fonction de probabilité du premier ordre
suivant les axes principaux de la matrice de cooccurrences.
3.6.1. principe.
Soit une image de taille (M x N) dont la gamme de valeurs d’intensité est de 0 à N g – 1,

où I( x , y ) représente l’intensité du pixel (x , y).
Une première étape consiste à définir deux variables aléatoires Z1 et Z2 pour une paire
{ I( x , y ), I( x+ x , y+ y ) } telles que :
Z1 = { I (x , y) + I(x+ x , y+ y) } (3-19)
et
Z2 = { I (x , y) – I(x+ x , y+ y) } (3-20)
La seconde consiste à générer deux fonctions histogrammes pour les distances fixées
par ( x , y) :
hs (i / x , y) = hs (i) = Card { (x , y) D, Z1 = i } où i = 2,…,2 Ng . (3-21)
hd (j / x , y) = hd (j) = Card { (x , y) D, Z2 = j } où j = -( Ng+1),…, (Ng–1). (3-22)
où : hs est l’histogramme «somme » et hd est l’histogramme «différence ».
Leurs fonctions de probabilité somme et différence estimées sont respectivement

[Unser, 1986] :
ps (i) = prob {Z1 = i} = hs (i) / r avec (i = 2,…,2 Ng) (3-23)
pd (j) = prob {Z2 = j}= hd (j) / r avec (j = - (Ng +1),…, (Ng –1)) (3-24)
avec : r = Card{D}= hs (i) = hd (j) (3-25)

i j
L’intérêt de la méthode des sommes et différences d’histogrammes est, d’une part, la

génération des paramètres dérivés des deux fonctions somme et différence où chacune d’elle
révèle un aspect de l’organisation spatiale des pixels de l’image, et d’autre part, l’optimisation
du temps de calculs par rapport à la méthode des matrices de cooccurrence à paramètres
discriminants équivalents.
3.6.2. Paramétres.
Un ensemble de paramétres sont définis à partir des fonctions ps (i) et pd (j), equivalents
aux paramétres de cooccurrences.
 La moyenne : µ = (1 / 2) i.Ps (i) (3-26)

i
2
 La variance: = (1/4) [ (i– 2µ)2. Ps (i) + j2. pd (j) ] (3-27)
i j
 L’énergie: E= Ps (i)2 . pd (j)2 (3-28)

i j
 La corrélation : C = (1/2 2) [ (i– 2µ)2 . Ps (i) – j2. pd (j) ] (3-29)

i j
 L’entropie : ENT = – Ps (i).log (Ps (i)) – pd (j). log (pd (j)) (3-30)
i j
 L’inertie : I= j2. pd (j) (3-31)

j
 L’homogénéité locale : H= (1/1 + j2). pd (j) (3-32)

j
(i - 2µ) 3 .Ps i
 Le groupement de nuance : CS = i
3
(3-33)
2 2
( (i - 2µ) .Ps(i))
i
(i - 2µ) 4 . Ps(i)
 Le groupement de prédominance : CP = [ 2
]-3 (3-34)
A titre d’illustration, nous donnons l’exemple numérique suivant : Soit une image F de
taille (MxN) = (4x5) possédant les intensités I(m , n).
0 0 1 0 2
1 0 1 2 0
F=
1 2 2 0 1
0 1 1 0 2
Afin de calculer « l’énergie » pour une direction horizontale ( x = 0 et y = 1 ) on crée

l’image décalée F(x+ x , y+ y), ensuite on procède à la création des matrices somme et
différence d’intensités élément par élément ,comme suit:
Gs = F(x , y) + F(x+ x , y+ y)
Avec : x < M - x et y < M - y
Gd = F(x , y) - F(x+ x , y+ y)
Les expressions de Gs et Gd sont :

0 1 1 2 0 1 1 2
1 1 3 2 1 1 1 2
Gs = ; Gd =
3 4 2 1 1 0 2 1
1 2 1 2 1 0 1 2
r = ( 4 - |0| ) . ( 5 - |1| ) = 16.

Enfin on calcule les histogrammes « somme » et « différence » correspondant :
1 1
E= 2
((1)2 + (7)2 + (5)2 + (2)2 + (1)2 ). 2
((2)2 + (6)2 + (3)2 + (3)2+ (2)2 ) = 0,239.
12 12
3.7. DOMAINES D’ETUDE.
Les images étudiées ont été collectées avec les radars météorologiques de Setif
(Algérie) qui est de type ASWR 81 (Algerian Service Weather Radar) géré par l’Office
National de Météorologie (O.N.M), et de Bordeaux-Mérignac (44°52 W, altitude 70m) dans le
sud-ouest de la France géré par Météo-France. Les caractéristiques techniques de ces radars
sont données dans le tableau (3. 2).
3.7.1. Site de Setif.
Setif est une ville des hauts plateaux, entourée par les montagnes du Djurjura, des monts
des Bibans et du Babor. Le climat dans cette région est du type continental. On enregistre une
intensité moyenne de pluie avoisinant 400 mm par an. Cependant, Setif est confrontée à une
période de sécheresse depuis un certain temps. Cette ville est située à 1081m d’altitude, au
centre d’un vaste plateau dénudé. Ses coordonnées géographiques sont 36°11 N pour la
latitude et 5°25 E de longitude. Cette position stratégique a contribué au choix de
l’emplacement du radar à 1300 m d’altitude. Le radar AWSR 81 est composé d’un émetteur,
d’un récepteur, d’un système d’asservissement en position et d’un système de traitement des
données météorologiques. Il existe deux configurations pour le traitement des données
météorologiques. Pour la première configuration, les signaux représentant les zones de
précipitations sont visualisés soit en PPI, soit en RHI. Quant à la deuxième configuration, la
sortie vidéo du signal est connectée à une chaîne de SANAGA dont le rôle est de numériser le
signal. Les images obtenues grâce à la chaîne SANAGA sont significatives car elles sont
représentées par un code de couleurs qui nous renseigne sur la réflectivité des particules rétro-
diffusantes.
3.7.1.1. Chaîne SANAGA.
La chaîne SANAGA (Système d’acquisition Numérique pour l’analyse des Grains

Africains) est un système d’acquisition des données radar développé au laboratoire
d’Aérologie de Toulouse (UMR-CNRS/UPS-5560) [Sauvageot et Despaux, 1990] et implanté
sur de nombreux radars à travers le monde dont ceux du réseau algérien. Ce dispositif
comprend essentiellement un module câblé de numérisation, un micro-ordinateur et un
logiciel interactif, travaillant en temps réel. Ce dispositif câblé installé dans un boîtier
indépendant, réalise :
- La conversion numérique et l’intégration du signal vidéo.
- La numérisation des signaux provenant du dispositif de codage des angles de site et
d’azimuth.
- L’interfaçage au micro-ordinateur.
La numérisation du signal est effectuée en huit bits. Le signal vidéo est moyenné
numériquement toutes les 64 impulsions radars. L’acquisition en site et en azimuth est faite de
façon à permettre une bonne mise en séquence de la prise des données. Celle-ci est effectuée
par 512 portes "distance" espacées de 250, 500 ou 750 m suivant l’échelle des distances. Les
données numérisées provenant des radars sont converties en images à haute résolution et
affichées sur l’écran radar. Les données peuvent être sauvegardées sur bande magnétique ou
sur disque dur en deux fichiers :
- le premier avec une extension .RH , contient les commentaires que l’on peut saisir sur
l’affichage.
- le deuxième, extension .RD , englobe les données radar, radiale par radiale.
3.7.2. Site de Bordeaux.
Le climat de la région bordelaise est de type océanique. La plupart des précipitations

sont associées à des fronts cycloniques qui se déplacent de l’océan vers le continent. Les
conditions climatiques sont plutôt homogènes. Au cours de l’été, les systèmes frontaux sont
souvent réduits à la ligne convective associée à la ligne frontale froide (la partie stratiforme
est presque absente). La précipitation moyenne annuelle est environ 800mm. La région
bordelaise est plate ; à l’intérieur d’un rayon de 150 km autour du radar, l’altitude est au-
dessous de 200m, excepté la zone du nord-est, entre les azimuths 40° et 80°, à une distance un
peu supérieure à 130km, où l’on trouve le premier contreforts du Massif Central, avec une
altitude inférieure à 400m. a environ 200km au sud de bordeaux on rencontre la chaîne des
Pyrénées est prolongée par la cordillère Cantabrique. Cette dernière est une ligne de
montagnes d’altitude inférieure à 3000m, formant la limite sud du golfe de Gascogne. Cette
orographie est associée à un gradient méridien de la précipitation cumulée à travers le sud-
ouest de la France, avec des valeurs atteignant 1600mm sur la chaîne des Pyrénées.
Le radar de bordeaux fait partie du réseau de radar opérationnel français géré par
Météo-France. Les données sont collectées en permanence, sans interruption durant toute
l’année, avec une période, en exploration CAPPI (Constant Altitude Plan Position Indicator),
de 5 minutes.
Localisation du radar Setif Bordeaux-Mérignac

Localisation d’onde (cm) 5,3 10
Puissance (kW) 250 500
Fréquence de répétition (Hz) 250 300
Durée d’impulsion (µs) 2 2
Ouverture du faisceau (3 dB) (°) 1,1 1,8
Tableau. 3. 2 - Caractéristiques techniques des radars.

3.8. FACTEUR DE REFLECTIVITE ET TAUX DE PRECIPITATION.
l’intensité des échos radar fournit une mesure quantitative de précipitations R exprimée
en « millimètres par heure (mm\h), convertible en facteur de réflectivité Z exprimée en
« dBZ », et obtenue à partir des expressions :
Z = 10 log (z) (3-35)
Z = 200 R1,6 (3-36)
Les échos radar se présentent au moyen de zone coloriées, dont les niveaux de gris
différent d’un site à un autre. Pour le site de Setif les images sont de format 512x512 pixels
obtenue dans la représentation PPI selon un mode de 16 couleurs (fig. 3.2.a). Pour les images
de Bordeaux , elles sont de format 512x512 pixels avec une résolution de 1 km par pixel,
selon un mode de 12 couleurs, où chaque couleur correspond à un niveau de réflectivité bien
précis. (fig. 3.2.b)
dBZ
68
64
60
56 dBZ
52 55
48 50
44 45
40 40
36 35
32 30
28 25
24 20
20 15
16 10
08 05
00 00
(a) – palette de Setif. (b) – palette de Bordeaux.
Fig. 3. 2 – Niveaux de couleurs et facteurs de réflectivité correspondant

3.9. TRAITEMENT DES IMAGES RADAR.
Les échos en provenance de la surface ont été observés depuis les première années
d’utilisation du radar et demeurent toujours indésirables pour les météorologues. Après avoir
passé en revue les techniques les plus utilisées pour éliminer les échos du sol, nous avons
utilisé une méthode basée sur l’analyse de la texture pour filtrer les échos de précipitations.
Les algorithmes développés ont été implantés sur un pentium III 900 Mhz à partir du
logiciel MATLAB 5.3 .
3.9.1. principe de la méthode.
La technique d’élimination des échos du sol s’exécute en trois étapes qui se résument
comme suit :
- Etape 1 :
La première étape consiste à constituer deux bases de données, l’une représentant les
échos de précipitations est confectionnée à partir de logiciels de retouche d’image numérique
comme adobe photoshop 6.0 et Microsoft paintbrush où on distingue facilement les
précipitations des échos du sol. La seconde base de données est une image radar prise en
temps clair. Ces deux images de références vont servir par la suite à rechercher la condition de
classification des échos radar et d’élimination des échos du sol.
Image contaminées par les Image référence Image en temps clair

échos du sol
Fig. 3. 3 – Images radar de Setif.

