CN110910494B - 随机海况下海水浮筏养殖后向散射机理分析方法 - Google Patents

Abstract

一种随机海况下海水浮筏养殖后向散射机理分析方法，属于海洋遥感和计算机遥感影像处理领域。步骤如下：首先对采用Pierson‑Moscowitz海浪谱求解多种风速下的海面分布情况，构建不同海况下的多种海水养殖类型的复杂混合模型；其次，采用电磁仿真软件求解各模型的后向散射场，对计算得到的散射场数据进行逆合成孔径雷达成像从而获得目标散射特征；然后，分析浮筏养殖物理散射特性，获得后向散射特征；最后，将逆模拟仿真结果和合成孔径雷达遥感影像进行对比，获得更加显著的特征，验证海水浮筏养殖后向散射机理的正确性。本发明的效果和益处是能够采用模拟分析的方法实现随机海况下海水养殖后向散射特征的有效分析。

Description

随机海况下海水浮筏养殖后向散射机理分析方法

技术领域

本发明属于海洋遥感和计算机遥感影像处理交叉领域，涉及一种随机海况下海水浮筏养殖后向散射机理分析方法。

背景技术

筏式养殖分为网箱养殖、延绳式养殖和浮筏养殖。网箱养殖链接成片，体积较大，当雷达波发射时，由于海水的回波能量较弱，而养殖用的基座、围栏和网箱等回波能量较强，色调比周围的海水更亮，二者对比度更大，所以在Radarsat-2影像中可以十分清晰地识别(樊建勇,黄海军,樊辉,郜昂.利用Radarsat-1数据提取海水养殖区面积.海洋科学,2005,29(10):44-47.)。延绳式养殖用于养殖藻类，建立近海养殖区快速检测的光谱特征指数，可以通过多光谱波段线性组合实现其面积的有效识别(卢业伟,李强子,杜鑫,王红岩,刘吉磊.基于高分辨率影像的近海养殖区的一种自动提取方法.遥感技术与应用,2015,30(3):486-494.)。由于养殖浮筏在水面上基本以浮球漂浮为主，相对网箱养殖体积小(直径30cm)，即使是2m高分辨率可见光影像也无法完全发现。此外，相对藻类，贝类与海水的光谱反射特性差异不强，所以波段运算无法实现浮筏养殖信息提取，如何有效地发现养殖浮筏成为研究的难点。

国外学者多集中于潮间带固定基或滩涂上底播贝类的识别，属于自然养殖。Vander Wal等(Van der Wal D,Peter M J,van den Dool H A.Characterisation ofsurface roughness and sediment texture of intertidal flats using ERS SARimagery.Remote Sensing of Environment,2005,98(1):96-109.)分析潮间带之间不同地物表面粗糙度和后向散射特性之间的关系。Lee等(Lee S K,Hong S H,Kim S W,YamaguchiY,Won J S.Polarimetric features of oyster farm observed by AIRSAR and JERS-1.IEEE Transactions on Geoscience and Remote Sensing,2006,44(10):2728-2735.)采用AIRSAR和JERS-1对固定基座贝类养殖进行不同位置的后向散射特征分析，获得不同拍摄方向不同基座结构的后向散射特性，从而发现HH极化更有利于发现滩涂上的贝类。Choe等(Choe B H,Kim D J,Hwang J H,Oh Y,Moon W M.Detection of oyster habitat intidal flats using multi-frequency polarimetric SAR data.Estuarine,Coastal andShelf Science,2012,97(20):28-37.)通过多频率Radarsat-2和ALOS PALSAR的极化SAR微波特征获得潮间带低潮期不同地物类型后向散射特征。目前，Gade等(Gade M,MelchionnaS.Joint use of multiple synthetic aperture radar imagery for the detection ofbivalve beds and morphological changes on intertidal flats.Estuarine,Coastaland Shelf Science,2016,171(20):1-10.)在此研究基础之上，获得多时相SAR图像可以探测到潮间带贝类养殖和生态变化的结论，并展望多极化数据在贝类养殖物提取的可能性。国内浮筏养殖属于人工养殖，多采用浮球吊笼模式，较难直接发现，而且现有的浮筏养殖信息提取的研究资料较少，均为本课题组的研究成果。初佳兰等(初佳兰,赵冬至,张丰收,卫宝泉,李春茂,索安宁.基于卫星遥感的浮筏养殖监测技术初探——以长海县为例.海洋环境科学,2008,27(S2):35-40.)对长海县贝类养殖进行遥感监测的初步研究，根据浮筏分布特性进行专家解疑，获得养殖分布专题图。范剑超等(范剑超,张丰收,赵冬至,文世勇,卫宝泉.基于高分辨率卫星遥感SAR图像的海洋浮筏养殖信息提取.Second Symposium onDisaster Risk Analysis and Management in Chinese Littoral Regions.2014,59-63,海南,中国.)对北戴河邻近海域浮筏养殖区域进行2年长序列可见光和SAR遥感图像监测，发现Landsat-8、ZY-3和GF-1等可见光遥感影像均无法发现浮筏养殖区域，仅有极少数SAR影像可以识别养殖浮筏目标，浮筏养殖极化散射机理尚不清晰。范剑超等(耿杰,范剑超,初佳兰,王洪玉.基于深度协同稀疏编码网络的海洋浮筏SAR图像目标识别.自动化学报,2016a,42(4):593-604.)提取纹理特征和轮廓特征后进行超像素分割，并将同一个超像素块特征组输入深度协同稀疏编码网络进行协同表示，最后得到有效特征并成功识别海洋浮筏目标。

