Detecção de radar: modelos Swerling e Monte Carlo

O que a equação do radar não diz

A equação clássica do alcance do radar mostra um único número: o alcance em que o SNR recebido atinge o limite de detecção. Limpo, determinista e completamente enganoso se você acha que essa é a história toda. A equação pressupõe que seu alvo tenha um RCS fixo, que a atmosfera seja perfeitamente transparente e que cada componente do radar funcione exatamente de acordo com as especificações. Alvos reais não cooperam.

Inclinação e guinada da aeronave, alterando a seção transversal apresentada em 20 dB ou mais de um pulso para o outro. Os navios voam e rolam em mar agitado. A chuva não fica parada — ela dispersa o sinal, adicionando de 0,01 dB/km em garoa leve a 20 dB/km em uma chuva tropical, e isso é uma perda bidirecional. Seu clístron ou amplificador de estado sólido? Ele está liberando ± 1 dB de potência diferente de unidade para unidade da linha de produção e outra oscilação de ± 2 dB conforme a temperatura muda do inverno para o verão. A equação do alcance do radar fornece uma estimativa pontual. O que você realmente precisa é de uma distribuição de probabilidade que envolva essa estimativa, contabilizando tudo o que varia no mundo real.

Este passo a passo usa o Simulador de Detecção de Radar para analisar um radar de vigilância terrestre operando a 3 GHz. Trabalharemos com modelos de flutuação de metas, adicionaremos condições climáticas e executaremos testes de Monte Carlo para ver o quanto sua faixa de detecção realmente varia quando você considera as tolerâncias de fabricação e a incerteza ambiental.

Modelos alvo: escolhendo a capa Swerling certa

Antes de executar qualquer coisa, você precisa escolher um modelo de flutuação alvo. Os cinco casos Swerling foram desenvolvidos na década de 1950 e ainda são o padrão porque mapeiam de forma clara os mecanismos físicos de dispersão. Veja o que cada um representa:

Swerling 0 é o caso otimista — o RCS alvo é constante, então você obtém todos os benefícios da integração não coerente. Use-o para esferas de calibração ou refletores de canto triédricos onde a geometria é realmente estável. Para uma aeronave do tamanho de um caça a 3 GHz com integração pulso-a-pulso, o Swerling 2 é a escolha padrão. A suposição de “muitos dispersores” é válida porque você está vendo retornos da fuselagem, asas, cauda, entradas do motor e superfícies de controle, todas interferindo umas nas outras. O RCS segue uma distribuição de Rayleigh de pulso para pulso.

O Swerling 1 é mais conservador — ele assume que o RCS alvo muda lentamente, então você está integrando efetivamente o mesmo valor de RCS em todos os seus pulsos. Isso torna a integração menos eficaz e produz menor probabilidade de detecção no mesmo SNR. A maioria dos engenheiros ignora o Swerling 1, mas se você está projetando um sistema em que precisa de margem em relação aos piores ângulos de aspecto alvo, vale a pena usar o Swerling 1 e o Swerling 2 para melhorar seu desempenho.

As oscilações 3 e 4 se aplicam quando você tem um dispersor dominante — pense em uma pequena aeronave em que a entrada do motor ou um refletor de canto na cauda domina o retorno. A distribuição RCS muda de Rayleigh para um qui-quadrado com quatro graus de liberdade, que tem uma cauda mais longa. Você obtém retornos fortes ocasionais que ajudam na detecção, mas o desempenho médio é semelhante ao do Swerling 2.

Configurando o caso nominal

Vamos configurar um radar típico de vigilância terrestre de 3 GHz. Esses parâmetros representam um sistema de médio alcance, como um radar de controle de tráfego aéreo de banda L ou um sensor de defesa aérea baseado em terra:

O simulador calcula o SNR em cada compartimento de alcance usando a equação de radar Friis — a versão de perda de caminho bidirecional em que você obtém R⁴ no denominador em vez de R². Em seguida, ele mapeia o SNR para a probabilidade de detecção usando a função Marcum Q para Swerling 0 ou o CDF qui-quadrado não central apropriado para Swerling 1 a 4. A integração não coerente de N pulsos melhora seu SNR, mas não pelo fator total de N. Para alvos flutuantes de Swerling, a eficiência de integração está mais próxima de N ^ 0,8 porque o desvanecimento do alvo correlaciona seus pulsos.

