做SAR遥感处理的同学基本都绕不开Sentinel-1A这颗卫星。它常年实时拍摄全球C波段微波影像免费共享、重访周期短洪涝监测、地质灾害识别、土壤水分反演、海上船舶检测哪哪都有它的影子。可真正上手后你会发现从ESA官网Copernicus Open Access Hub把Sentinel-1A数据下载下来直接拖进软件看画面基本没法用斑点噪声严重、水体像撒了胡椒面、山体边缘一片惨白而且像素值都是没有物理量纲的DN值根本不能直接拿来定量分析。这时候就需要SNAP软件对Sentinel-1A微波影像做一套标准预处理。SNAP的全称是Sentinel Application Platform是ESA官方开源的哨兵系列数据处理平台。它里面的S1TBX插件专门负责Sentinel-1雷达数据从轨道校正、热噪声去除、辐射定标、相干斑滤波到最后的Range-Doppler地形校正都集成在图形界面里而且自带Graph Builder批处理工具跑几十景影像也能一次性完成。这篇文章就按照我实际跑数据时的习惯完整拆解一套Sentinel-1A GRD影像预处理流程把每个步骤背后的原理、菜单路径、参数选择和值得注意的坑都讲清楚。1. 为什么Sentinel-1A微波影像不能拿来就用1.1 你说的预处理到底在预些什么很多刚接触雷达遥感的人会把预处理理解成简单的“裁剪拉伸”实际上完全不是一回事。Sentinel-1A生成的原始L1级产品记录的是目标地物对C波段微波的散射回波幅度它虽然在成像时已经做了基础的多视、聚焦处理但距离“能用来定量计算的科学数据”还差好几个关键步骤。先说斑点噪声。SAR是相干成像系统一个分辨单元内部包含了大量独立散射体各散射体回波相互干涉会让像素与像素之间出现明暗随机起伏看起来就像图像上撒了一层盐和胡椒。这种噪声是微波影像的固有特性不是传感器坏了也不是大气影响后期必须用滤波手段压制。再说几何畸变。SAR是侧视成像雷达波以入射角斜着照射地面所以影像本身处在斜距几何或地距几何下。遇到山地地形靠近传感器的坡面会“叠掩”远处的坡面会被拉长还有阴影区域完全接收不到回波。如果直接把原始影像套到普通地图坐标里道路、河流、田块的相对位置都会对不上。最后是辐射定量问题。L1级产品里像素的DN值大小虽然与后向散射强度正相关但受到传感器增益、天线方向图、入射角、地形起伏等多重因素影响两个不同时间、不同轨道拍摄的场景DN值之间没有可比性。必须经过轨道校正、热噪声去除、辐射定标、地形校正等一系列操作之后像素值才代表地物的归一化后向散射系数单位通常是dB这时候才能做阈值分割、时序分析、变化检测这类定量工作。1.2 这一套流程适合谁、能解决什么问题先泼一盆冷水如果你的目标是做InSAR干涉测量、形变监测那么标准GRD预处理流程不能照单全收SLC单视复数产品才是主力。这篇文章讨论的流程默认针对的是GRDGround Range Detected产品也就是已经做过多视、去掉相位信息、保留幅度强度的数据。它最适合这三类需求地表后向散射强度制图比如洪水范围提取、水体识别、海冰检测、作物长势评估GRD后向散射系数就是核心变量。多时相变化分析比如城市扩张监测、灾前灾后对比需要把不同时间影像校正到一致的几何和辐射基准上预处理质量的优劣直接决定变化检测结果的可靠性。与光学遥感数据联合分析比如和Sentinel-2影像做随机森林分类SAR数据必须精确配准到同一坐标系否则波段叠加时一个像素偏几个像元分类结果就会一团糟。所以你可以这样理解预处理就是给原始微波影像“整形校准”让它从一张看起来花里胡哨但无法定量使用的图变成一套几何准确、辐射可比的科学数据。这套流程不挑操作系统SNAP本身跨平台而且免费开源对学生党尤其友好。2. 开始之前SNAP安装、数据选择与批处理思路2.1 装好SNAP顺便把内存配置改了SNAP的安装本身没什么门槛去官网下载对应你操作系统的安装包一路Next装完就行。Windows注意安装路径别带中文Linux建议用安装脚本而不是直接解压压缩包macOS则注意Gatekeeper权限。装完第一件事不是急着打开影像而是改内存。SNAP是基于Java的桌面应用默认的堆内存设置比较保守处理大块头的Sentinel-1数据时很容易卡死或者报OutOfMemoryError。修改方式在安装目录下的etc/snap.conf找到default_options这一行把-Xmx后面的值改大。