相对陆地SAR图像，海洋SAR遥感图像因为存在海面大量不规则波浪等不同海况，单一特征严重受到相干斑噪声的影响，而无法全面反映养殖浮筏信息。目标的形状、材料类型、海洋环境等因素的相互作用，将会改变电磁波的传输特性、影响后向散射机制，进而产生不同的SAR成像结果，而不同海域和不同时刻海况都会发生相应变化，所以对随机海况下的不同类型浮筏养殖SAR散射特性分析具有重要意义。此外，针对SAR卫星遥感数据，不同的电磁波段和入射角也会影响海水养殖目标的成像结果，而通过正向收集海量SAR卫星数据与实时风、浪气象数据进行大数据规律分析，过程繁琐而且成本高昂，可行性较弱。因此，可采用逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)成像方式进行模拟分析，该方法是一种被广泛应用于分析航天、航空、对地、对海观测等领域中目标散射特性的检测手段(Larsson C,Jersblad J.Advances in SAR-ISAR blending.IEEE 2017AntennaMeasurement Techniques Association Symposium,USA,2017:1-6.)。目前，ISAR研究主要集中在成像算法精度的提升和对目标多维成像上，Xu等(Xu X J,Narayanan R M.Enhancedresolution in SAR/ISAR imaging using iterative sidelobe apodization.IEEETransactions on Image Processing,2005,14(4):537-547.)提出使用一种改进的非整数奈奎斯特空间变形算法以提高ISAR成像的分辨率；Jin等(Rui J,Wang C,Zhang H,JinF.Multi-sensor SAR image registration based on object shape.Remote Sensing,2016,8(11):923.)提出使用ISAR手段对地面和空间目标进行3D重构建模成像分析，实现对地面和空间目标的3D ISAR成像；Xing等(Xu G,Yang L,Bi G A,Xing M D.Enhanced ISARimaging and motion estimation with parametric and dynamic sparse Bayesianlearning.IEEE Transactions on Computational Imaging,2017,3(4):940-952.)提出使用局部构造稀疏贝叶斯学习以提高ISAR成像效果，并使用ISAR对空中非合作目标进行3D成像估计其运动状态；Ling等(Li J C C,Yang S T,Ling H.In-Situ ISAR imaging of windturbines.IEEE Transactions on Antennas and Propagation,2016,64(8):3587-3596.)使用FEKO商业电磁仿真软件对涡轮风扇进行建模求解其后向散射场并进行ISAR成像，随后使用PulsON 410超宽带微波系统对涡轮风扇进行ISAR成像分析，结果表明仿真成像结果和实际成像结果较为接近；Khenchaf等(Bennani Y,Comblet F,Khenchaf A.RCS of complextargets:original representation validated by measurements—application toISAR imagery.IEEE Transactions on Geoscience and Remote Sensing,2012,50(10):3882-3891.)使用FEKO对船只进行ISAR成像分析，随后对船只模型在单一海况中的散射特性进行ISAR成像分析；Larsson等(Larsson C,Jersblad J.Advances in SAR-ISARblending.IEEE2017 Antenna Measurement Techniques Association Symposium,USA,2017:1-6.)提出将ISAR数据同SAR数据相融合，生成ISAR-SAR混合数据进行散射特征分析。然而，上述研究工作尚未开展使用ISAR检测提取目标全极化散射特征的相关研究，而极化特征可提供更多维目标散射信息，如何构建随机海况下海水养殖后向散射机理，根据ISAR成像方法，对不同卫星参数、不同海洋环境参数、不同海水养殖类型进行模拟逆向成像，获得极化分解特征，并与对应正向SAR遥感影像进行比对分析，最终获得客观有效的后向散射特性规律，仍有待于进一步探索研究。