Image contaminées par les Image référence Image en temps clair

échos du sol
Fig. 3. 4 - Images radar de Bordeaux.
- Etape 2 :
La deuxiéme étape consiste à balayer toute l’image en procédant par des fenêtres de 5x5
pixels. Pour chaque fenêtre, nous calculons les différents paramétres statistiques relatifs à
chacune des trois approches texturales présentées auparavant. Ensuite, nous passons à la
fenêtre suivante par simple décalage d’un pixel. Ainsi, nous disposons d’une série de valeurs
de paramètres texturaux propres à chaque type d’échos. Ces données sont ensuite représentées
sous forme d’histogrammes. Pour rechercher le paramètre discriminant entre les échos du sol
et les échos de précipitations, on analyse les deux histogrammes. Si ces deux derniers se
chevauchent, on rejette le paramètre statistique en question, mais, dans le cas contraire c’est à
dire si les deux histogrammes ne se recouvrent pas, on retient ce paramètre et on arrête le
critère d’identification.
- Etape 3 :
La troisième étape consiste à éliminer des échos du sol. Pour cela, on procède toujours
par des fenêtres de 5x5 pixels. Si la valeur du paramètre statistique se trouve à l’intérieur de
l’intervalle des valeurs propres aux échos de précipitations, on maintient la couleur du pixel
considéré. Dans le cas contraire ou si le nombre de pixels noirs dépasse 12 pixels, on affecte à
ce pixel la couleur noire. Ensuite, on passe au pixel suivant. Après balayage de toute l’image,
nous obtiendrons une image qui ne contient quasiment plus d’échos du sol.
3.9.2. Structure physique des échos du sol et des échos de précipitations.
Afin d’analyser la structure physique des échos du sol et des échos de précipitations,
nous allons analyser les paramètres statistiques des images en temps clair et l’image référence
pour les images de Setif et Bordeaux pour chacune des trois approches statistiques retenues,
Les différentes valeurs des paramètres sont présentées dans les tableau propres à chaque
sites :
3.9.2.1. Méthode d’histogrammes.
Image en temps clair Image référence

L’énergie 0,2207 0,6485
La moyenne 7,319 6,0478
La variance 13,9159 3,4316
la dissymétrie -0,0884 -0,8302
L’aplatissement -0,4214 1,8394
L’entropie 0,7607 0,2418
Table. 3. 1 - Ordres de grandeurs des paramètres statistiques de la méthode d’histogramme Calculés

pour l’image en temps clair et pour l’image référence de Setif.
Image en temps clair Image référence

L’énergie 0,238 0,4762
La moyenne 6,9475 5,5176
La variance 7,1733 3,9883
la dissymétrie -0,0156 -0,3789
L’aplatissement -0,8903 0,7497
L’entropie 0,6994 0,3898
Table. 3. 2 - Ordres de grandeurs des paramètres statistiques de la méthode d’histogramme

Calculés pour l’image en temps clair et pour l’image référence de Bordeaux.
3.9.2.2. Méthode des matrices de cooccurrences.
Orientation
0° 45° 90° 135°
I. temps Image I. temps Image I. temps Image I. temps Image
clair Réf. clair Réf. clair Réf. clair Réf.
L’énergie 11 0,511 0,114 0,513 0,108 0,519 0,113 0,518
L’homog. locale 0,415 0,781 0,369 0,776 0,434 0,775 0,359 0,784
La variance 13,508 3,351 12,891 3,150 13,387 3,252 12,933 3,170
La corrélation 0,337 0,177 0,207 0,161 0,369 0,174 0,197 0,169
L’entropie 1,091 0,383 1,031 0,399 1,087 0,389 1,033 0,396
La moyenne 7,391 6,111 7,488 6,122 7,406 6,110 7,447 6,119
L’inertie 16,825 5,331 20,605 5,116 15,380 5,299 21,164 5,578
Groupe.nuances -23,266 -50,707 -15,064 -48,236 -29,763 -49,487 -19,858 -48,836
Gp. prédominance 4504,8 304,655 3423,4 305,09 4833,8 303,832 3303,6 304,146
Table. 3. 3 - Ordres de grandeurs des paramètres statistiques de la méthode des matrices de

cooccurrences Calculés pour l’image en temps clair et pour l’image référence de Setif.
Orientation
0° 45° 90° 135°
L’énergie 0,118 0,326 0,128 0,327 0,116 0,326 0,122 0,328
L’homog. locale 0,474 0,664 0,414 0,657 0,475 0,664 0,373 0,652
La variance 7,047 3,763 6,864 3,674 7,021 3,726 6,884 3,659
La corrélation 0,261 0,181 0,271 0,179 0,289 0,187 0,273 0,179
L’entropie 1,031 0,624 0,975 0,599 1,031 0,621 0,988 0,597
La moyenne 5,539 4,976 5,550 4,971 5,547 4,969 5,567 4,973
L’inertie 11,119 5,211 12,754 5,669 11,089 5,380 13,838 5,765
Group.nuence -4,950 -13,522 -5,793 -12,442 -3,671 -12,386 -2,942 -13,46
Gp.prédominence 780,786 360,235 617,53 364,907 777,863 361,67 542,929 368,959
Table. 3. 4 - Ordres de grandeurs des paramètres statistiques de la méthode des matrices de

cooccurrences Calculés pour l’image en temps clair et pour l’image référence de Bordeaux.
3.9.2.3. Méthode d’Unser.
Orientation
0° 45° 90° 135°
L’énergie 0,031 0,369 0,032 0,370 0,033 0,360 0,031 0,361
L’homog. locale 0,415 0,791 0,369 0,787 0,434 0,795 0,359 0,784
La variance 27,015 6,701 25,781 6,300 26,774 6,505 25,866 6,341
La corrélation 0,314 0,168 0,176 0,154 0,341 0,165 0,145 0,156
L’entropie 1,796 0,666 1,742 0,656 1,785 0,613 1,750 0,648
La moyenne 7,391 6,068 7,488 6,122 7,406 6,099 7,477 6,119
L’inertie 16,825 5,331 20,605 5,116 15,380 5,299 21,164 5,578
Group.nuence -2,345 -3,479 -1,993 -3,658 -2,896 -4,183 -2,205 -3,220
Gp.prédominence 113,527 24,753 86,920 26,343 119,353 25,862 84,126 24,953
Table. 3. 5- Ordres de grandeurs des paramètres statistiques de la méthode d’Unser Calculés

pour l’image en temps clair et pour l’image référence de Setif.
Orientation
0° 45° 90° 135°
L’énergie 0,040 0,178 0,038 0,178 0,037 0,180 0,033 0,180
L’homog. locale 0,474 0,684 0,414 0,677 0,475 0,694 0,373 0,682
La variance 14,093 7,526 13,729 7,458 14,042 7,772 13,769 7,278
La corrélation 0,177 0,228 0,051 0,199 0,182 0,189 -0,020 0,205
L’entropie 1,672 1,023 1,641 1,007 1,679 0,972 1,671 1,002
La moyenne 5,539 5,986 5,570 6,001 5,547 5,962 5,567 6,003
L’inertie 11,119 5,211 12,754 5,669 11,089 5,380 13,838 5,765
Group.nuence -0,183 -1,849 -0,298 -1,546 -0,132 -1,148 -0,376 -1,662
Gp.prédominence 44,497 30,344 35,095 32,714 44,723 33,663 30,397 31,668
Table. 3. 6 - Ordres de grandeurs des paramètres statistiques de la méthode d’Unser Calculés pour
l’image en temps clair et pour l’image référence de Bordeaux.
3.9.3. Discussion.
Le calcul du paramètre statistique « moyenne », pour des zones plus ou moins

homogènes, revient à prendre le niveau de gris dominant de la fenêtre. Cela est le cas des
résultats propres aux précipitations, sachant que les niveaux de gris de ces derniers sont
inférieurs à ceux correspondants aux échos du sol. Donc, on peut conclure que les zones de
précipitations sont plus homogènes que les zones d’échos fixes.
Cela reste vrai pour le paramètre statistique « variance » qui mesure l’hétérogénéité de
la texture. Ainsi, plus la valeur est grande plus la texture est voisine d’une texture « poivre et
sel ». Comme on peut le voir clairement sur le tableau précédent où les valeurs de la variance
propres aux échos fixes sont sensiblement supérieures à celles propres aux précipitations.
Le paramètres statistique « énergie » permet de mesurer l’uniformité texturale, c’est à
dire la répétition des paires de pixels. Quand l’image considérée est homogène, la valeur de
l’énergie est plus élevée, par contre quand elle possède une texture hétérogène, la valeur de
l’énergie sera faible. Cela confirme une fois de plus que les précipitations ont une texture plus
homogène que les échos fixes.
On remarque aussi que les valeurs du paramètre «inertie » propres aux échos fixes sont
nettement supérieurs à celles propres aux précipitations. Cela est dû essentiellement aux faite
que ce paramètre mesure la différence entre les hautes et les basses valeurs d’un ensemble de
pixels. Ainsi, la valeur de l’inertie est d’autant plus grande qu’il y a de variations locales
importantes ce qui correspond aux zones hétérogènes.
L’application de l’homogénéité locale, à l’inverse de l’inertie, donne un poids plus
grand aux fréquences d’occurrences des zones homogènes. Cela est valable aussi pour les
précipitations qui ont des valeurs « d’homogénéité locale » nettement supérieures à celle des
échos fixes qui sont moins homogènes que les premières.
Ainsi, on peut considérer les zones de précipitations comme étant plus homogènes que
celle des échos du sol. Ces résultats sont en bon accord avec ceux publiés dans la littérature
[Moszkowicz, 1994].
3.9.3. Organigrammes.
Dans notre étude nous avons développé neuf programmes. Ainsi, chaque approche
texturale se caractérisera par deux organigrammes. Le premier permet de rechercher le critère
de classification des échos radar alors que le second sert à éliminer les échos du sol.
Notons que, les deux organigrammes sont presque identiques (voir fig. 3.5 et fig. 3.6).
La seule différence réside dans la fonction de la fenêtre. Ces organigrammes sont appliqués
aux trois approches qui font l’objet de notre étude, soit : la méthode des Histogrammes, la
méthode d’Unser, la méthode des matrices de cooccurrence. Chaque méthode se caractérise
par sa propre condition de filtrage et ses propres paramètres statistiques.
Fig. 3. 5 - Organigramme du critère d’identification.