比如机器有16G内存可以设成-Xmx8g -Xms2g如果机器有32G内存-Xmx12g甚至-Xmx16g都不会太伤系统。我自己的经验是-Xmx不要超过物理内存的75%不然处理到一半整个电脑都可能卡到崩溃。SNAP默认安装时已经带好了Sentinel-1 ToolboxS1TBX插件一般不需要额外装。如果你还打算做干涉确认一下Sentinel-1 InSAR插件在Plugins里是否启用。DEM数据方面内置的SRTM 3Sec是默认选项首次用到地形校正时会按需从网上下载。建议提前在SNAP的Preferences - DEM里把“SRTM 3Sec”本地缓存目录设置到一个剩余空间充足的盘符后面地形校正会省很多事。2.2 拿到数据先分清SLC还是GRDDownload到的Sentinel-1数据常见命名里有SLC和GRD之分还有IW、EW、SM这些成像模式。对大多数陆地区域应用来说最常用的是IW模式下的GRD或SLC产品。产品级别全称是否包含相位典型用途数据体量SLCSingle Look Complex包含完整相位信息InSAR干涉、相干性分析、地表形变很大单景常超4GBGRDGround Range Detected相位信息已被多视处理抹除后向散射强度分析、洪水/水体提取、变化检测中等单景约1-2GBSLC和GRD的分辨率也不同。IW模式的SLC产品标称分辨率约2.7m x 22m斜距方位向组合GRD产品经过多视后分辨率约10m x 10m实际产品中还有额外定标如果你不关心相位建议直接用GRD处理速度快一大截。GRD产品还有极化的区别Sentinel-1A在IW模式下一般输出VVVH双极化部分地区会输出HHHV。VV、VH分别代表垂直发射-垂直接收、垂直发射-水平接收。做农业、土壤水分常用VVVH组合水体识别通常VV极化更明显而城市建筑区HH极化增强效果更突出。下载数据时想清楚自己被研究的对象别一口气把各种极化都处理了徒增计算量。2.3 批量处理有神器Graph Builder和gptSNAP的图形界面适合单景操作但实际项目几乎都不是一景两景的事一旦研究区覆盖几个月或几年时间影像数量就是几十上百景一景一景手动点菜单会崩溃。SNAP早就考虑到了这一点内置了Graph Builder和命令行工具gpt。Graph Builder的入口在Tools - Graph Builder它的逻辑是把预处理流程串成一个有向图读数据Read- 轨道校正Apply Orbit File- 热噪声去除Thermal Noise Removal- 辐射定标Calibrate- 滤波Speckle Filter- 地形校正Range-Doppler Terrain Correction- 输出Write。每个图节点对应一个处理算子连接好之后保存为XML文件。这时候有两种执行方式回到GUI里点击Graph Builder的Run按钮适合调试单景。在命令行或者批处理脚本里调用gpt适合真正跑批量。例如gpt graph.xml -Pinput/path/to/S1A_manifest.safe -Poutput/path/out/这里-P用于覆盖图节点里的参数批量循环时只需要把每个产品的路径传进去就行。这个技巧会在后面实操章节里反复提到强烈建议新手从第一步就开始用Graph Builder搭流程而不是永远在GUI里手动点。3. 一步一步来GRD数据标准预处理实操3.1 把数据拖进SNAP先读遥感影像的基础信息拿到一景数据通常是一个以.SAFE结尾的文件夹里面包含manifest.safe文件和measurement目录下的tiff数据。SNAP打开数据的方式有两种菜单File - Open Product选择manifest.safe文件或者直接把整个.SAFE文件夹拖进SNAP主窗口。打开后左侧Product Explorer面板会列出影像结构里面能看到Bands波段、Metadata元数据、Quick Looks等内容。GRD数据一般包含两个极化band比如Amplitude_VV和Amplitude_VH如果下载的是6种GRD产品还会看到Intensity等不同表示形式。第一件事是检查元数据。双击Metadata下的Abstracted Metadata重点关注几个字段PASSASCENDING还是DESCENDING、Absolute Orbit Number绝对轨道号、Product Type是GRD还是SLC、Polarisation极化组合。