发明内容

针对海洋遥感中随机海况与不同类型海水养殖目标相互作用，改变电磁波传输特性，进而影响后向散射特征，参数不同的SAR成像结果。本发明提供一种随机海况下海水浮筏养殖后向散射机理分析方法。

本发明的技术方案如下：

一种随机海况下海水浮筏养殖后向散射机理分析方法，包括以下步骤：

第一步，构建随机海况混合模型，采用Pierson-Moscowitz(P-M)海浪谱求解多种风速下的海面分布情况，构建不同海况下的多种海水养殖类型的三维分布混合模型。

(1)基于P-M海浪谱的海浪生成模型，实现随机海况建模。

海洋环境散射特征受海面海浪的随机分布影响，而影响海浪的主要因素是海面风速。采用二维Pierson-Moscowitz海浪谱模型，构建不同海上风速下的海浪模拟生成模型，从而实现随机海况的模拟。

(2)不同养殖类型3D建模重构，叠加上述随机海况模型，构建随机海况海水养殖三维分布混合模型。

利用Rhino进行不同养殖类型(浮筏式养殖、网箱式养殖和条带状养殖)3D建模，然后通过叠加二维P-M波浪谱生成的随机海况模型，获得随机海况下海水养殖海面三维分布混合模型。因此，通过步骤(1)和步骤(2)能够实现对任意海况下任意海面目标的混合建模，进而后续实现对混合模型进行电磁仿真求解其后向散射场的分布情况。

第二步，随机海况海水养殖混合模型后向散射特征模拟，获得ISAR图像

采用电磁仿真软件FEKO，对第一步建立的随机海况海水养殖三维分布混合模型进行计算，获得模型后向散射场，进而利用逆合成孔径雷达成像算法，生成ISAR图像。

第三步，分析浮筏养殖物理散射特性，获得物理后向散射极化分解SAR影像；

以浮筏养殖物理实际为基础，分析目标极化分解类型，以海水为界划分为海面部分与水下部分。海面部分包括表面散射、二面角散射和螺旋体散射，海水表面随机粗糙度以布拉格散射为主，浮球亦以表面散射为主，随机海面和浮球可产生二面角散射和螺旋体散射；水下部分的吊笼和养殖物产生体散射与表面散射。而水下部分采用电磁波穿透性分析进行讨论。

第四步，影像比对，评价分析

将步骤二得到的逆合成孔径雷达仿真ISAR结果和步骤三得到的合成孔径雷达遥感SAR后向散射分解影像进行对比，构建等效视数和菲涅尔反射系数评价指标，分析随机海况对海水浮筏养殖后向散射特征的影响。

本发明的有益效果为：本发明能够采用模拟分析的方法实现随机海况下海水养殖后向散射特征的有效分析，解决不同卫星参数、不同海洋环境参数、不同海水养殖类型进行模拟逆向成像，揭示海水浮筏养殖后向散射机理，在海洋遥感目标识别，海洋环境监测等领域均刻有广泛的应用。