Com essas entradas, a faixa nominal de detecção em Pd = 0,5 sai em torno de 180 km. Esse é o ponto médio de detecção — metade das vezes você detectará nessa faixa, metade das vezes não. O alcance de detecção de 90% está próximo de 120 km, que é o intervalo em que nove em cada dez oportunidades de escaneamento produzirão uma detecção. Essa diferença de 60 km entre Pd = 0,5 e Pd = 0,9 é inteiramente devido à flutuação do RCS alvo. Se você estivesse executando o Swerling 0 (alvo constante), esses dois intervalos estariam muito mais próximos.

Adicionando chuva: Atenuação ITU-R P.838

Agora vamos ver o que acontece quando chove. Ative a atenuação da chuva e defina a taxa de chuva para 16 mm/h, o que corresponde à chuva moderada na zona climática K. O simulador aplica o modelo de atenuação específico P.838:

onde k e α são coeficientes dependentes da frequência que variam com a polarização. A 3 GHz com polarização horizontal, k ≈ 0,00155 e α ≈ 1,265. Conecte R = 16 mm/h e você obterá γ_R ≈ 0,044 dB/km. Isso não parece muito, mas lembre-se de que esse é um caminho de mão dupla. Em um caminho de 180 km até o alvo e vice-versa, você está perdendo 16 dB. Isso é suficiente para reduzir seu alcance de detecção de 180 km para cerca de 120 km no caso nominal.

A região chuvosa é limitada aos primeiros 4 km de altitude — a chamada faixa brilhante, onde a chuva é mais intensa antes de começar a evaporar ou se transformar em neve em altitudes mais elevadas. O simulador lida com isso calculando o comprimento efetivo do caminho pela região da chuva, em vez de presumir que a chuva vai até o alvo. Para um radar terrestre que observa um alvo a 10 km de altitude, a maior parte do seu caminho está acima da camada de chuva.

Chuvas mais fortes tornam isso muito pior. A 50 mm/h — uma tempestade tropical — você obtém γ_R ≈ 0,21 dB/km. Isso representa quase 80 dB de perda bidirecional em um caminho de 180 km, o que reduz seu alcance nominal de detecção abaixo de 90 km. Na banda X (10 GHz) ou superior, a atenuação da chuva se torna o mecanismo de perda dominante em precipitações moderadas a fortes. É por isso que os radares de vigilância aérea de longo alcance operam na banda L ou S — a perda de chuva é controlável.

Monte Carlo: quantificando a incerteza do sistema

O alcance nominal de detecção é apenas a mediana — metade de todos os sistemas de radar fabricados terá um desempenho pior do que esse número. Para ver a distribuição completa, habilite a simulação de Monte Carlo com 50.000 testes e as seguintes tolerâncias:

Essas tolerâncias representam variações típicas de fabricação e incerteza operacional. A potência de pico varia de unidade para unidade devido às tolerâncias dos componentes do amplificador e às variações com a temperatura. O ganho da antena depende do alinhamento da alimentação, da perda de transmissão do radome e da precisão da medição do padrão. As perdas do sistema incluem incompatibilidade do guia de ondas, perda de inserção do filtro e incompatibilidade frontal do receptor — tudo isso varia de unidade para unidade. O RCS alvo varia ± 3 dB (ou mais) dependendo do ângulo de aspecto, mesmo para a mesma aeronave.

O resultado de Monte Carlo mostra que a faixa de detecção do 10º percentil — os piores 10% das combinações entre sistema e ambiente — é de 95 km. Isso é 25% mais curto do que os 180 km nominais. O 90º percentil (melhores 10%) atinge 155 km. Esse spread representa a variabilidade do mundo real que você verá em uma frota de radares operando em diferentes condições.