这些信息关系到后面轨道文件的选择以及影像的升轨降轨行为做时序研究时尤其不能弄混。然后用主界面的Color Manipulation工具把影像做拉伸显示。不夸张地说第一次打开Sentinel-1 GRD影像的人多半会怀疑自己下载了噪声图大片区域灰蒙蒙水体区域满是黑白颗粒。这就是典型斑点噪声叠加低后向散射的表现别紧张预处理走一遍就会改善很多。3.2 第一步轨道文件校正是几何精度的地基轨道校正常常被人忽略但它却是影响影像几何精度的第一块基石。Sentinel-1A的L1级产品里已经附带了一套由星上GPS粗略确定的轨道状态矢量精度大约在米级到十米级。对单影像后向散射制图来说米级误差可能还能忍受但如果你做多时相精确配准、干涉测量或者想把SAR影像和光学影像叠加分析这条误差就完全不可接受了。ESA提供两种更精确的轨道文件一种叫RESORBRestituted Orbit数据获取后几小时就能拿到精度约5-10cm另一种叫POEORBPrecise Orbit Ephemerides通常在数据获取后21天左右发布精度在5cm以内。我的个人习惯是能等就等POEORB尤其是后续打算做InSAR或者高精度配准时轨道精度直接决定了干涉基线计算的准确性。如果只是做洪水淹没范围提取这类强度分析RESORB也够用。SNAP里执行轨道校正的路径是Radar - Apply Orbit File操作窗口里选择Sentinel-1再选择Auto-DownloadSNAP会自动从ESA服务器下载合适的EOF文件。如果电脑连不上外网也可以手动去ESA数据平台下载对应轨道的EOF文件然后在窗口里Add Archive File导入。这里有一个我踩过多次的坑轨道校正按钮看起来只有一个但SNAP的日志里会输出“Orbit file not found”或者“Using restituted orbit”这类提示。处理完一定要看一下产品日志确认用的是PRECISE还是RESTITUTED。如果你本来计划用POEORB却因为下载失败悄悄用了RESORB后续处理结果都是带着隐患的。批量处理时这个检查更要提前做别等所有影像都跑完了才发现轨道文件版本不对。3.3 第二步热噪声去除别让条带骗了你的眼热噪声去除这个步骤在不少国内教程里被一笔带过甚至有些人觉得可有可无。我自己刚开始做SAR时也这么想结果在后期反复比对影像时发现VH极化数据上总有一条一条水平亮带尤其在海洋或水体等低后向散射区域特别明显。这不是地物信号而是传感器电子学热噪声在不同接收通道和不同距离位置上的不均匀表现。Sentinel-1在接收回波时系统本身会产生热噪声底。这个噪声底在影像距离向并不是常数天线方向图增益变化、不同burst拼接区域差异都会让噪声在影像上呈现条带或块状分布。更关键的是热噪声和地物真实回波是叠加在一起的如果不扣除后向散射系数会偏高水体这类低散射目标的信号会完全淹没在噪声里做阈值得出的水体范围就会偏差很大。SNAP中的处理路径是Radar - Radiometric - Thermal Noise Removal。操作时在“Source Bands”里把VV和VH都选上其他参数一般保持默认。处理完成后原来的band会生成带Tn标记的新band。这一步对GRD和SLC产品都适用不过SNAP官方文档也提醒过热噪声去除可能会在某些极端低散射区域例如平静水面镜面反射区把信号压到负值或接近零这在后面转dB时是正常的不必惊慌。有一个细节热噪声去除算子会重新生成一个“纠正后的L1产品”但如果你把去噪后的band导出它依然保留“Amplitude_*_Tn”这种命名结构。在Graph Builder里构建流程时记得在后续的Calibrate节点里把源band选择改成热噪声校正后的band否则相当于白做。3.4 第三步辐射定标DN值变成后向散射系数辐射定标是整个预处理流程里意义最核心的一步。L1产品里的DN值大小和地物后向散射强度有关系但又不是简单正比关系中间隔着传感器增益、天线方向图、斜距衰减等一系列系数。要得到具有物理意义的雷达后向散射系数就需要做定标。SNAP的路径是Radar - Radiometric - Calibrate。打开对话框后常见参数有这几个Source Bands选择参与定标的波段热噪声去除后一般选Amplitude_VV_Tn和Amplitude_VH_Tn。