Fig. 3. 6 - Organigramme de filtrage.

3.10. APPLICATION.
3.10.1. Méthode des Histogrammes.
a). Critère d’identification.
Pour déterminer le critère d’identification ou la condition de filtrage, on applique

l’algorithme 1 (de l’organigramme 1) à l’image en temps clair et à l’image de référence
représentative des échos de précipitations. Cette technique est appliquée au calcul de tous les
paramètres statistiques pour chacun des sites étudiés à savoir Setif et Bordeaux. A partir des
résultats obtenus sous formes de bases de données, on peut comparer les histogrammes de
chaque paramètre. Cette technique de comparaison nous permet de déterminer directement la
condition de filtrage. A titre d’illustration, nous présentons les histogrammes des paramètres
statistiques « moyenne » et « énergie »pour les deux sites.
i.ref t. clair effectif i.ref t. clair

effectif
600 1500
500
400 1000
300
200 500
100
0 0
0,2 1,2 2,2 3,2 4,2 5,2 6,2 7,2 moyenne 0,2 1,2 2,2 3,2 4,2 5,2 6,2 7,2 moyenne
site de Setif site de Bordeaux
Fig. 3. 7 – Histogrammes du paramètre « moyenne ».
D’après la figure 3.7, on peut voir que le paramètre « moyenne » ne pourra pas être
choisi comme paramètre discriminant, car on constate un large recouvrement des deux
histogrammes aussi bien pour le site de Setif que celui de Bordeaux. C’est le cas aussi pour
les autres paramètres, c’est à dire « la variance », « la dissymétrie », « l’aplatissement » et
« l’entropie », qui excluent toute possibilité de filtrage.
Par contre le paramètre « énergie », permet de distinguer sans ambiguïtés les valeurs
propres aux échos du sol à celles des précipitations, comme le montre la figure suivante :
i. ref t.clair i. ref i. clair

effectif effectif
eng= 0,33 eng= 0,33
1200 2500
1000 2000
800
1500
600
400 1000
200 500
0 0
0,025 0,225 0,425 0,625 0,825 0,025 0,225 0,425 0,625 0,825 energie
energie
Fig. 3. 8 – Histogrammes du paramètre « énergie ».
En analysant les histogrammes du paramètre « énergie », on peut voir clairement que ce

paramètre prend des valeurs inférieures à 0,33 pour l’image en temps clair et des valeurs
supérieures à 0,33 dans le cas de l’image référence quelque soit le site étudié. Notre critère
d’identification des échos du sol se résume comme suit :
- Si l’énergie « eng » > 0,33 : considérer la fenêtre comme étant des précipitations et
passer à la fenêtre voisine en gardant la couleur du
premier pixel.
- Si l’énergie »eng » 0,33 : considérer la fenêtre comme étant des échos du sol et
remplacer le premier pixel de la fenêtre par un pixel noir.
b). Résultats du filtrage.
On applique l’algorithme 2 (de l’organigramme 2) pour les images, et ceci en prenant en

considération les conditions de filtrages retenues auparavant . Les résultats de classification et
d’élimination des échos du sol sont illustrés par les figures 3.9 et 3.10.
Image bruitée Image filtrée
Fig. 3. 9 – Image de setif avant et après filtrage par la méthode

des histogrammes
Image bruitée Image filtrée
Fig. 3. 10 - Image de bordeaux avant et après filtrage par la méthode

des histogrammes.
D’après ces résultats, on peut voir clairement que d’une part la structure des
précipitations reste pratiquement inchangée, et d’autres part on note une forte atténuation des
échos du sol. Mais on remarque la présence d’échos du sol résiduels. L’application d’un filtre
médian permet d’éliminer parfaitement ces derniers.
Image setif filtrée Image setif filtrée par

filtre médian
Image bordeaux filtrée Image bordeaux filtrée

par filtre médian
Fig. 3. 11 – Images de Setif et bordeaux filtrée par la méthode des histogrammes avant et après
passage par filtre médian.
c). Facteur de réflectivité et taux de précipitations.
Nous allons dans une première étape, estimer les facteurs de réflectivité Z et les taux de
précipitations R des images filtrées pour chaque site avant et après l’application du filtre
médian. Nous allons ensuite comparer nos résultats à ceux obtenus pour l’image bruité et
l’image confectionnée à partir de logiciels de retouches d’images. De même, nous allons
calculer l’erreur relative sur R pour pouvoir enfin estimer les pertes d’informations. Les
résultats sont présentés dans les tables 3.7 et 3.8.
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,818 48,063 0,410 //
Img. Référence 16,322 42,873 0,382 //
Img. Filtrée 16,244 42,111 0,378 1,11
Img. Filtrée (filt.med) 16,238 42,049 0,377 1,20
Table. 3. 7 - Facteurs de réflectivité et taux de précipitations de l’image filtrée de Setif

Avant et après le filtre médian.
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,441 5,547 0,106 //
Img. Référence 7,327 5,404 0,105 //
Img. Filtrée 7,157 5,205 0,102 2,35
Table. 3. 8 : Facteurs de réflectivité et taux de précipitations de l’image filtrée de Setif

Avant et après le filtre médian.
d). Discussion.
D’après les résultats obtenus, on remarque que la méthode des histogrammes donne un
filtrage très satisfaisant en utilisant le paramètre « énergie ». Ceci est illustré sur les images
traitées où on constate que les échos du sol sont quasiment éliminés alors que les échos de
précipitations sont peu affectés aussi bien pour l’image prise à Setif que celle de Bordeaux.
Ce filtrage à été amélioré par l’application du filtre médian. Les pertes d’informations sont
très faibles. Elles sont de l’ordre de 2% avant l’application du filtre médian et de 3% après
l’application du filtre pour les deux sites étudiés. Pour tester les performances de notre
méthode de filtrage, nous avons considéré plus de deux cents images radar contaminées par
les échos en provenance de la surface terrestre. Les erreurs commises sur le taux de
précipitations ne dépassent pas les 4%.
3.10.2. Méthode des Matrices de cooccurrences (MCNG).
3.10.2.1. La méthode des matrices de niveaux de gris.
Dans cette partie, nous allons nous intéresser à l’application de la méthode des matrices
de cooccurrences et ceci en considérant les quatre directions à savoir = 0°, 45°, 90°, 135° .
En comparant les histogrammes des différents paramètres texturaux pour les différentes
directions, on trouve une fois encore que le paramètre « énergie » donne le meilleur résultat.
Mais pour les autres paramètres statistiques à savoir « la variance », « l’entropie »,
« l’inertie », « l’homogénéité locale », « la corrélation », « le groupement de nuances » et « le
groupement de prédominances », on remarque un large recouvrement des histogrammes. A
titre d’exemple, nous allons représenter les histogrammes pour les différentes directions du
paramètre « homogénéité locales » pour les images de référence prise à Setif et à Bordeaux,
illustrés par la fig.3.12 et fig. 3.13.
i. ref i. clair effectif i. ref i. clair

effectif
600 1500
500
400 1000
300
200 500
100
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
homogénéite locale homogéneité locale
i. ref i. clair i. ref i. clair

effectif effectif
600
2000
500
400 1500
300 1000
200
100 500
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
homogénéité locale homogéneité locale

effectif effectif
600 1500
400 1000
200 500
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
homogénéité locale homogéneité locale
Site de setif Site de bordeaux
Fig. 3. 12 – Histogramme du paramètre « Homogénéité locale » pour = (0°, 45°,90°).


effectif effectif
600 1500
400 1000
200 500
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
homogénéité locale
Fig. 3. 13 – Histogramme du paramètre « Homogénéité locale » pour =135°.
Comme le montre les fig 3.14 et fig 3.15, les histogrammes du paramètre « énergie » ne
se recouvrent pratiquement pas.

effectif
effectif
0,18 0,18
1500 3000
1000 2000
500 1000
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
energie
energie

effectif effectif
0,18 0,18
1500 3000
1000 2000
500 1000
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
energie
energie

effectif effectif
0,18 0,18
1500 3000
1000 2000
500 1000
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
energie
energie
Fig. 3. 14 – Histogrammes du paramètre «énergie» pour = (0°, 45°,90°).

.
effectif effectif
1500 0,18 3000 0,18
1000 2000
500 1000
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
energie energie
Fig. 3. 15 – Histogrammes du paramètre «énergie» pour = 135°.
Ce qui nous conduit à choisir le paramètre « énergie » comme critère d’identification et

de fixer la condition de filtrage suivante:
- Si l’énergie « eng » > 0,18 : considérer la fenêtre comme étant des précipitations et passer à
la fenêtre voisine en gardant la couleur du premier pixel.
- Si l’énergie «eng » 0,18 : considérer la fenêtre comme étant des échos du sol et remplacer
le premier pixel de la fenêtre par un pixel noir.
Une fois la condition établie, nous allons appliquer les programmes de filtrages pour
nos deux images contaminées par les échos du sol et pour chacune des quatres directions .
(voir fig 3.16 et 3.17).
Image setif bruitée Image setif filtrée Image setif filtrée par
filtre médian
Fig. 3. 16 - Images de setif avant et après filtrage par la méthode de matrices de cooccurrence et
après le filtre médian pour = 0°.
Image bordeaux bruitée Image bordeaux filtrée Image bordeaux filtrée

par filtre médian
Fig. 3. 17 - Images de bordeaux avant et après filtrage par la méthode de matrices de cooccurrence
et après le filtre médian pour = 0°.
Après le filtrage des images pour = 0° , on peut voir clairement que la surface des
échos du sol a considérablement diminué, alors que celle des précipitations est restée
quasiment inchangée pour les deux sites. De même, la structure des précipitations est
demeurée intacte. Le même travail est appliqué pour la direction = 45°, =90° et = 135°.
Les résultats de traitement sont présentés à travers les fig. 3.18, 3.19 et 3.20.
Fig. 3. 18 - Images de setif et bordeaux avant et après filtrage par la méthode de matrices de
cooccurrence et après le filtre médian pour = 45°.
On constate que quelque soit la direction choisie, la surface et la structure des

précipitations sont restées quasiment intactes alors que la surface des échos du sol a
sensiblement diminué pour devenir presque nulle.
Dans ce paragraphe, nous allons estimer le facteur de réflectivité Z et le taux de

précipitation R pour chaque image filtrées par la méthodes de cooccurrences ( = 0°, 45°,90°,
135° ), ensuite nous allons estimer l’erreur relative sur R afin de voir l’influence du choix de
la direction sur le filtrage . Les résultats sont présentés de la table 3.9 à la table 3.16.
c-1) = 0° :
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2416 42,0882 0,3775 1,15