O parâmetro mais influente é o RCS alvo, que impulsiona quase 60% da variação da faixa de detecção na quebra de sensibilidade. Isso faz sentido para alvos do Swerling 2: o RCS flutua pulso a pulso com uma distribuição de Rayleigh, e as caudas dessa distribuição dominam sua probabilidade de detecção em SNR moderado. A implicação prática é que investir em maior potência de transmissão ou em uma antena maior tem retornos decrescentes se você não tiver contabilizado adequadamente a variação do ângulo do aspecto alvo. Você não pode corrigir um fade RCS de 10 dB com 3 dB a mais de potência de transmissão — a matemática não funciona a seu favor.

O segundo parâmetro mais influente geralmente é a potência de pico, seguido pelas perdas do sistema. O ganho da antena é surpreendentemente estável se você tiver feito seu projeto mecânico corretamente. O valor do ruído é mais importante em longo alcance, onde você já está limitado por SNR, mas em intervalos mais curtos, onde você tem margem de SNR, a incerteza do valor de ruído contribui menos para a variação geral da faixa de detecção.

Lendo a curva ROC

A curva Receiver Operating Characteristic (ROC) representa graficamente a probabilidade de detecção em relação à probabilidade de alarme falso para uma faixa fixa. Ele responde à pergunta: “se eu relaxar minha taxa de falsos alarmes de 10․ para 10․ ⁴, quanto ganho em probabilidade de detecção a 150 km?”

A 150 km com os parâmetros nominais e sem chuva, o ROC mostra o Pd subindo de 0,41 em Pfa = 10․ para 0,68 em Pfa = 10․. Isso representa um ganho de 27 pontos percentuais na probabilidade de detecção de duas ordens de magnitude a mais de alarmes falsos. Se essa troca faz sentido depende inteiramente do seu contexto operacional.

Para o controle de tráfego aéreo, Pfa = 10mund é efetivamente obrigatório — você não pode fazer com que o operador examine centenas de contatos falsos por escaneamento. Para um radar de busca marítima com um operador humano que já está analisando a desordem do mar e os retornos meteorológicos, Pfa = 10pode ser perfeitamente aceitável. De qualquer forma, o operador correlacionará os contatos em várias verificações, portanto, alguns alarmes falsos extras por varredura não aumentam significativamente a carga de trabalho.

A curva ROC também mostra o limite de detecção do joelho — o ponto em que aumentar ainda mais o Pfa não compra muito mais Pd. Para a maioria dos casos de Swerling, esse joelho ocorre em torno de Pfa = 10˚³ a 10․. Abaixo disso, você está trocando alarmes falsos de forma muito eficiente pela probabilidade de detecção. Acima disso, você entra no piso do ruído e a desvantagem se torna desfavorável.

O que esta simulação não lhe dirá

O simulador modela a detecção de ruído térmico, o ganho de processamento com Doppler de alcance por meio de integração não coerente, a atenuação da chuva via ITU-R P.838 e a flutuação do RCS alvo usando os modelos Swerling. Ele fornece uma base sólida para a validação do orçamento de links e a análise da sensibilidade da faixa de detecção. Mas isso não modela tudo.

A desordem — terra, mar, clima ou palha — não está incluída. Para um radar terrestre que observa alvos de baixa altitude, a desordem no solo pode dominar o ruído térmico em 30 dB ou mais. Você precisa de um modelo de desordem separado e de um processamento Doppler para lidar com isso. O ECM e a interferência também não são modelados — se alguém está negando ativamente seu radar, seu alcance de detecção diminui de uma forma que as estatísticas de ruído térmico não prevêem. Os reflexos de vários caminhos a partir do solo ou do mar podem causar nulos profundos em sua cobertura em ângulos de elevação específicos. A perda de escaneamento da antena — o fato de seu ganho diminuir de vista — reduz o alcance de detecção nas bordas do volume de escaneamento.

Para uma análise completa do sistema de radar, esses efeitos precisam de seus próprios modelos. Mas para entender como seu radar funciona em relação a um alvo pontual no espaço livre, considerando as tolerâncias realistas do sistema e os efeitos atmosféricos, essa simulação fornece a estrutura de probabilidade essencial. E a maioria dos engenheiros pula essa etapa completamente, confiando na equação determinística do alcance do radar e se perguntando mais tarde por que suas medições de campo não correspondem às previsões.

Simulador de detecção de radar