Output Sigma0 Band输出σ0也就是后向散射系数这是绝大多数地表应用的标准选择。Output Beta0 Band输出β0它是相对雷达天线视线方向定义的入射波束下的后向散射系数常用于雷达系统定标推导。Output Gamma0 Band输出γ0它基于垂直于斜距方向的面积归一化在地形起伏区域更适合评估地表真实散射特性。Output Image in dB把输出结果换算成dB。实际处理时我默认会勾选Output Sigma0 Band同时把dB选项打开。这样会得到Sigma0_VV_db和Sigma0_VH_db两个新band。为什么推荐dB因为后向散射系数的线性值动态范围非常大水体线性值可能只有0.01城市区域线性值能到10以上直接显示灰度图没法看细节转成dB后水体通常在-18dB到-25dB植被大概在-8dB到-15dB城市区域可能到0dB左右整个场景的对比度一清二楚。有个细节要说明转dB这一步可以在Calibrate算子里完成也可以先输出线性Sigma0再在后续导出前用Band Math计算10 * log10(Sigma0)。我的习惯是导出线性值存档同时单独导出一个dB版本因为以后做分类时有些模型用线性特征有些用dB特征都留一份避免重跑。如果你处理的是地形起伏很大的区域只做标准辐射定标不够。SNAP地形校正里有一个“辐射归一化”Radiometric Normalization选项可以把地形引起的局部入射角差异校正掉一些普通平坦研究区可以不勾山地研究区建议勾上。3.5 第四步相干斑滤波给斑点噪声泼一盆冷水前面说过斑点噪声是SAR影像固有噪声在GRD强度影像上表现为像素间随机亮暗变化严重影响目视解译和后续分类识别。滤波就是在尽量保留真实地物边界和纹理的前提下把这层“胡椒面”抹掉。SNAP里路径是Radar - Speckle Filtering - Single Product Speckle Filter弹出窗口后“Speckle Filter”下拉框有多个选项Boxcar、Median、Lee、Refined Lee、Frost、Gamma Map等。不同滤波器背后的假设不同选型要结合用途。滤波器基本思路适用场景缺点Boxcar简单窗口均值均匀区域平滑效果好边缘模糊严重细节丢失Median窗口内取中值对孤立强散射点抑制好细腻纹理容易失真Lee利用局部均值和方差自适应调节滤波强度保持边缘和纹理的相对平衡对强噪声抑制可能不足Refined LeeLee滤波的改进利用边缘方向模板计算边缘保留能力更强SAR强度影像是常用选择窗口较大时计算量增加Frost指数加权自适应滤波均匀区域强平滑边缘保持中等参数对结果敏感Gamma Map假设斑点服从Gamma分布乘性噪声模型下效果较好参数选择需要经验在GRD后向散射影像的标准预处理里我一般选Refined Lee窗口大小常用5x7或7x7。为什么窗口不取更大滤波窗口越大平滑力度越大但空间分辨率损失也越明显。如果研究的对象是像河流、道路这类线状地物窗口太大会把细线直接抹平如果研究对象是农田或大范围水体7x7也完全能接受。做多时相变化检测时同一批数据必须保持完全一样的滤波窗口大小否则不同时期的有效空间分辨率不同变化检测结果里会出现大量由滤波差异引起的假变化。滤波后的影像肉眼看起来会“干净”很多地物边界更清晰这时再回到Color Manipulation里拉一下显示范围和研究区域的参考光学影像对照一下基本就能看出河流、城市、山体的轮廓了。3.6 第五步地形校正把斜距影像拉回地图坐标SAR影像和光学影像最直观的差别就是几何不理解——同样是拍一座山光学影像看起来像正射照片SAR影像里山体被“推倒”“拉长”山顶和山脚的位置关系完全不是地图上的样子。原因很简单SAR通过侧视测距成像每一像素对应的是雷达到目标的斜距而不是平面地图坐标。地形校正的目的就是利用外部DEM模拟地形对雷达几何的影响把影像重新采样到地图投影坐标系中。SNAP的常用工具是Radar - Geometric - Terrain Correction - Range-Doppler Terrain Correction。这里面有几个关键参数DEM默认是SRTM 3Sec全球覆盖率比较好分辨率约90m。如果有更高精度需求且覆盖区域可用可以选择SRTM 1Sec约30m或者自备DEM。Image map projection输出坐标系。