Avant et après le filtre médian pour = 0°.
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1642 5,2050 0,1022 2,35
Table. 3. 10 : Facteurs de réflectivité et taux de précipitations de l’image filtrée de Bordeaux

c-2) = 45° :
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2449 42,1202 0,3777 1,10

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1706 5,2127 0,1023 2,26

c-3) = 90°:
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2376 42,0495 0,3773 1,20

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1707 5,2128 0,1023 2,26

c-4) = 135° :
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2360 42,0342 0,3772 1,23

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1841 5,2289 0,1025 2,07
Table. 3. 16 :Facteurs de réflectivité et taux de précipitations de l’image filtrée de Bordeaux

d). Discussion.
D’après les résultats des tables 3.9, 3.10,3.11, 3.12, 3.13, 3.14, 3.15 et 3.16 , on constate
que la direction influe très peu sur le filtrage des échos de précipitations. Ceci explique
pourquoi l’approche des histogrammes a donné des résultats satisfaisants dans l’élimination
des échos du sol. Donc, l’application des probabilités du premier ordre suffit amplement pour
la classification des échos radar . En outre, ces résultats montrent que la structure des échos
radar est isotropique si on considère l’erreur commise sur le taux de précipitations.
3.10.3. Méthode d’Unser (SADH).
Dans cette troisième partie, nous allons nous intéresser à l’application de l’approche
d’Unser ou la méthode de la somme et de la différence des histogrammes. Cette approche est
aussi puisante que celle des matrices de cooccurrence et donne des résultats similaires. De
plus, elle nécessite un espace mémoire beaucoup plus réduit que lorsqu’on applique les
matrices de cooccurrence.
Pour la méthode d’Unser, nous trouvons que les paramètres statistiques « moyenne »,
« variance », « inertie », « entropie », « corrélation », « groupement de nuances » et
« groupement de prédominances » ne peuvent pas être utilisés comme paramètres
discriminants entre les deux types d’échos.
Par contre, les paramètres statistiques « énergie » et « homogénéité locale » peuvent
servir à la classification des échos radar pour les quatre directions ( = 0°, 45°, 90°, 135°).
Les (fig. 3.21, 3.22) et (fig. 3.23, 3.24) illustrent le choix des paramètres statistiques retenus
pour l’élimination des échos du sol.
i, ref i. clair 0,06 i, ref i, clair
effectif 0,06 effectif
2000 3000
1500
2000
1000
500 1000
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 energie 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 energie
0,06 i, ref i, clair 0,06 i, ref i, clair

effectif effectif
2000 3000
1500
2000
1000
500 1000
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 energie
energie
effectif i, ref i, clair

0,06 i, ref i, clair
Site de setif (0°, 45°) effectif 0,06
2000
3000
1500
2000
1000
1000
500
0
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 energie energie
Fig. 3. 21 – Histogrammes du paramètre «énergie» pour = (0°, 45°,90°).


i, ref i, clair 0,06
i, ref i, clair
2000 3000
1500 2500
2000
1000 1500
1000
500
500
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
energie energie
Fig. 3. 22 – Histogrammes du paramètre «énergie» pour = 135°.
Les conditions de filtrage retenues sont les suivantes :
- Si l’énergie « eng » > 0,06 : considérer la fenêtre comme étant des précipitations et passer
à la fenêtre voisine en gardant la couleur du premier pixel.
- Si l’énergie «eng » 0,06 : considérer la fenêtre comme étant des échos du sol et
remplacer le premier pixel de la fenêtre par
un pixel noir.
- pour le paramétre « homogénéite locale » :
i, ref i, clair i, ref i, clair

effectif effectif
0,57 0,57
400 800
300 600
200 400
100 200
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
homogéhéité locale homogéneité locale

0,57 effectif
effectif
400 800 0,57
300 600
200 400
100 200
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
homogéneité locale homogéneité locale
site de setif site de bordeaux
Fig. 3. 23 - Histogrammes du paramètre «homogénéité locale» pour = (0°, 45°).


400 800 0,57
300 600
200 400
100 200
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
homogéneité locale homogénéité locale

effectif effectif
0,57 0,57
400 800
300 600
200 400
100 200
0 0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
site de setif site de bordeaux
Fig. 3. 24 - Histogrammes du paramètre «homogénéité locale» pour = (0°, 45°).
De la même manière que pour le paramètre « énergie », la condition de filtrage est

comme suit:
- si l’homogénéité locale > 0,57 : considérer la fenêtre comme étant des précipitations et
passer à la fenêtre voisine, en gardant la couleur du
premier pixel.
- si l’homogénéité locale 0,57 : considérer la fenêtre comme étant des échos fixes et
remplacer le premier pixel de la fenêtre par un pixel noir.
La procédure de filtrage reste la même que pour les deux autres méthodes précédentes. Les
fig. 3.25, 3.26, 3.27 et 3.28 illustrent le filtrage des échos du sol par l’approche de la somme et la
différence des histogrammes.
- en utilisant le paramètre « énergie ».
Images setif bruitées Images setif filtrées Images setif filtrées par
filtre médian
Fig. 3. 25 - Images de setif avant et après filtrage par la méthode d’Unser et après le filtre médian
pour = (0°, 45°, 90°, 135°)
Images bruitées Images setif filtrées Images setif filtrées par

filtre médian
Fig. 3. 26- Images de bordeaux avant et après filtrage par la méthode d’Unser et après le filtre
médian pour = (0°, 45°, 90°, 135°).
- en utilisant le paramètre « homogénéité locale ».
Images setif bruitées Images setif filtrées Images setif filtrés par
filtre médian
Fig. 3. 27- Site de setif pour = (0°, 45°, 90°, 135°) en utilisant le paramètre
« homogénéité locale ».
Images bordeaux bruitées Images bordeaux filtrées Images bordeaux filtrées par
filtre médian
Fig. 3. 28 - Site de bordeaux pour = (0°, 45°, 90°, 135°) en utilisant le paramètre
« homogénéité locale ».
Comme précédemment, nous allons estimer l’erreur relative commise sur le taux de
précipitations R et étudier l’influence de la direction sur le filtrage. Les résultats sont
regroupés de la table 3.17 jusqu’à la table 3.32.
- en utilisant le paramètre « énergie » :
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2292 41,9677 0,3769 1,31

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2164 41,8448 0,3762 1,49
Table. 3. 18 : Facteurs de réflectivité et taux de précipitations de l’image filtrée de Setif)

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2383 42,0563 0,3774 1,19

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2267 41,9436 0,3767 1,36

- pour l’image de bordeaux :
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1264 5,1599 0,1017 2,88

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1471 5,1845 0,1020 2,59

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1606 5,2007 0,1022 2,40

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,3294 5,4069 0,1047 2,17

- en utilisant le paramètre « homogénéité locale » :
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2500 42,1700 0,3775 1,15

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2376 42,0495 0,3773 1,20

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2542 42,2106 0,3782 0,97

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 16,8181 48,0634 0,4102 //
Img. Référence 16,3218 42,8730 0,3819 //
Img. Filtrée 16,2392 42,0649 0,3774 1,18

- pour l’image de bordeaux :
Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1876 5,2332 0,1026 2,02

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1879 5,2334 0,1026 2,02

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1578 5,1973 0,1021 2,44

Z z R Erreur sur R
[dBZ] [mm6/m3] [mm/H] [%]
Img.contaminée 7,4408 5,5473 0,1064 //
Img. Référence 7,3270 5,4039 0,1047 //
Img. Filtrée 7,1743 5,2171 0,1024 2,21

d). Discussion.
D’après les résultats obtenues, nous pouvant conclure en premier que la méthodes d’Unser
donne un filtrage aussi satisfaisant que celui des deux autres méthodes étudiées précédemment , en
utilisant une fois de plus le paramètre « énergie », mais aussi le paramètre « homogénéité locale ».cela
peut être confirmé par les images obtenues après filtrage dont la structure des précipitations reste
pratiquement inchangée. En second , on peut voir clairement que les valeurs déduites des
histogrammes que ce soit pour le paramètre « énergie » qui est de 0,06 pour setif et pour bordeaux, et
du paramètre « homogénéité locale » qui est de 0,57 pour setif et pour bordeaux réalisent un bon
filtrages des images bruités et ceci pour les quatres directions, d’ou l’on peut considérer que ces deux
valeurs correspondantes à chaque paramètres peuvent être appliquer à n’importe quel image provenant
d’autres radar pour éliminer les échos du sol des échos de précipitations.
3.11. COMPARAISON.
les tableaux représentés ci-dessous résument tous les résultats obtenus pour les trois
approche texturales.
Temps Pertes en surfaces Perte sur R

d’exécution en [%]
[s] [%]
Méthode des Histogrammes
34 10,7 1,20
Paramètres « énergie »
0° 41 11,6 1,26
Méthode des M.C.N.G
45° 38 10,9 1,23
pour les quatres directions
90° 40 11,8 1,31
135° 39 11,5 1,28
0° 30 12,3 1,49
Méthode d’Unser pour
45° 28 12,8 1,62
les quatres directions
90° 29 12 1,38
135° 27 12,4 1,44
0° 27 9,9 1,26
45° 24 10,1 1,31
Paramètres « hom. locale » 90° 26 9,5 1,15
135° 25 10 1,26
Table. 3. 33 – tableau comparatif des performances de filtrage des trois approches

Texturales sur l’image de Setif.
Temps Pertes en surfaces Perte sur R

d’exécution en [%]
[s] [%]
Méthode des Histogrammes
71 11,5 3,10
0° 89 11,6 3,12
Méthode des M.C.N.G
45° 85 11,8 3,35
pour les quatres directions
90° 91 12,4 3,73
135° 89 12,1 3,64
0° 73 13,2 3,47
45° 70 12,9 3,26
90° 75 12,1 3,01
135° 71 12,4 3,13
0° 70 9,9 2,19
45° 68 10,2 2,60
Paramètres « hom. locale » 90° 71 10,9 2,85
135° 66 10 2,48
Table. 3. 34 – tableau comparatif des performances de filtrage des trois approches

