Availability assessment of AO corrected optical links by machine learning

Reconfiguration dynamique d’un réseau de stations sol optique assistée par machine learning Les liens optiques atmosphériques font figure de game-changer pour le futur des communications satellite-sol, que ce soit pour le rapatriement des données engrangées par les capteurs embarqués (télémesure) sur des satellites LEO ou pour le développement de l’internet globalisé et de l’internet des objets (IOT) en exploitant les satellites GEO comme relais. L’influence de l’atmosphère reste un verrou essentiel qu’il convient de forcer pour pouvoir garantir la disponibilité très élevée attendue de systèmes de communication. La fiabilité de son évaluation conditionne les marges utilisées pour le dimensionnement des futurs systèmes, notamment dans le choix des emplacements des futures stations sols. La performance d'un lien optique est notamment conditionnée par l'influence de la turbulence atmosphérique. Sur un lien optique entre un satellite géostationnaire et le sol des perturbations de l'onde optique en phase et en amplitude dégradent les propriétés du signal et compromettent la transmission d'informations. Différentes solutions de correction, optique adaptative à la réception, codes correcteurs, entrelacement, permettent de juguler ses effets. La forte variabilité spatiale et temporelle des conditions de turbulence, et la complexité de ces différentes méthodes de correction imposent une adaptation fine et conjointe de ces méthodes aux conditions atmosphériques locales. L'objectif principal de cette thèse est d'améliorer notre compréhension de la disponibilité des liens optiques en présence de turbulences en utilisant des instruments de caractérisation simples combinés à de l'apprentissage machine. Nous avons proposé une méthodologie complète permettant de prédire la marge de puissance du système en l'absence de lien en utilisant seulement quatre paramètres intégrés facilement mesurables de la turbulence. Ce travail représente une étape importante vers la reconfiguration intelligente et dynamique des réseaux de stations sols optiques. Nous avons introduit une méthodologie innovante pour l'évaluation des turbulences et la prédiction de la disponibilité d'un lien optique, en mettant l'accent sur une utilisation rationnelle de l'apprentissage machine combinée à une compréhension approfondie des phénomènes physiques. Tout en reconnaissant les limites et le besoin de mesures sur le terrain, ces travaux promettent des communications optiques satellite-sol plus fiables et plus efficaces