做中国区域通常选UTM投影比如UTM Zone 50NWGS84。如果是跨带研究区就选WGS84地理坐标系后面到ArcGIS或QGIS里再转投影。Pixel spacing重采样后的像元大小GRD分辨率是10m一般设置10m如果想降噪并减小数据量也可以设20m。Resampling method重采样方法可选Nearest、Bilinear、Bicubic。一般用Bilinear兼顾速度和保真度做像元级变化检测时想保留原始值特征可以选Nearest但可能会出现锯齿边缘。Mask out areas without elevation如果DEM缺失把没有高程信息的区域标记出来建议勾选避免那些空白的错误区域混进结果。关于Radiometric Normalization选项SPF? 准确说在Range-Doppler Terrain Correction对话框里有一个与辐射归一化相关的选项如果你在山地做后向散射比较勾上它可以同时考虑地形对局部入射角的辐射影响。不过它对平坦地区的效果不明显还会偶尔在陡峭地形区域产生过校正所以普通流程可以先不勾。地形校正完成后影像已经变成一幅地物位置基本正确的正射产品。这时候可以把SNAP显示切换到RGB模式把VV和VH两波段组合拉伸再叠加矢量行政边界图你会看到路网、江河水系和城镇边界都跟你熟悉的Google Earth背景重合得很好了。3.7 导出结果别把所有band都塞进一个GeoTIFF预处理完成后SNAP中产品还保存在它自己的BEAM-DIMAP格式下.dim文件不方便其他软件使用需要导出成通用格式。最常用的导出格式是GeoTIFF路径是右键产品名 -Export - GeoTIFF在对话框里选择要导出的band。推荐的band不是全选而是根据研究目的选择如果做分类导出Sigma0_VV_db和Sigma0_VH_db两个dB波段外加VV/VH线性值也可以同时导。如果做雷达指数比如VV/VH比值、雷达森林退化指数先用Band Math算出指数波段再一并导出。如果想用于GIS叠加建议同时导出研究区的矢量边界范围不作为产品的一部分也没关系导出时在SNAP里Subset限定范围即可。GeoTIFF导出时注意两点。第一如果文件名和波段名里有中文或特殊字符ArcGIS可能读不出坐标信息建议统一用英文命名。第二默认写的GeoTIFF是包含多波段的如果你的研究区范围很大导出的文件可能达到数百MB磁盘不足时先裁剪研究区。在Graph Builder里最后的Write节点可以选择BEAM-DIMAP或GeoTIFF作为输出格式。要输出GeoTIFFWrite节点属性里选择.tiff格式同时设定“Format”和“Band mapping”。另外Graph Builder支持在Write前加一个Subset节点把大面积区域裁到目标范围这样跑批量时能节约大量时间和存储空间。4. 我在实际处理中踩过的坑与排查4.1 处理出来的影像位置不对、有位移这是SAR预处理新手最容易遇到的问题处理完影像叠加矢量边界后发现道路偏移了几十米甚至上百米房屋点和影像上的亮斑对不上。排查思路按优先级来第一检查是否做了轨道校正。如果跳过Apply Orbit File直接用初始粗轨道跑地形校正位置误差是必然的。第二检查精轨文件是否真正生效再看产品日志里有没有“Using predicted orbit”之类的字样PREDICTED精度很低通常不足以做毫米级配准。第三检查DEM是否完整覆盖研究区如果SRTM在局部区域缺块地形校正时那些区域会按零高程计算影像像元就会被推到错误的位置。第四检查输出坐标系和重采样方法有没有选错比如目标区所在UTM带号算错全图会产生横向错位。如果上述都排查完还是没有解决可以在SNAP里加载一个带有精确坐标的参考影像例如Sentinel-2正射影像利用Ground Control Points手动配准。但请记住手工配准是兜底方案不是常规方案。预处理阶段就应该保证几何基准正确。4.2 SRTM高程数据老是下载失败地形校正时弹出SRTM下载错误是非常常见的一幕尤其在一些网络受限的单位网络里SNAP访问NASA的下载地址频繁超时导致每次跑到Terrain Correction环节就卡住。处理办法有几个最省事的办法是手动放DEM文件。先到SRTM数据官网下载研究区对应的hgt文件找到SNAP的DEM缓存目录默认在用户目录的.snap/auxdata/dem/SRTM 3Sec目录下把hgt文件按SNAP要求的命名规则放进去重开SNAP再跑地形校正。