Texturales sur l’image de Bordeaux.
D’après les résultats obtenus, on remarque que les temps d’exécutions pour filtrer les images
contaminées par les échos du sol restent faibles vu les performances de l’ordinateur (Pentium III,
900Mhz, 64Mo). Cependant, on constate que la méthode d’unser utilisent le paramètre statistique
« homogénéité locale » comme facteur discriminant, et c’est de loin celle où les pertes sont les plus
faibles, ceci pour les images de setif et de bordeaux. Aussi, on remarque que les résultats obtenues
pour les différentes directions de la matrice de cooccurrences et d’unser ne sont pas très différentes
l’une de l’autre, d’où l’influence très faible des directions dans la détermination des paramètres
texturaux.
Chapitre IV : Etude de la théorie des fractales. 70
CHAPITRE IV
Etude de la théorie des fractales
4.1. INTRODUCTION.
Une fractale est en générale une forme non régulière qui apparaît inchangée quand on
l’examine par différentes résolutions [Lovejoy et Mandelbrot, 1985]. Ce terme a été utilisé
pour la première foi par Mandelbrot pour décrire le chaos qui règne dans les phénomènes
naturels [Mandelbrot, 1974]. Si initialement, seuls les objets géométriques étaient à l’origine
de cette approche, de nos jours, le termes fractal se trouve dans plusieurs disciplines,
notamment en hydrologie et dans les sciences de l’atmosphère. C’est dans ce sens que
Lovejoy (1983), examine les aspects du champ de l’intensité de la pluie et en déduit que les
variations respectent des lois d’invariance d’échelles, conduisant à une géométrie fractale. Il
établit ainsi, que le champ de pluie est composé d’un grand nombre de discontinuités (fronts)
dont on n’aperçoit que les importantes, et que les fluctuations existent à toutes les échelles,
fluctuations régies par une loi d’invariance d’échelle. Il en déduit donc que la forme des aires
de pluie est de géométrie fractale. Fort de cette conclusion, nous utiliserons ce caractère
fractale des champs de pluie pour étudier la dimension fractale des échos de précipitations et
des échos du sol des images radar. La question à laquelle on essaiera de répondre dans ce
chapitre est la suivante : la dimension fractale peut elle servir de facteur discriminant entre les
deux types d’échos ?
4.2. HISTORIQUE DE LA THEORIE DES FRACTALES.
La théorie des fractales, due au mathématicien Benoît Mandelbrot, est une théorie qui se
propose d’étudier une certaine famille de formes celles dites «fractales ». Ce qualificatif
aujourd’hui passé dans la langue courante. à été forgé par Mandelbrot en 1975 à partir du latin
«fractus», qui dérive lui même du verbe frangere : casser, mettre en pièces, briser en
fragments irréguliers. Fractal signifie fragmenté, fractionné, irrégulier, interrompu. D’une
façon générale, la théorie fractale est une théorie du brisé, du fractionné, de l’épars ou encore
du grainé, du poreux, de l’enchevêtré, etc… Les formes dont elle traite se caractérisent par
une complexité intrinsèque, par une irrégularité fondamentale qui se manifeste à toutes les
échelles d'observation.
Benoît Mandelbrot a développé sa théorie dans les années 1960, au terme d’un parcours
intellectuel sinueux et en tout cas hors du commun. C’est en effet son approche géométrique
qui lui a permis d’élaborer une théorie qui, si le processus « normal » de la recherche
scientifique avait été suivi, aurait sans doute fini par être formulée, mais seulement plus tard,
par des spécialistes dont la formation intellectuelle aurait exclu des mathématiques comme
celles de peano, cantor, etc. [Mandelbrot,1989].
La théorie fractal ne s’inscrit pas dans le prolongement d’une théorie déjà existante,
mais se présente d’abord et avant tout comme « une nouvelle discipline scientifique » à part
entière. Elle « vient ajouter, explique Mandelbrot, de nombreux “ caractères ” nouveaux à
“l’ alphabet ” que Galilée avait hérité d’Euclide ». Un grand nombre et même la plupart des
formations naturelles ne peuvent pas être représentées adéquatement au moyen des seules
notions de la géométrie euclidienne. Il est clair en effet que « les nuages ne sont pas des
sphères, les montagnes ne sont pas des cônes, les côtes ne sont pas des cercles, l’écorce n’est
pas lisse et l’éclair ne se propage pas en ligne droite »[Mandelbrot,1986]. En assignant à la
géométrie fractale la tâche de modéliser ces formes naturelles oubliées de la géométrie
classique, Mandelbrot ne fait somme toute que reconduire la géométrie à sa vocation
originelle qui est d’être, si l’on se fie à l’étymologie, une mesure (metron) et une description
de la Terre. On peut même dire que la géométrie fractale est la première et la seule géométrie
qui soit véritablement digne de ce nom, c’est-à-dire conforme au projet géométrique lui-
même. La géométrie euclidienne n’est en effet qu’une géométrie partielle, c’est-à-dire une
géométrie parcellaire ou plutôt de la parcelle; elle n’a pas été conçue pour embrasser la Terre
en sa complexité et en sa diversité, mais uniquement pour mesurer les formes au contours
réguliers, d’où l’importance qu’y ont prise les notions de ligne, de plan, de cercle, etc.
4.3. LA DEFINITION D’UN ENSEMBLE FRACTAL.
Qu’est-ce qu’un objet fractal ? Comment et à quoi reconnaître qu’une structure

mathématique est fractale ? Qu’est-ce qui distingue un ensemble fractal d’un ensemble qui ne
l’est pas ? Aussi surprenant que cela puisse paraître, il n’est pas facile de répondre à ces
questions, pourtant fondamentales. Mandelbrot a d’abord pensé introduire la notion
mathématique de dimension . « Une des caractéristiques principales de tout objet fractal est sa
dimension fractal » [Mandelbrot,1989]. La dimension fractale est un « nombre qui quantifie
le degré d’irrégularité et de fragmentation d’un ensemble géométrique ou d’un objet naturel,
et qui se réduit, dans le cas des objets de la géométrie usuelle d’Euclide, à leurs dimensions
usuelles » [Mandelbrot,1989].
Il existe plusieurs manières de mesurer l’irrégularité d’un ensemble, et donc différentes
définitions de cette notion. Nous citerons la dimension de Hausdorff-Besicovitch, la
dimension de Minkowskie-Bouligand et la dimension d’homothétie [Gouyet, 1992]. Toutes
ces dimensions ont la particularité de ne pas être nécessairement entières. Elles peuvent être
fractionnaires (1/2; ¾ ; etc.), ou même irrationnelles ( ). Bien que leur domaine d’application
naturel soit l’univers des structures irrégulières, elles gardent un sens et peuvent être calculées
pour tout ensemble, et donc aussi pour les ensembles réguliers (les lignes, les surfaces, etc.).
4.3.1. Les Dimensions fractales.
Il existe plusieurs définitions de la dimension fractale. Dans le cas d’analyse des nuages,
deux approches sont principalement utilisées . Il s’agit de l’approche aire périmètre [Lovejoy
1982, Lawford 1996, Benner and Curry 1998] et celle de la dimension de Minkowski-
Bouligand ou Box Counting [ lovejoy et al., 1987] .
4.3.1.1. L’approche Aire\Périmétre.
L’approche aire \ périmètre utilise la relation :
P = C ADp/2 (4-1)
où P et A désignent respectivement le périmètre et l’aire de l’écho. C est une constante et Dp

représente la dimension fractale ( valeur supérieure ou égale à 1).
La valeur de Dp caractérise l’irrégularité du contour de l’écho. Théoriquement, la valeur
de Dp pour des contours lisses ou réguliers tels le rectangle ou le cercle vaut 1. La dimension
fractale des nuages peut dépasser dans certains cas la valeur 1,8.
4.3.1.2. La dimension de Minkowski-Bouligand.
La dimension de Minkowski-Bouligand, qu’on appelle également dimension d’entropie,

dimension capacitaire, densité logarithmique, dimension d’information, dimension de
comptage de boites ( box-counting dimension ), etc…, remonte aux années 1930. Elle n’a de
sens, comme la dimension de Hausdorff, que dans les espaces métriques.
Soit donc un sous-ensemble borné F d’un espace métrique E quelconque, par exemple
n
R . Appelons Nd(F) le plus petit nombre de boules de diamètre d nécessaires pour recouvrir F.
La dimension de Minkowski notés dimM(F) est définit par :
log Nd F
dimM(F) = lim (4-2)
1
d 0 log
d
Lorsque les ensembles sont réguliers, la dimension de Minkowskie coïncide avec la
dimension topologique, comme représenter dans le tableau ci-dessous :
Objet (F) Nd(F) dimM(F)
Boule 1 log (1)

lim =0
1
d 0 log
d
Courbe de L
longueur L log
L d log (L) ] = 1
lim = lim [1 +
d 1 log d
log
d 0 d
2
L
Surface plane log
2 d log (L)
fermée L lim = lim [2 + ]=2
1 log d
d log
d 0 d
Tableau. 4. 1 – dimensions de Minkowski-Bouligand pour les ensembles réguliers.

D’après le tableau 4.1 la dimension de Minkowski d’un point est nulle car une boule
suffit pour le recouvrir, et par conséquent la limite d’un point est nulle quel que soit d. La
dimension de Minkowski d’une courbe de longueur L vaut 1 puisque le nombre de boules de
diamètre d nécessaires pour la recouvrir est L/d. De même, la dimension de Minkowski d’une
surface plane fermé est 2, etc. D’une manière générale, la dimension de Minkowski d’une
variété lisse de dimension topologique m est égale à m.
Pour illustrer ce qui a été dit, calculons la dimension de Minkowski-Bouligand (box-
counting) pour un triangle isocèle de coté égale à 1.
Triangle isocèle d=1 Nd = 1 d = 1/2 Nd = 3
d = 1/4 Nd = 10 d = 1/8 Nd = 36
Fig. 4. 1 - Processus de décomposition par la méthodes des boites (box-counting).

