简介：SARscape 5.2 是 sarmap 公司研发、可挂接于 ENVI 的哨兵一号雷达处理插件；这份文档面向遥感、测绘与地质灾害监测方向的研究者和学生，用一篇综述讲清它的能力边界与模块构成。文中依次说明核心模块与五个扩展模块的分工：干涉测量（InSAR）承担地形测绘、地壳形变与灾害评估，极化分析（PolSAR）用于提取地物纹理、粗糙度与湿度信息，另有时间序列分析、几何校正与辐射校正模块，并交代了 SARscape 与 ENVI 协同后雷达与光学影像互为补充的多模态工作方式。压缩包内只有 1 个 docx 文件，约 14KB，属于轻量的功能速览材料，适合在安装软件前先建立整体框架。目前已有 1475 人学习，读者可据此判断各模块解决什么问题、按项目需要裁剪功能组合，也为后续 Sentinel-1 数据预处理与 InSAR 实验提供索引与选型参考。

1. 把 SLC 拖进 ENVI 的第一反应，往往是错的

一份 SLC 数据拖进 ENVI，屏幕上出来一张灰扑扑的图，多数人的第一反应是拉对比度。但雷达图像里价值密度最高的东西不在灰度里——每个像素的实部与虚部之间夹着一个相位，它记录电磁波往返的斜距，精度能到波长的几十分之一，C 波段下对应的就是毫米到厘米量级。SARscape 5.2 挂在 ENVI 上做雷达图像处理，本质是把「回波→相位→形变或后向散射系数」这本账记清楚，InSAR、PolSAR、时序分析不过是这本账上的不同科目。搞懂账怎么记，才知道参数该填什么、结果什么时候不可信。

2. 从原始回波到 SLC：导入这一步在给后面每一环记账

2.1 头文件里那几个不起眼的字段，决定了干涉能不能做

导入在 SARscape 里从来不是「打开一个文件」。它是一次元数据解析：把轨道状态矢量、脉冲重复频率、距离向采样率、脉冲带宽、多普勒质心多项式系数、近距边斜距、方位向首行时间、定标常数全部抽出来，落成一份旁挂属性文件，同时把原始回波（或厂商给的 SLC）转成 ENVI 能读的栅格。ENVI 的通用栅格模型只认行列数、数据类型、投影和波长这类通用字段，它不认识「斜距坐标」这种概念，所以 SAR 特有的参数必须单独存。这也解释了一个常见困惑：为什么同一景数据在 ENVI 里看元数据信息很少，但在 SARscape 的处理参数面板里能翻出一大堆。

下面这张表是我按常见实现整理的字段分类，缺哪一类，后面就会在哪一环出问题：

需要强调的是多普勒质心这一项。SAR 是「边走边拍」，方位向信号本质是一个 chirp，它的中心频率随方位时间变化。配准和聚焦都要用这条多项式把多普勒频移补偿掉，如果导入时这一项被填成了零或者用了粗略拟合值，方位向就会出现轻微的模糊和错位——幅度图上几乎看不出来，但干涉条纹会明显退化。血泪经验是：导入完成后先看一眼多普勒多项式系数是否随方位时间有合理变化，再去跑后面的流程。

2.2 复数像素：相位藏在实部和虚部之间

SLC 之所以叫 Single Look Complex，是因为它逐像素保留了一个复数。多数星载 SAR 的 SLC 用 complex64 存储，实部虚部各 4 字节，大端序居多。幅度是模，相位是辐角，取值范围被折叠在 −π 到 π 之间。这个折叠不是缺陷，是物理必然：相位正比于斜距，而斜距动辄几百公里，相位早就转了几千万圈，能测的只有小数部分。

import numpy as np # 以下参数全部来自元数据头文件，不能凭经验猜 ROWS, COLS = 25000, 17000 # 方位向像元数、距离向像元数 DTYPE = '>c8' # 大端 complex64：实部 4 字节 + 虚部 4 字节 BYTES_PER_PIXEL = 8 def read_slc(path, row_block=512): """分块读取 SLC，避免整景一次性载入内存""" with open(path, 'rb') as f: for r0 in range(0, ROWS, row_block): n = min(row_block, ROWS - r0) raw = f.read(n * COLS * BYTES_PER_PIXEL) block = np.frombuffer(raw, dtype=DTYPE).reshape(n, COLS) yield r0, block for r0, blk in read_slc('scene.slc'): amp = np.abs(blk) # 幅度，用于目视与质量检查 pha = np.angle(blk) # 缠绕相位，单位弧度，值域 (-pi, pi] break

这段代码的关键不在读文件，而在三个参数的来源。ROWS 和 COLS 必须和头文件一致，差一行整景就会错位成一团噪声；DTYPE 的字节序写反，幅度图会呈现出规律的明暗交替；分块读取是为了让 25000×17000 这种量级的数据不至于把内存吃干。幅度图适合做目视解译和质量检查，相位图才是干涉、极化、时序分析的原料。GRD 产品是检测后多视的强度图，相位已经被扔掉，拿它做 InSAR 是彻头彻尾的死路——这是新手最常见的一次翻车，后面排查章节还会专门讲。