附图说明

图1为不同风速下P-M谱随机海面分布；图1(a)为风速为3.06m/s的海面分布，图1(b)为风速为7.50m/s的海面分布；

图2为不同海况下的海水浮筏养殖混合三维分布模型；

图3为转台成像算法流程；

图4为浮筏养殖的极化散射机制示意图；i.海水表面散射，ii.浮球表面散射，iii.海水浮球二面角散射，iv.浮球二次散射，v.海水浮球螺旋体散射，vi.水下表面散射，vii.水下体散射；

图5为辽宁省大连市长海县浮筏养殖GF-3号SAR影像；图5(a)为HH极化，图5(b)为HV极化，图5(c)为VH极化，图5(d)为VV极化；

图6为浮筏-海面全极化后向散射特征图(海面19.5m高处风速4.3m/s)；图6(a)HH灰度图，图6(b)HH轮廓图，图6(c)HV灰度图，图6(d)HV轮廓图，图6(e)VH灰度图，图6(f)VH轮廓图，图6(g)VV灰度图，图6(h)VV轮廓图；

图7为VV极化不同入射角海面浮筏ISAR仿真结果；图7(a)VV极化50°；图7(b)VV极化40°，图7(c)VV极化30°，图7(d)VV极化20°；

图8为本发明的整体流程图。

具体实施方式

以下结合附图对本发明做进一步说明。

一种随机海况下海水浮筏养殖后向散射机理分析方法，包括以下步骤：

第一步，构建随机海况混合模型，采用Pierson-Moscowitz(P-M)海浪谱求解多种风速下的海面分布情况，构建不同海况下的多种海水养殖类型的三维分布混合模型。

(1)基于P-M海浪谱的海面目标建模

海洋环境散射特征受海面海浪的随机分布影响，而影响海浪(风浪、涌浪和海洋近海波)的主要因素是海面风速。采用二维Pierson-Moscowitz(P-M海浪谱)海浪谱模型，构建不同海上风速下的海浪模拟生成模型，从而实现随机海况的模拟。根据北大西洋实测材料，依据海面上方19.5m的风速反演海浪情况，构建充分完整的海浪，其中P-M海浪谱函数如下所示：

其中根据北大西洋实测波浪谱材料修正，a＝0.0081，β＝0.74，g为重力加速度，U为离海面19.5m处的风速，ω为谱峰频率。将风速作为输入参数，可实现海面海浪数学建模，生成任意风速下的随机海浪分布情况。根据PM海浪谱生成的海浪分布如图1所示，根据不同的风速构建不同海浪分布。

(2)不同养殖类型3D建模重构，叠加上述随机海况模型，构建随机海况海水养殖三维分布混合模型

选择3D建模软件将数据重构为模型，Rhino是美国Robert McNeel&Assoc开发的PC上强大的专业3D造型软件，可轻易整合3DS MAX与Softimage的模型功能部分，对要求精细、弹性与复杂的3D NURBS模型。Rhino接口丰富，能够识别多种数据源，同时也能够输出FEKO可以识别的标准模板库(.stl)文件。

采用Rhino软件实现浮筏式养殖、网箱式养殖和条带状养殖等不同养殖类型的3D建模，结合步骤一的P-M海浪谱获得随机海口建模，进而通过编码建模得到对应的不同海况下的多种海水养殖类型的三维分布混合模型，如图2所示。

第二步，随机海况海水养殖混合模型后向散射特征模拟，获得ISAR图像

将第一步中所获得的混合模型输出生成STL文件，利用电磁仿真软件FEKO求解后向散射场，并利用逆合成孔径雷达成像算法，构建ISAR图像，具体算法如下所示：

式中，E^S(k,φ)是散射场分布，f为电磁波频率，k为电磁波波数，k_c为电磁波中心频率，c为光速，x,y,φ为坐标系。

在实验中，主要通过目标体的雷达散射截面来描述目标体的后向散射场分布情况，其定义如下：

上式可以表述为：在远场条件(平面波或近似平面波照射的条件)下，目标处每单位入射功率密度在接收机处每单位立体角内产生的反射功率。采用ISAR成像主要是基于转台成像算法实现的，该算法衍生于距离多普勒算法。转台成像算法应用场景为天线围绕目标进行定长半径的圆周运动采样，其算法计算过程如图3所示。经过匹配滤波和相位补偿的信号呈等距的极坐标下扇形分布，然后对扇形分布信号进行距离向插值，得到距离向等距的二维信号，之后再对其进行方位向插值，即可得到频率域可视度高二维矩形信号分布，得到ISAR图像。