Log(N)
4
On voit que : y = 1,8573x - 0,1027
R2 = 0,9996
N(1) = 1
3
N(1/2) = 3 = 1 + 2
N(1/4) = 10 = 1 + 2 + 3 + 4
2
N(1/8) = 36 = 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8
En général :
1
N( (1/2)n ) = 1 + 2 + 3 +………+ 2n.
La dimension de Minkowski-Bouligand représente
la pente de la droite du diagramme de la figure 4.2. 0
0 0,5 1 1,5 2
Elle est égale comme on le voit approximativement Log(1/d)
à 2. C’est celle d’un ensemble régulier, précisément
une surface plane. Fig. 4. 2 – Diagramme de la dimension de
Minkowski-Bouligand pour la
décomposition d’un triangle.
4.4. PRINCIPE DE LA METHODE.
L’analyse d’image numérique de télédétection est un champ approprié pour

l’application des fractals en raison de la signification inhérente de l’individu-similitude des
champs de pluie. C’est pour cela que nous avons utilisé ce concept afin de calculer la
dimension fractale Dp des images radar en premier par la méthode aire/périmètre et en second
par la méthode de box-counting.
La méthode aire/périmètre consiste tout d’abord à segmenter et à codifier les différentes
régions de précipitation contenues dans l’image radar (voir fig. 4.3), ensuite à comptabiliser
pour chaque région codifiée le nombre de pixels (s) recouvrant sa surface et le nombre de
pixels (p) qui constitue son périmètre. Ces deux données seront par la suite stockées dans
deux tableaux, l’un propre a la surface et l’autre au périmètre. Enfin, nous représentons par le
nuages de points de la fonction 2*log(p) = f (log(s)) et on trace la courbe de tendance de ce
nuage de point afin de déduire la valeur de la dimension fractale Dp de l’image radar.
Image originale non codifiée image codifiée

Fig. 4. 3 - Codification des différentes régions de l’image radar.
Quant à la méthode box-counting, elle consiste d’abord à la génération de l’image

contour qui ne contient que les contours des régions et non leur surface (voir Fig. 4.4). Puis on
décompose notre image par des fenêtres (boites) de taille [NxN] (par ex : N=2) et on
comptabilise le nombre de boites (s) contenant les pixels de contours des régions. Cette
opération est répétée pour les différentes valeurs de N (N = 2, 4, 8,..,512) (voir fig. 4.5) .
Après cela nous tracerons la courbe de nuage log(s) = f (log(1/N) afin de déduire comme pour
la méthode aire/périmètre la valeur de Dp, c’est à dire la dimension fractale de l’image radar.
Image originale Image contour

Fig. 4. 4 – Génération de l’image contour.
N = 2 , s = 1020 N = 4 , s = 541
N = 8 , s = 252
Fig. 4. 5- Processus de décomposition par la méthodes des boites (box-counting).
4.4.1. Organigramme.
Dans notre étude nous avons développé deux programmes ; le premier correspondant à
la dimension fractale aire/périmètre et le second à la dimension fractale box-counting. Ces
deux organigrammes sont appliqués en premier sur les images radars de l’événement
météorologiques exceptionnel qu’à connu l’Algérie le 09 et 10 novembre 2001. En second,
on appliquera l’organigramme aire/périmètre sur les images de Setif et de Bordeaux étudiées
dans le chapitre 3 afin de connaître si la dimension fractale peut servir de facteur discriminant
entre les deux types d’échos ?.
Fig. 4. 6– Organigramme de la dimension fractale aire/périmètre.

Fig. 4. 7– Organigramme de la dimension fractale box-counting.

4.4.2. Résultats et interprétation.
4.4.2.1. La dimension fractale aire/périmètre.
Dans une première étape nous allons considérer toutes les images radar des journées 09
et 10 novembre enregistrées toutes les 15 minutes. la dimension fractale moyenne de
l’ensemble de notre base de données vaut 1,38. La courbe de la figure 4.8 représente le nuage
de points considéré pour le calcul de la dimension fractale.
7 y = 1,38 x + 0,6121
6 R2 = 0,9652
2 * log (p)
5
4
3
2
1
0
0 1 2 3 4 5
log (s)
Fig. 4. 8 – Dimension fractale moyenne des images radar enregistrées toutes les 15min.
Dans une seconde étape, nous allons considérer les images radar enregistrées toutes les
heures afin de mieux voir la variation de la dimension fractale (fig. 4.9) et de la surface des
échos de précipitations (fig. 4.10).
1,75
dim. fractal aire/périmétre
1,5
1,25
1
0,75
0,5
0,25
0
0 3 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48
tem p (heures) nov 09/10
Fig. 4. 9 – Variation de la dimension fractale des images radar pour chaque heure.
20000
surface des échos de préc.
17500
15000
12500
10000
7500
5000
2500
0
0 3 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48
Fig. 4. 10 – Variation de la surfaces des précipitations pour chaque heure.

- Discussion.
D’après les figures 4.8, 4.9, 4.10. on constate que la variation de la dimension fractale
varie entre 1,36 et 1,4, et que sa moyenne est de 1,38. Ces résultats sont en bon accord avec
ceux publiés par la littérature [Lovejoy et al., 1987 ; Lawford., 1996 ; Cahalan et Joseph.,
1989 ; Féral et Sauvageot., 2002].
a) les pluies convectives.
Dans une seconde partie nous allons calculer la dimension fractale des pluies
convectives des événements du 09 et 10 novembre 2001 qui sont ; rappelons le, de fortes
intensités et de faible extension spatiale. Pour les traiter nous allons éliminer tous les échos de
faible réfléctivité c’est à dire ne considérer que les pixels dont l’intensité est supérieur au
onzième niveaux de gris correspondant à 52 dBZ ( voir fig. 4.11).
(a) pluies stratiformes et convectives (b) pluies convectives
Fig. 4. 11 – Filtrage des pluies stratiformes.
La figure 4.12 représente la valeur de la dimension fractale de l’ensemble des images

radar enregistrées tout les 15min, en considérant seulement les pluies convectives.
5 y = 1,49 x + 0,4368
4 R2 = 0,8949
2 * log (p)
3
2
1
0
0 0,25 0,5 0,75 1 1,25 1,5 1,75 2 2,25 2,5 2,75 3
log (s)
Fig. 4. 12 -– Dimension fractale moyenne des pluies convectives pour l’ensemble des images radar
enregistrées toutes les 15min.
- discussion.
La figure précédente montre que la dimension fractale moyenne des pluies convectives
est égale à 1,49, ceci se traduit par les petites surfaces de ces échos c’est à dire que le nombre
de pixels de leur périmètre devient presque égale à celui de la surface, ce qui fait croître la
valeur de la dimension fractale.
4.4.2.2. La dimension fractale box-counting.
Pour cette méthode, nous avons considéré la dimension fractale moyenne pour les
images radar enregistrées toutes les 15 min. Ensuite nous avons étudier la variation de la
dimension fractale calculée toutes les heures. Les résultats sont présentés sur les figures 4.13
et 4.14. On trouve que la dimension vaut 1,38.
5 y = 1,38 x + 0,1961
4 R2 = 0,9821
log (s)
3
2
1
0
0 0,25 0,5 0,75 1 1,25 1,5 1,75 2 2,25 2,5 2,75 3
log (1/N)
Fig. 4. 13 - Dimension fractale moyenne des images radar enregistrées toutes les 15min.
1,75
dim. fractal box-counting
1,5
1,25
1
0,75
0,5
0,25
0
0 3 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48
Fig. 4. 14 – Variation de la dimension fractale des images radar pour chaque heure.
- Discussion.
D’après les figures 4.13 et 4.14, nous voyons que la dimension fractale moyenne est
égale à 1,38 et que sa variation pour les 48 heures est presque invariante. Ces résultats
ressemble de très près à ceux obtenus par la méthode aire/périmètre. Ce qui nous conduit à
conclure que la dimension fractale aire/périmètre et la dimension fractale box-counting sont
deux méthodes qui peuvent être utilisées pour caractériser les échos de précipitations et se
valent. De même, nous avons considéré la dimension fractale d’un événement fréquent et
courant pour le nord de l’Algérie. les images traitées sont celles collectées durant le mois de
Janvier 2001. Ces images décrivent divers types de précipitations. Elles représentent, soit des
pluies stratiformes, soit des pluies convectives. on trouve que la dimension fractale quelque
soit la méthode utilisée vaut 1,38 (fig. 4.15).
7
y = 1,38 x + 0,6859
6
2 * log (p) R2 = 0,9531
5
4
3
2
1
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
log (s)
Fig. 4. 15 – Dimension fractale moyenne des images radar de janvier 2001.
En outre, nous avons considéré des échos de pluie enregistrés dans le sud ouest de la
France, précisément dans la région Bordelaise pour la base de données présentée au chapitre
III. La dimension pour ce site vaut 1,37 (Fig. 4.16). Ces résultats montrent que la dimension
fractale est invariante quelque soit le type de pluie et le site considéré. Nos résultats sont
identiques à ceux publiés dans la littérature, nous citons à titre d’exemple les travaux
[Lovejoy., 1982 ; Rys et Waldvogel.,1986] pour les images radar prise au Canada et [Cahalan
et Joseph., 1989] pour des images prise en Israël.
7
y = 1,37 x + 0,6749
6 R2 = 0,9786
5
2 * log (p)
4
3
2
1
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
log (s)
Fig. 4.16 – Dimension fractale de Bordeaux.

4.4.3. Filtrage des images radar par la dimension fractale.
Comme pour la méthode de filtrage par approches statistique, le filtrage des images
radar par la méthode de la dimension fractale consiste à constituer deux bases de données
pour les images de Setif et de Bordeaux. La première base de données représente la dimension
fractale des échos de précipitations de l’image de référence et la seconde base de données la
dimension fractale celle des échos du sol. ces données sont ensuite représentées sous forme
d’histogrammes. Les résultats obtenus sont représentaient par les Fig. 4.17.
effectif i.clair i.ref effectif i.clair i.ref