这个办法需要你搞清楚SNAP的缓存目录结构实际上不难目录下会有一个README或已有其他tile作为参照。另一个办法是在Preferences - DEM设置项里把DEM路径改成自己管理的外部文件夹这样SNAP会自动去那个文件夹寻找本地DEM而不是联网下载。如果你研究区在高纬度SRTM本身覆盖有限那就要换用PALSAR DEM或自备DEM在Terrain Correction的DEM下拉框切换即可。需要注意批量处理时如果DEM下载失败只影响了其中几景日志里不一定有明显红色报错可能只是输出影像局部出现空白。所以批量处理前最好先拿一景测试数据跑通一遍确认DEM没问题再上批量。4.3 一跑就崩内存不足和异常缓慢怎么办SNAP处理Sentinel-1数据属于内存和计算密集操作尤其是Range-Doppler Terrain Correction需要反复迭代重采样大型GRD产品全分辨率处理时内存占用非常可观。常见“崩溃”症状分两种一种是处理过程中直接报OutOfMemoryError另一种是CPU跑满但进度条仿佛原地踏步半小时才走1%。对付第一种情况核心调优思路就是加大堆内存方法与安装章节一致修改snap.conf里的-Xmx。要是用gpt命令行可以加-J-Xmx8g参数直接指定该次运行的堆内存。我的经验是内存至少8G以上才能流畅处理完整GRD最好16G。对付第二种情况要先定位是哪个算子慢。大部分情况是地形校正里的重采样环节尤其输出分辨率设成10m时。这时候可以尝试这些优化先把研究区用Subset裁剪到目标范围再跑地形校正把输出像素间距放宽到20m在Graph Builder里不要创建过多中间产品缓存省去不必要的中间band输出。另外一个很容易被忽略的点不要同时开多个SNAP窗口或多个gpt进程处理数据。SNAP本身的内存管理不算激进多开进程会导致内存争抢最后一起崩溃。批量处理用gpt顺序跑就够了慢就慢一点稳定第一。4.4 如果你拿的是SLC想做干涉流程差别很大标题虽然是“哨兵一号数据预处理”但很多人实际下载的是SLC数据想做InSAR地表形变那这套GRD流程就不能无脑套用。SLC数据保留了相位信息干涉测量需要的正是相位所以绝对不能对它做Refined Lee强滤波更不能把相位信息抹掉。对SLC数据预处理流程通常变成另一套轨道校正 - 主辅影像配准Back-Geocoding增强配准 - 生成干涉图 - 去平地效应 - 滤波Goldstein滤波 - 相位解缠 - 地理编码。另外SLC定标那步对InSAR也不是必需的因为形变信息藏在相位里不在幅度里。做干涉时你更需要注意的是基线估计、公共波段滤波、大气相位校正这些因素这和GRD强度影像的思路很不一样。如果你的目标是形变制图建议先去学专门的SLC InSAR流程别从这篇文章的标准GRD流程硬拗。5. 我常用的预处理组合与经验说了这么多最后分享一套我自己目前用得比较顺手的组合权当给大家一个参考模板。以Sentinel-1A IW模式GRD数据为例我用Graph Builder搭好的默认图是Read - Apply Orbit File选POEORB - Thermal Noise Removal - Calibrate输出Sigma0线性值和dB值VV和VH两极化 - Speckle FilterRefined Lee5x7窗口 - Range-Doppler Terrain CorrectionSRTM 3Sec输出UTM投影10m - WriteGeoTIFF只导出需要的波段。在实际批量处理几十景历史影像时我会在Graph Builder里把每个节点的参数都固定好保存成XML再用一个简单的bash或Python脚本循环调用gpt。每次批量跑完先做一次快速目视抽检看几景关键影像的几何、条带和异常值确认没问题后再进入后向散射统计或后续建模。这样既保证了处理效率又不至于跑出几百景垃圾数据才发现某个参数设错了。老实说SNAP预处理并没有太多“高科技”的玄学核心就是严谨地执行每个步骤并且理解每一步在改什么、为什么改。第一次做SAR数据的同学建议别直接上Graph Builder批量跑先拿起单景数据在GUI里一步一步点一遍把这个流程里的每个输出都看了、想通再开始自动化和规模化。这个笨办法反而是我见过最快搞懂SAR遥感影像预处理的路径。