第三步，分析浮筏养殖物理散射特性，获得物理后向散射极化分解SAR影像

以浮筏养殖物理实际结构为基础，分析目标极化分解类型，以海水为界划分为海面部分与水下部分，如图4所示。根据Freeman分解和Yamaguchi分解理论模型，海面部分包括表面散射、二面角散射和螺旋体散射三种类型：海水表面随机粗糙度以布拉格散射为主，浮球亦以表面散射和偶次散射为主，随机海面和浮球可产生二面角散射和螺旋体散射；而水下部分的吊笼和养殖物产生体散射与表面散射。采用Ulaby(1987)微波对目标的穿透深度理论，分析电磁波在海水中的穿透性，进而分析海水养殖水下部分是否存在后向散射特征，具体计算公式为：

其中，ε是地物复介电常数，k₀是入射波波数。海水复介电常数的单Debye方程为：

其中，f是电磁波的入射频率，ε_sw0是静态介电常数，ε_sw∞是无限高频的介电常数，与盐度几乎无关，取4.9，ε₀是自由空间介电常数，τ_sw是海水张弛时间，σ_i是离子电导率。ε_sw0、τ_sw和σ_i均是海水温度和海水盐度的函数。以GF-3号合成孔径雷达卫星C波段频率为5.4GHz，电磁波在水下的穿透性为2.2mm。因此水下部分根据电磁波在海水的穿透性，无法产生直接作用，所以图4中vi和vii散射不存在，水下部分通过间接改变海表粗糙度产生影响。

因此海水浮筏养殖极化散射类型仅包括海面部分的表面散射、二面角散射和螺旋体散射，其中海水表面随机粗糙度以布拉格散射为主，浮球亦以表面散射和二次散射为主，随机海面和浮球可产生二面角散射和螺旋体散射；。

第四步，影像比对，评价分析

将步骤二得到的逆合成孔径雷达仿真ISAR结果和步骤三得到的合成孔径雷达遥感SAR极化分解特征影像进行对比，构建评价指标，分析随机海况对海水浮筏养殖后向散射特征的影响。

引入等效视数对ISAR图像进行评价，其计算方法如下所示：

其中，μ为均值，σ为标准差。ENL越大，代表图像性噪比越好。

进一步引入菲涅尔反射系数进行分析，如下式所示：

其中，ε为物体的介电系数，θ_i为电磁波入射角，R_HH为水平发送水平接收菲涅尔反射系数，R_VV为垂直发射垂直接收菲涅尔反射系数。

浮筏养殖模拟分析实验

选取辽宁省大连市长海县海域浮筏养殖区域进行研究，该景数据为GF3_SAY_QPSI_006082_E122.7_N39.2_20171005_L1A大连市长海县小长山岛区域全极化数据，拍摄于2017年10月5日，研究区域中心坐标为：北纬39度13分17.05秒，东经122度40分54.52秒，如图5所示。目前，GF-3卫星对该地区共拍摄10景数据，数据类型细节如表1所示.其中，风速选取EUMETSAT(欧洲气象卫星)长山岛海域的ASCAT风速数据。通过以上步骤，可以通过仿真获得与SAR参数一致的全极化ISAR图像，进而实现与GF-3参数相对应的海面目标的后向散射细节特征分析。

表1 GF-3号长海县SAR数据

1)不同极化方式的后向散射特征分析

首先对浮筏在不同极化下的特征进行分析，按照GF3_SAY_QPSI_006082_E122.7_N39.2_20171005_L1A数据设定ISAR仿真参数，以海水浮球为主要模拟目标，在Rhino软件中进行3D建模，并结合P-M海量谱进行随机海况生产，采用FEKO对海水养殖混合模型依据式(2)进行ISAR成像实验。根据设计实验仿真结果，实现实物SAR成像分析得到对应不同极化下海面目标的后向散射特征ISAR结果如图6所示。引入等效视数对ISAR图像进行评价，计算公式如式(6)所示。当ENL越大时，图像的质量越好。4种极化ISAR图像的ENL通过计算如表2所示：