6
5
5
4
4
3 3
2 2
1 1
0 0
0 0,22 0,44 0,66 0,88 1,1 1,32 1,54 1,76 1,98
0 0,24 0,48 0,72 0,96 1,2 1,44 1,68 1,92
dim. fractal dim. fractal
Fig. 4.17 – Histogrammes de la dimension fractale.
Aussi, nous avons calculé la dimension fractale des échos du sol pour Setif et pour
Bordeaux (Fig. 4.18). Elles valent respectivement 1,56 et 1,4.
7 y = 1,56 x + 0,361 7
y = 1,4 x + 0,6266
6 R2 = 0,9634 6
R2 = 0,9816
5 5
2 * log (p)
2 * log (p)
4 4
3 3
2 2
1 1
0 0
0 0,5 1 1,5 2 2,5 3 3,5 4 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
log (s) log (s)
Fig. 4.18 – Dimension fractale des échos du sol de Setif et de Bordeaux..
- Discussion.
En analysant les histogrammes du paramètre « dimension fractale » des échos de

précipitations et des échos du sol, on constate un large recouvrement des deux histogrammes,
aussi bien pour l’image de Setif que celle de Bordeaux, ce qui nous permet de déduire que la
« dimension fractale » ne constitue pas un paramètre discriminant pour le filtrage des images
radar. De même, on constate que la dimension fractale des échos du sol est plus grande que
celle des précipitations. Le radar de Setif est entouré de reliefs montagneux alors que le radar
de Bordeaux est installé dans une région pratiquement plate, ceci explique la forte valeur de la
dimension fractale des échos du sol de la région de Setif car le contour est très irrégulier.
4.5. CONCLUSION.
D’après les résultats obtenus, nous pouvons conclure que la dimension fractale peut
caractériser les types de précipitations stratiformes ou convectives et que sa valeur est
invariante dans le temps et dans l’espace. Aussi le calcul de la dimension fractale par la
méthode aire/périmètre ou par la méthode box-counting donne approximativement les même
résultats. Enfin la dimension fractale ne constitue pas un paramètre discriminant pour le
filtrage des images radar.
Conclusion générale 84
Conclusion générale
Le but de notre travail est l’élimination des échos du sol par l’analyse de la texture des
échos radar. Cette étude à été effectuée sur des images provenant de deux sites différents l’un
situé à Setif (Algérie) et l’autre situé à Bordeaux (France). Deux techniques d’élimination ont
été développée. La première basée sur l’approche statistique de la texture, à savoir la méthode
des histogrammes, la méthode des matrices de cooccurrences et la méthode d’Unser. La
seconde technique consiste quant à elle au calcul de la dimension fractale des échos de
précipitations et des échos du sol.
Les principaux résultats obtenus concernant l’approche statistique montrent que les
paramètres statistiques énergie pour les histogrammes et les matrices de cooccurrences, ou
homogénéité locale et énergie pour la méthode d’Unser apportent une discrimination parfaite
entre les échos provenant de la surface terrestre et les échos de précipitations avec une perte
d’information maximum de 4% sur le taux de précipitations et une élimination quasi totale
des échos parasites, et ceci quelque soit la direction considérée pour la matrice de
cooccurrences et la méthode d’Unser. Aussi, la combinaison de différents paramètres
statistiques n’améliore pas le filtrage des échos de précipitations.
D’autre part, le calcul de la dimension fractale des échos radars par la méthode
aire/périmètre et par la méthode box-counting permet en effet de caractériser la variation des
échos de précipitations mais ne permet pas l’identification des échos du sol des échos de
précipitations. D’ou l’on peut conclure que l’approche statistique de la texture reste une
meilleure technique pour la classification des deux types d’échos et ceux pour n’importe quel
site radar.
Annexe.
ANNEXE
 Les couches atmosphériques.
 Exosphère. 500Km
Partie la plus externe de l'atmosphère terrestre,

située à partir de 500 km (au-dessus de l'ionosphère).
De faible densité, elle est constituée de molécules qui
peuvent (avec une forte probabilité) s'échapper de
l'attraction terrestre vers l'espace intersidéral.
85Km
 Thermosphère.
Se situe à 85 km d’altitude a une température

500°C. 48Km
 Mésosphère.
Région de l'atmosphère située entre 50 et 85

km d'altitude, au-dessus de la stratosphère.
La température s'élève jusqu'à -10°C à 50 km et 18Km
redescend à -90°C à 80 km d'altitude (mésopause).
 Stratosphère.
Située dans l'homosphère entre la troposphère

et la mésosphère (à des altitudes comprises entre 11 7 à 18 Km
et 50 km environ).
 Troposphère.
Région de l'atmosphère située en dessous de la stratosphère (à des altitudes comprises

entre 0 et 11 km environ), La troposphère est le siège des transferts de l'énergie des masses
d'air, par convection thermique. Ces mouvements qui régissent le climat, évitent
l'échauffement de la surface terrestre. La température y décroît globalement avec l'altitude,
sauf localement en cas d'inversion de température.
 Ionosphère.
Région de l'atmosphère située entre 60 et 500 km environ contenant des particules

ionisées par le vent solaire. L'existence de l'ionosphère a été découverte en même temps par
Kenelly et Heaviside (1902). Appleton mit en évidence l'influence de couches de cette région
sur la propagation des ondes radioélectriques (1924). L'ionosphère joue le rôle de réflecteur
de certaines ondes électromagnétiques, notamment des ondes radio. Les hyperfréquences
convenablement dirigées sont insensibles à l'action perturbatrice de l'ionosphère.
Bibliographie
Friend, A. W., 1940 : Developements in meteorological soundings by radio waves. J.Aeronaut.

Sci., 7 , 347-352.
Friend, A. W., 1949 : Theory and practice of troposphéric sonding by radar. Proc. IEEE, 37,
116-138.
Haddad, B., 1990 : Etude des effets de guides atmosphériques dans les gammes VHF et UHF.
Thèse de Magister, USTHB, Alger.
Boithias, L., 1983 : Propagation des ondes radioélectriques dans l’environnement terrestre.
Ed. Chiron. Paris.
Haddad, B., A. Adane, F. Mesnard et H. Sauvageot, 1999 : Climatologie des échos du sol en
zone côtière. Publications de l’assoc. Intern. de Clim., 12, 237-244.
Sauvageot, H., 1992 : Radar meteorology. Artech House, Boston, 361 pp.
Skolnic, M. I., 1990 : Radar Handbook. Mc Graw Hill.
Marshall, J. S., and W. Hitschfeld, 1953 : Interpretation of the fluctuating echo from randomly
distributed scatterers. Part I, Can. J. Phys., 31, 962-994.
Darricaud, J., 1981 : Physique et théorie du radar. Tome I et II. Ed. Sodipe. Paris.
Doviak, R. J., and D. S. Zrnic, 1993 : Doppler radar and weather observations. Academic
Press, 562 pp.
Hamuzu, K., and M. Wakabayashi, 1991 : Ground clutter rejection. Hydological applications
of Weather Radar, Clukie and Collier, Ed Ellis Horwood Ltd., 131-142.
Gabella, M., G. Galli, O. Ghigo, J. Joss, and G. Perona, 1999 : Clutter elimination and
agreement between hourly precipitation amounts as measured by two radars and network of
gauges. Proc. Advanced Weather Radar System. Inter. Seminar on COST 75 – Locarno,
European Communities, Bruxelles, Belgium, 102-113.
Carpentier, M., H., 1981 : Eléments constitutifs du radar : l’élimination du clutter. Tome III.
Ed. E.N.S.T.A., paris.
Belhadj-Aissa, A., 1998 : Contribution au logiciel d’analyse et de traitement d’image

satellitaires (L.A.T.I.S). Analyse spatiale d’images satellitaires à la cartographie thermique.
Thèse doctorat d’état. USTHB. Alger.
Kourgli, A., 1997 : Analyse de la texture des images satellitaires. Thèse de magister. Institut
d’électronique. USTHB.
Pratt, W. K., 1976 : Digital image processing, A wiley-interscience publication. John-Wiley

and sons.
Haralick, R. M., 1979 : Statistical and structural approaches to texture, Proc. IEEE, 67, pp.
786-804.
Haralick, R. M., K. Shanmugan, I. Dinstein,. 1973 : Textural features for image classification,
IEEE Trans. Syst. Man. Cybern, SMC-8, pp. 601-621.
Unser, M., 1986 : Sum and difference histogram for texture classification, IEEE Trans. Pattern
Anal. Mach. Intell., PAMI-8, N°1, pp. 118-125.
Bibliographie
Sauvageot, H., and G. Despaux, 1990 : SANAGA : Un système d’acquisition numérique et de

visualisation des données radar pour la validité des estimations satellitaires de précipitations.
Veille Climatique Satellitaire, 31, 51-55.
Moszkowicz,. S., G. J. Ciach and W. F. Krajewski, 1994 : Statistical detection of anomalous

propogation in radar reflectivity patterns. J. Atmos. Oceanic Technol., 11, 1026-1034.
Lovejoy, S., 1983 : La géométrie fractale des nuages et des régions de pluie et les simulations
aléatoires. Houille Blanche 01 pp 431-436.
Lovejoy, S., Mandelbrot B. B., 1985 : Fractal properties of rain, and a fractal model. Tellus 37
A, 209-232.
Mandelbrot B. B., 1974 : Intermittent turbulence in self-similar cascades : divergence of hight

moments and dimension of the carrier, J. Fluid Mech., 62, pp. 331-350.
Mandelbrot B., 1989 : Les objets fractals, Paris, Flammarion, 3e éd.
Mandelbrot B. B., 1986 : Self-affine fractal sets, in : Fractals in Physics, édité par L. Pietronero
& E. Tossati, North-Holland, Amsterdam, p. 3.
Gouyet J.-F., 1992 : Physique et structures fractales, Paris, Masson., pp. 5-10.
Lovejoy, S., 1982 : The area-perimeter relation for rain and cloud areas. Science 216, 185-
187.
Lawford, R.G., 1996 : Temporal variations in the scaling properties of rain echoes during the
development of a cold low in Saskatchevan. J. Appl. Meteor., 35. 796-809.
Benner, T.C., and J.A. Curry., 1998 : Characteristics of small tropical cumulus clouds and
their impact on the environment. J Geophys. Res., 103, D22, 28753-28767.
Lovejoy, S., Schertzer, D. & Tsonis, A. A., 1987 : Functionnal box-counting and multiple
elliptical dimensions in rain. Science, 235, 1036-8.
Mesbah, M., Bouayed, I., 2001 : Elimination des échos du sol par analyse textural, Thése
d’ingéniorat. Institut d’électronique. USTHB.
Lawford, R. G., 1996 : Temporal variations in the scaling properties of rain echoes during the
developement of a cold low in saskatchevan. J. Appl. Meteor., 35, 796-809, 1996.
Cahalan, R.F., and J.H. Joseph., 1989 : Fractal statistics of cloud fields. Mon. Wea. Rev., 117,
261-272.
Féral, L., and Sauvageot, H., 2002 : Fractal identification of supercell storms. J. Geophys.
Res., 29, 1-4.
Rhys, F.S., and A. Waldvogel., 1986 : Fractal shape of hail clouds. Phys. Rev. Lett., 56, 784-
787, 1986.
Bibliographie
Bibliographie
Belhadj-Aissa, A., 1998 : Contribution au logiciel d’analyse et de traitement d’image

satellitaires (L.A.T.I.S). Analyse spatiale d’images satellitaires à la cartographie thermique.
Thèse doctorat d’état. USTHB. Alger.,1
Benner, T.C., and J.A. Curry., 1998. Characteristics of small tropical cumulus clouds and their
impact on the environment. J Geophys. Res., 103, D22, 28753-28767..,2
Boithias, L., 1983 : Propagation des ondes radioélectriques dans l’environnement terrestre.
Ed. Chiron. paris,1
Cahalan, R.F., and J.H. Joseph : Fractal statistics of cloud fields. Mon. Wea. Rev., 117, 261-
272, 1989.,2
Carpentier, M., H., 1981 : Eléments constitutifs du radar : l’élimination du clutter. Tome III.
Ed. E.N.S.T.A., paris.,1
Darricaud, J., 1981 : Physique et théorie du radar. Tome I et II. Ed. Sodipe. Paris.,1
Doviak, R. J., and D. S. Zrnic, 1993 : Doppler radar and weather observations. Academic
Press, 562 pp.,1
Féral, L., and Sauvageot, H., 2002 : Fractal identification of supercell storms. J. Geophys.
Res., 29, 1-4.,2
Friend, A. W., 1940 : Developements in meteorological soundings by radio waves. J.Aeronaut.

