Модель обратного рассеяния микроволнового излучения от различных типов морского льда и снега

Разработана численная модель для расчета объемного обратного рассеяния льда и снега в микроволновом диапазоне [Фомин и др., 2020]. Модель отличается возможностью задавать сферические включения различных размеров, не ограничиваясь рассеивателями рэлеевского типа. В основе модели лежит решение уравнения переноса излучения в среде методом Монте-Карло. Модель позволяет задавать произвольное количество слоев с различными плотностями и размерами рассеивателей, распределенных изотропно. Для описания каждого типа рассеивателя на вход модели подается матрица Мюллера, которая в случае сферы имеет четыре параметра. Функционал модели может быть расширен для включений более сложной формы путем модификации задаваемой матрицы рассеяния. Представлены результаты моделирования радиометрических свойств снежного и ледового покровов, а также сравнение с некоторыми существующими моделями, такими как модель обратного рассеяния, описанная в [Kim et al., 1985], модель Snow Microwave Radiative Transfer Model (SMRT) [Picard et al., 2018], а также модель на основе метода интегральных уравнений, представленная в [Fung and Chen, 2010]. Выполнено сравнение поверхностного/объемного рассеяния для различных частот и углов визирования. Определено влияние на объемное обратное рассеяние ключевых характеристик модели -- диэлектрическая проницаемость, плотность и размер включений, количество слоев. Учет рассеяния от поверхности с мелкими шероховатостями осуществляется сторонними методами, а именно – приближенными аналитическими методами (метод физической оптики, интегрального уравнения, малых возмущений), а также прямым численным моделированием распространения электромагнитных волн в неоднородной среде с помощью метода конечных объемов. Разработанная модель может быть использована как вспомогательный инструмент при обработке и интерпретации радиолокационных изображений морского льда, при решении обратной задачи восстановления свойств морского льда по радиолокационным изображениям, а также при синтезе искусственных радиолокационных изображений для обучения нейронных сетей.