表2全极化ISAR图像ENL结果对比

可以看出，同极化(HH，VV)均优于交叉极化(HV，VH)，并且在同极化中，VV极化要优于HH极化。为解释该现象，引入菲涅尔反射系数，如式(9)和(10)所示。由于VV极化的菲涅尔反射系数比HH极化的菲涅尔反射系数多了一项介电系数ε，而海水的介电系数多为复数。因此当入射角不为0°时，HH极化的反射场会因相位的偏转而削弱反射场强。同样可以从GF-3数据中观察到与ISAR结果相一致的现象：同极化效果优于交叉极化。并且，VV极化GF-3数据细节比HH极化GF-3数据中的图像细节丰富。

基于P-M海浪谱和ISAR成像的海面目标后向散射特征求解方法可以根据不同平台特性设定不同海况、不同入射角、不同电磁波频率和不同极化方式，并求得目标的后向散射特征图像。受GEO-SAR和LEO-SAR的轨道差别制约，两种平台SAR数据区别应当主要表现在入射角、距离徙动、方位模糊以及长积分时间产生的相干斑噪声等方面。但成像模式的区别并不会影响目标的物理性质，因此基于P-M海浪谱和ISAR成像的海面目标后向散射特征求解方法是有效的。

2)不同入射角海面目标后向散射特征的分析

由于并无对应同种成像模式的不同入射角GF-3数据，因此仅使用ISAR结果进行分析。目前已实现求解不同入射角下四种极化的海面目标后向散射特征图像，由于GF-3在不同成像模式中的入射角主要集中在20°～50°之间，因此选取50，40，30，20四种情况在VV极化下进行分析，结果如图7所示。可以发现不同极化、不同入射角下浮筏-海面的散射特征会有显著的区别。根据上述讨论得出VV极化是四种极化中最优的，因此只讨论VV极化不同入射角下ISAR图像的浮筏后向散射特征。引入ENL作为客观指标进行评价，得到如表3所示。

表3不同入射角ISAR ENL结果

通过ENL结果可以观察到，入射角越低，浮筏在ISAR中的特征越清晰。此结果表征在同一海况且海浪未遮挡浮筏的条件下，浮筏特征在低入射角下更明显，并且海面可能会对浮筏特征产生影响。

3)不同海况下海面目标后向散射特征分析

由于海面是一种动态过程，并且在上述讨论中提出海况也可能是影响浮筏后向散射特征的原因之一。因此，对不同海况进行建模并求解其后向散射特征。可以看到，风速越低，相干斑噪声越小，浮筏特征越明显，为解释该现象，引入瑞利判据和夫琅禾费判据，对应反射类型如表4所示：

表4瑞利判据夫琅禾费判据与反射类型的关系

其中RMSE即均方根误差亦称标准误差，用来表示海面海浪分布情况：风速越大、RMES越高，海面海浪分布情况越复杂。

显然，风速越低，海面越平静，越接近瑞利判据，海面的反射类型越趋近于相干性的漫反射。而相干性的漫反射会对于后向散射场能量的贡献远大于镜面反射和非相干漫反射。为此，我们引入满足表4中镜面反射、相干漫反射和与GF-3数据相对应的ISAR仿真共5景数据进行分析，求解上述ISAR图像的ENL指标结果如表5所示。可以发现在与GF-3对应的风速为7,18,27节ISAR图像中，对比可以看出ENL结果与GF-3数据具有相同结论，即风速越低ENL越高，海面浮筏的后向散射特征越明显。

在满足瑞利判据的海面条件下，浮筏的后向散射特征最清晰。ISAR结果印证了浮筏在满足瑞利判据低风速海面条件下，受相干漫反射的影响，浮筏电磁特征最为明显。在选取GF-3数据进行浮筏特征研究时，应选择VV极化、低入射角、风速较小的GF-3数据进行后续分析研究。

表5不同海浪情况ISAR图像ENL结果

整体分析，可以得出浮筏养殖后向散射特征分析结论为，同极化(HH,VV)要比交叉(HV,VH)极化结果好；入射角越小，浮筏越明显；VV极化下静态海面散射特征更明显。