Sci., 7 , 347-352.,2
Friend, A. W., 1940: Developements in meteorological soundings by radio waves. J.Aeronaut.

Sci., 7 , 347-352.,1
Friend, A. W., 1949: Theory and practice of troposphéric sonding by radar. Proc. IEEE, 37,
116-138.,1
Gabella, M., G. Galli, O. Ghigo, J. Joss, and G. Perona, 1999 : Clutter elimination and
agreement between hourly precipitation amounts as measured by two radars and network of
gauges. Proc. Advanced Weather Radar System. Inter. Seminar on COST 75 – Locarno,
European Communities, Bruxelles, Belgium, 102-113.,1
Gouyet J.-F., 1992. Physique et structures fractales, Paris, Masson., pp. 5-10.,2
Haddad, B., 1990 : Etude des effets de guides atmosphériques dans les gammes VHF et UHF.
Thése de Magister, USTHB, Alger.,1
Haddad, B., A. Adane, F. Mesnard et H. Sauvageot, 1999 : Climatologie des échos du sol en
zone côtière. Publications de l’assoc. Intern. de Clim., 12, 237-244.,1
Hamuzu, K., and M. Wakabayashi, 1991 : Ground clutter rejection. Hydological applications
of Weather Radar, Clukie and Collier, Ed Ellis Horwood Ltd., 131-142.,1
Bibliographie
Haralick, R. M., 1979 : Statistical and structural approaches to texture, Proc. IEEE, 67, pp.
786-804.,1
Haralick, R. M., K. Shanmugan, I. Dinstein,. 1973, Textural features for image classification,
IEEE Trans. Syst. Man. Cybern, SMC-8, pp. 601-621.,1
Kourgli., A., 1997 : Analyse de la texture des images satellitaires. Thèse de magister. Institut
d’électronique. USTHB.,1, 2
Lawford, R. G., 1996 : Temporal variations in the scaling properties of rain echoes during the
developement of a cold low in saskatchevan. J. Appl. Meteor., 35, 796-809, 1996.,2
Lovejoy S., 1982. The area-perimeter relation for rain and cloud areas. Science 216, 185-187.,2
Lovejoy S., 1983. La géométrie fractale des nuages et des régions de pluie et les simulations
aléatoires. Houille Blanche 01 pp 431-436.,2
Lovejoy S., Mandelbrot B. B., 1985. Fractal properties of rain, and a fractal model. Tellus 37
A, 209-232.,2
Lovejoy, S., Schertzer, D. & Tsonis, A. A., 1987. Functionnal box-counting and multiple
elliptical dimensions in rain. Science, 235, 1036-8.,2
Mandelbrot B. B., 1974. Intermittent turbulence in self-similar cascades : divergence of hight

moments and dimension of the carrier, J. Fluid Mech., 62, pp. 331-350.,2
Mandelbrot B. B., 1986. Self-affine fractal sets, in : Fractals in Physics, édité par L. Pietronero
& E. Tossati, North-Holland, Amsterdam, p. 3.,2
Marshall, J. S., and W. Hitschfeld, 1953 : Interpretation of the fluctuating echo from randomly
distributed scatterers. Part I, Can. J. Phys., 31, 962-994.,1
Mesbah, M., Bouayed, I., 2001 : Elimination des échos du sol par analyse textural, Thése
d’ingéniorat. Institut d’électronique. USTHB.,2
Moszkowicz,. S., G. J. Ciach and W. F. Krajewski, 1994 : Statistical detection of anomalous

propogation in radar reflectivity patterns. J. Atmos. Oceanic Technol., 11, 1026-1034.,2
Pratt, W. K., 1976 : Digital image processing, A wiley-interscience publication. John-Wiley

and sons.,1
Rhys, F.S., and A. Waldvogel., 1986 : Fractal shape of hail clouds. Phys. Rev. Lett., 56, 784-
787, 1986.,2
Sauvageot, H., 1992 : Radar meteorology. Artech House, Boston, 361 pp.,2
Sauvageot, H., and G. Despaux, 1990 : SANAGA : Un système d’acquisition numérique et de

visualisation des données radar pour la validité des estimations satellitaires de précipitations.
Veille Climatique Satellitaire, 31, 51-55.,2
Skolnic, M. I., 1990 : Radar Handbook. Mc Graw Hill.,1
Unser, M., 1986 : Sum and difference histogram for texture classification, IEEE Trans. Pattern
Anal. Mach. Intell., PAMI-8, N°1, pp. 118-125.,1
Bibliographie
Résumé.
Pour les radars météorologiques, le clutter du sol induit des erreurs dans l’estimation
des précipitations et rend difficile la mesure hydrologique. Deux méthodes d’analyse de la
texture ont été considérées, la première est l’approche statistique à savoir, l’histogramme, les
matrices de cooccurrences, et la méthode d’unser, la seconde méthode consiste quant à elle au
calcul de la dimension fractale des échos de précipitations et des échos du sol. Appliquées sur
les images radars des régions de Setif (Algérie) et de Bordeaux (France), les résultats
montrent que la dimension fractale ne permet pas l’identification des échos du sol des échos
de précipitations, tandis que les paramètres statistiques énergie et homogénéité locale
identifient ces deux échos avec des erreurs du taux de précipitations qui ne dépasse pas les
4%.
Abstract.
The problem of ground clutter weather radar observation has especially important that
the rainfall data sometimes applied operational hydrology. Two methods of texture analysis
were considered, the first one is the statistics approach, namely, histogram, cooccurrences
matrices, and unser method. The second one is the calculation of the fractal dimension of
precipitations echos and ground echos. Applied on the radar images of Setif (Algeria) and
Bordeaux (France),the result show that the fractal dimension don’t allow the identification of
undesirable radar echos from the precipitations whereas the statistical parameters energy and
homogeneity are good identifiers for these two echos with the error commited on the
precipitation rate less than 4%.

Etude Texturale Et Fractale Des Echos Radar

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Etude Texturale Et Fractale Des Echos Radar

Încărcat de

Drepturi de autor:

Formate disponibile

République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

FACULTE DE GENIE ELECTRIQUE

Mémoire du projet de fin d’études

Pour l’obtention du diplôme

ETUDE TEXTURALE ET FRACTALE DES ECHOS RADAR :

Thème proposé par : Mr. Haddad Etudié par :

PROMOTION : 2001 - 2002

CHAPITRE I : R A D A R S E T A N OM A L I E S D E PR O P A GAT I O N ........................... 3

1.1 INTRODUCTION ............................................................................................................ 3

2.1 INTRODUCTION .......................................................................................................... 14

CHAPITRE III : E T UD E DE L A T E XT U RE PA R L ’ APP R OCHE ST AT I ST I STI QU E .... 23

3.1 GÉNÉRALITÉS ........................................................................................................ 23

CHAPITRE IV : E T U DE D E L A T HÉ ORI E DE S F RA C TA L E S ...................................... 70

C ONCLUSI ON GÉNÉRALE ................................ ................................ ........ 82

L’étude du cycle de l’eau ou de sa gestion a depuis toujours suscité un intérêt capital

Radars et anomalies de propagation

L’atmosphère est un milieu très complexe à cause de sa structure et les différents

1.2. LE RADAR METEOROLOGIQUE.

Le radar est un système électromagnétique de détection et de localisation des objets. Il

Le radar conventionnel émet dans l’atmosphère, à intervalles de temps égaux, des

Fig. 1. 1 - Diagramme distance-temps pour des signaux émis par un radar et

La partie gauche du schéma représente dans un plan vertical le faisceau d’onde

1.2.1.1. Radar non cohérent.

kilowatts. Un duplexeur permet d’utiliser alternativement la même antenne à l’émission et à la

e(t) = E0 cos[ 0t + (t)] (1-1)

um = (U0 / 2) cos[( 0- L)t + (t)] + (U0 / 2) cos[( 0+ L)t + (t)] (1-2)

Fig. 1. 2 - Schéma bloc d’un radar non cohérent à impulsions.

1.2.1.2. Radar cohérent.

En réalité, les cibles atmosphériques ne sont généralement pas immobiles.

Ce qui explique l’effet Doppler de fréquence :

Fig. 1. 3 - Schéma-bloc d’un Radar cohérent à impulsion.

1.2.2. Emplacement du Radar.

1.2.2.1. Angle de tir du radar.

Pour un fonctionnement idéal du radar, une exploitation adéquate de celui-ci s’impose.

1.2.2.2. Choix du site.

1.2.3. Visualisation des données.

1.3. LES ANOMALIES DE PROPAGATION DANS LA BASSE ATMOSPHERE.

Les anomalies de propagation, se développent fréquemment au-dessus des régions

1.3.1. Indice de Réfraction.

Afin de caractériser la transparence de l’atmosphère, on doit mesurer l’indice de

où : r et µr désignent respectivement les constantes diélectrique et magnétique du

1)- nk = nk+1 = cste : (fig.1.4.a)

nk sin ik = nk+1 sin ik+1 (1-7)

Fig. 1. 4 - Trajectoire des ondes électromagnétiques dans l’atmosphère

1.3.2. Les modèles de la terre fictive.

Pour certains problèmes relatifs à la propagation des ondes électromagnétiques dans

où : R0 est le rayon de la Terre réelle, n et R désignent respectivement l’indice de réfraction

1.3.3. Types de Réfraction.

Gradient d’indice dN Types de réfraction

Tableau. 1.1 - Types de réfraction atmosphérique.

L’Infra-réfraction correspond à des gradients d’indice positifs, les rayons hertziens

Fig. 1. 5 - Les différentes conditions de réfractions dans l’atmosphère.

1.4. TYPES DE PRECIPITATIONS.

Il existe différents types de précipitations : les précipitations convectives, les

Fig. 1. 6 - Principaux types de précipitations : convectives, orographiques et frontales.

1.4.1. Les précipitations convectives.

1.4.2. Les précipitations orographiques.

1.4.3. Les précipitations frontales.

1.5. MESURES DES PRECIPITATIONS.

Il est considéré comme l’instrument de base de la mesure des précipitations liquides ou

1.6. REGIME DES PRECIPITATIONS.

Pour identifier et classer les diverses régions pluviométriques du globe, on a

Tableau. 1. 2 - Régimes pluviométriques du monde.