SIMULATION MODEL OF LOW-ALTITUDE METHOD OF PROFILING A REFLECTIVE SURFACE
Abstract
The paper is devoted to the development and study of a new method for low-altitude surface profiling using a synthetic aperture radar (PCA), which allows obtaining high-resolution radar images both in range and along the track line. The paper examines in detail the theoretical foundations of PCA systems, the features of signal formation and processing, and the creation of a simulation model to test the effectiveness of the proposed method. The paper analyzes the basic principles of SAR systems, including the use of probing signals with linear frequency modulation (LFM). These signals play a critical role in achieving the high resolution required for high-quality display of small details on the earth's surface. The paper pays attention to taking into account the features of the SAR carrier's motion, such as its speed and flight altitude. These parameters have a significant impact on the quality of the obtained images, and their correct control can significantly improve the final result. The authors consider the influence of the wave phase front and the Doppler effect on the shape of the received trajectory signal. Understanding these processes is necessary for correct interpretation of data and improving the accuracy of radar images. The paper presents a developed simulation model in the MATLAB programming language, which allows simulating the operation of a radar and assessing the quality of the images obtained. This model is an important tool for testing and optimizing the proposed method. The paper provides examples of simulation results that confirm the performance and adequacy of the proposed model. These results show that the method is able to operate effectively even in difficult conditions and provide high-quality radar images. Thus, the article presents a new and promising method for low-altitude profiling of a reflective surface, which can be used in a variety of fields, including scientific research, environmental monitoring, agriculture, as well as military and civilian applications
References
1. Антипов В.Н. и др. Радиолокационные станции с цифровым синтезированием апертуры антен-
ны. – Радио и связь, 1988.
2. Лобач В.Т. Статистические характеристики радиолокационных сигналов, отраженных от мор-
ской поверхности. – М.: Радио и связь, 2006. – 250 с.
3. Лобач В.Т. Влияние изменчивости локального коэффициента отражения на статистические
характеристики отраженного электромагнитного поля в условиях ограниченного пространст-
венного разнесения точек излучения и приема // Антенны. – 2003. – № 6.
4. Верба В.С., Неронский Л.Б., Осипов И.Г., Турук В.Э. Радиолокационные системы землеобзора
космического базирования. – М.: Радиотехника. 2010. – 675 с.
5. Коберниченко В.Г. Радиоэлектронные системы дистанционного зондирования Земли: учеб. по-
собие. – 2016.
6. Gorham L.R.A., Moore L.J. SAR image formation toolbox for MATLAB // Algorithms for Synthetic
Aperture Radar Imagery XVII. – SPIE, 2010. – Vol. 7699. – P. 46-58.
7. Bakumenko A. et al. Connected component labeling algorithm in streaming image processing with
FPGAs // SPIE Future Sensing Technologies 2021. – SPIE, 2021. – Vol. 11914. – P. 328-340.
8. Bakumenko A. et al. Crop seed classification based on a real-time convolutional neural network //
SPIE Future Sensing Technologies. – SPIE, 2020. – Vol. 11525. – P. 654-667.
9. Ковалев А.В., Бакуменко А.Н. Алгоритм маркировки связанных областей при потоковой обра-
ботке изображения // Инженерный вестник Дона. – 2022. – №. 4 (88). – С. 191-201.
10. Бахчевников В.В., Деркачев В.А., Бакуменко А.Н. Способ использования средств быстрого про-
тотипирования для реализации сверточной нейронной сети на ПЛИС // Известия ЮФУ. Техни-
ческие науки. – 2020. – №. 3 (213). – С. 146-156.
11. Деркачев В.А., Бахчевников В.В., Бакуменко А.Н. Классификатор изображений семян сельскохо-
зяйственных культур с использованием сверточной нейронной сети // Известия ЮФУ. Техни-
ческие науки. – 2020. – №. 4 (214). – С. 32-39.
12. Бахчевников В.В., Деркачев В.А., Бакуменко А.Н. Метод разработки искусственных нейронных
сетей для прототипирования на ПЛИС с помощью средств Xilinx System Generator и Matlab //
Компьютерные и информационные технологии в науке, инженерии и управлении" КомТех-
2020". – 2020. – С. 462-468.
13. Cox C., Munk W. Measurement of the roughness of the sea surface from photographs of the sun’s glitter
// Josa. – 1954. – Vol. 44, No. 11. – P. 838-850.
14. Hughes B.A., Grant H.L., Chappell R.W. A fast response surface-wave slope meter and measured
wind-wave moments // Deep Sea Research. – 1977. – Vol. 24, No. 12. – P. 1211-1223.
15. Haimbach S., Wu J. Field trials of an optical scanner for studying sea-surface fine structures // IEEE
journal of oceanic engineering. – 1985. – Vol. 10, No. 4. – P. 451-453.
16. Hwang P.A., Shemdin O.H. The dependence of sea surface slope on atmospheric stability and swell
conditions // Journal of Geophysical Research: Oceans. – 1988. – Vol. 93, No. C11. – P. 13903-13912.
17. Христофоров Г.Н. и др. Лазерная локация топографических неоднородностей на шероховатой
морской поверхности // Морской гидрофизический журнал. – 1993. – № 6. – С. 64-73.
18. Gatebe C.K. et al. Airborne spectral measurements of ocean directional reflectance // Journal of the
atmospheric sciences. – 2005. – Vol. 62, No. 4. – P. 1072-1092.
19. Bréon FM., Henriot N. Spaceborne observations of ocean glint reflectance and modeling of wave
slope distributions // Journal of Geophysical Research: Oceans. – 2006. – Vol. 111. – No. C6.
20. Мысленков С.А., Михайлов В.А. Измерение параметров волн в голубой бухте (Геленджик) при по-
мощи видеокамеры и рейки // Комплексные исследования Мирового океана. – 2019. – С. 372-373.
21. Prager S., Moghaddam M. Application of ultra-wideband synthesis in software defined radar for
UAV-based landmine detection // IGARSS 2019-2019 IEEE International Geoscience and Remote
Sensing Symposium. – IEEE, 2019. – P. 10115-10118.