Claims (1)

1.一种随机海况下海水浮筏养殖后向散射机理分析方法，其特征在于，包括以下步骤：

第一步，构建随机海况混合模型，采用Pierson-Moscowitz海浪谱求解多种风速下的海面分布情况，构建不同海况下的多种海水养殖类型的三维分布混合模型；

(1)基于P-M海浪谱的海面目标建模

海洋环境散射特征受海面海浪的随机分布影响，而影响海浪的主要因素是海面风速；采用二维P-M海浪谱模型，构建不同海上风速下的海浪模拟生成模型，实现随机海况的模拟；

(2)不同养殖类型3D建模重构

采用Rhino实现浮筏式养殖、网箱式养殖和条带状养殖不同养殖类型的3D建模，然后通过叠加二维P-M海浪谱生成的随机海况模型，获得随机海况下海水养殖海面三维分布混合模型；

因此，通过步骤(1)和步骤(2)能够实现对任意海况下任意海面目标的混合建模，进而后续实现对混合模型进行电磁仿真求解其后向散射场的分布情况；

第二步，随机海况海水养殖混合模型后向散射特征模拟，获得ISAR图像

将第一步中所获得的混合模型输出生成STL文件，利用电磁仿真软件FEKO求解后向散射场，并利用逆合成孔径雷达成像算法，构建ISAR图像，具体算法如下所示：

式中，E^S(k,f)是散射场分布，f为电磁波频率，k为电磁波波数，k_c为电磁波中心频率，c为光速，x,y,φ为坐标系；

所述的第二步中，主要通过目标体的雷达散射截面描述目标体的后向散射场的分布情况，如下：

上式表述为：在远场条件下，目标处每单位入射功率密度在接收机处每单位立体角内产生的反射功率；采用ISAR成像主要是基于转台成像算法实现的；转台成像算法应用场景为天线围绕目标进行定长半径的圆周运动采样；经过匹配滤波和相位补偿的信号呈等距的极坐标下扇形分布，然后对扇形分布信号进行距离向插值，得到距离向等距的二维信号，再对其进行方位向插值，得到频率域可视度高二维矩形信号分布，得到ISAR图像；

第三步，分析浮筏养殖物理散射特性，获得物理后向散射极化分解SAR影像

以浮筏养殖物理实际结构为基础，分析目标极化分解类型，以海水为界划分为海面部分与水下部分；根据Freeman分解和Yamaguchi分解理论模型，海面部分包括表面散射、二面角散射和螺旋体散射三种类型：海水表面随机粗糙度以布拉格散射为主，浮球亦以表面散射和偶次散射为主，随机海面和浮球可产生二面角散射和螺旋体散射；而水下部分的吊笼和养殖物产生体散射与表面散射；而水下部分采用电磁波穿透性分析进行讨论，分析电磁波在海水中的穿透性，进而分析海水养殖水下部分是否存在后向散射特征，具体计算公式为：

其中，ε是地物复介电常数，k₀是入射波波数；海水复介电常数的单Debye方程为：

其中，f是电磁波的入射频率；ε_sw0是静态介电常数；ε_sw∞是无限高频的介电常数，与盐度无关；ε₀是自由空间介电常数；τ_sw是海水张弛时间；σ_i是离子电导率；ε_sw0、τ_sw和σ_i均是海水温度和海水盐度的函数；

第四步，影像比对，评价分析

将步骤二得到的逆合成孔径雷达仿真ISAR图像和步骤三得到的合成孔径雷达遥感SAR极化分解特征影像进行对比，构建等效视数和菲涅尔反射系数评价指标，分析随机海况对海水浮筏养殖后向散射特征的影响；

引入等效视数对ISAR图像进行评价，其计算方法如下所示：

其中，μ为均值，σ为标准差；

进一步引入菲涅尔反射系数进行分析，如下式所示：

其中，ε为物体的介电系数，θ_i为电磁波入射角，R_HH为水平发送水平接收菲涅尔反射系数，R_VV为垂直发射垂直接收菲涅尔反射系数。

Images