斑点噪声是相干成像的固有产物，表现为乘性噪声，不是传感器坏了。多视处理（距离向和方位向各取若干像元平均）能压斑点，代价是空间分辨率下降。这个取舍贯穿整条链路：滤波窗口开大，相干性估计更稳，但小尺度形变会被抹平。

2.3 距离-多普勒：几何引擎靠三个方程定位

SAR 成像几何是侧视的，一个像元对应的是「某个方位时刻、某个斜距」的交点。要把斜距-方位坐标落到地图坐标上，需要联立三个方程：斜距方程（传感器到地面点的距离等于该像元的斜距）、多普勒方程（该点的回波多普勒频移等于成像处理时的参考频率）、地球椭球方程。前两个方程来自轨道状态矢量和观测几何，第三个是参考椭球模型。

常见的实现思路是迭代求解：给定一个像元的（方位时间，斜距），先用椭球方程和斜距方程求一个初值交点，再代入多普勒方程修正方位时间，反复几轮收敛。这个求解过程逐像素执行，是地理编码模块最耗时的部分之一。它也是为什么轨道精度直接决定定位精度——状态矢量误差几米，地面定位就可能偏出几十米。

导入阶段把轨道、多普勒、几何这三本账记全，后面的配准、干涉、地理编码才有依据。反过来说，如果拿到的数据只有一张强度图和一份简陋的说明，能做的就只剩目视解译和简单的分类统计，干涉和极化都无从谈起。

3. InSAR 的相位账本：从干涉条纹到毫米级形变要过几道关

3.1 干涉对的选择：时间基线、空间基线和临界基线的三角约束

干涉测量能成立，前提是两景影像在同一块地面的散射特性足够相似，也就是相干性足够高。相干性衰减有三个主要来源：空间基线（两次观测的视线方向略有差异，导致同一像素内的散射体组合变了）、时间基线（地表本身变了，植被长了、土翻了）、以及热噪声。空间基线存在一个硬上限，叫临界基线，超过它相干性直接归零。

常见的估算式是 B_c ≈ λ·R·tanθ /（2·Δr），其中 λ 是波长，R 是斜距，θ 是入射角，Δr 是距离向像元间距。代入 C 波段、800 公里斜距、35 度入射角、几米量级的像元间距，临界基线通常在几公里这个量级；工程上为了保住相干性，垂直基线一般会控制在临界基线的三分之一到二分之一以内。时间基线没有硬上限，但不同地表差异极大：裸岩、城市建筑可以跨几年仍保持相干，植被区可能十几天就完全去相干。

我一般会按这个顺序筛干涉对：先按垂直基线排序，剔掉超过临界基线一半的；再按时间基线排序，优先选相邻重访周期内的；最后看季节，同一季节的影像组合相干性明显更好。这一步在时序分析里更关键，因为 PS 和 SBAS 都要从一堆候选对里挑出一个连通性良好的子集，选错了后面全是死胡同。

3.2 配准与干涉图：亚像元误差如何被放大成条纹

配准是干涉的前提，而且是亚像元的。两景影像如果整体错开一个像元，干涉图上就会出现密集的平行条纹；错开十分之一个像元，条纹变稀但依然存在；工程上通常要求配准精度优于十分之一个像元，严格的时序处理会压到千分之一像元量级。实现路径一般是：先用轨道参数做粗配准，再用幅度图的窗口互相关做精配准，最后用相位差做亚像元精化。

配准完成后，把主影像的复数值乘以辅影像复数的共轭，就得到干涉图。这一步很轻，但前置条件很重：配准误差、多普勒失配、轨道误差都会以相位的形式留在干涉图里。去平地效应是下一步——地形起伏会让同一斜距上的点落在不同高度，产生与地形相关的规则条纹。可以用外部 DEM 做地形相位模拟再减掉，也可以用椭球面近似只去掉平地部分。前者得到的是差分干涉，能直接看形变；后者还需要进一步处理。

干涉图几乎是纯噪声的时候，不要急着调滤波参数。先看相干性图：如果整景相干性都在 0.2 以下，问题在干涉对本身（基线太大、时间间隔太长、极化方式不一致），不在处理参数。如果在局部区域相干性突然掉到零，那一片多半是水体或茂密植被，属于物理上无解。

3.3 相位解缠：一个 2π 整数规划问题

干涉相位是缠绕的，值域只有 2π。解缠要做的事，是给每个像素找一个整数 k，使得还原后的相位 φ + 2πk 在空间上连续。听起来简单，做起来是个病态问题：整数 k 的组合是指数级的，而且局部噪声会导致错误传播到整景。

残差点是理解这个问题的钥匙。取任意 2×2 的像素块，沿闭合路径把四个相邻相位差各自缠绕到 (−π, π]，再求和。如果和不为零，这个块里就存在一个残差点。残差点的物理含义是相位场在这里出现了不连续，路径积分绕过它时会产生 ±2π 的跳变。

import numpy as np def wrap(x): """把相位差缠绕到 (-pi, pi]""" return (x + np.pi) % (2 * np.pi) - np.pi def residue_map(phase): """逐 2x2 闭环检测残差点，输出与 phase 同形，非零即残差""" d_right = wrap(phase[1:, :-1] - phase[:-1, :-1]) # 上边，向右 d_down = wrap(phase[:-1, 1:] - phase[:-1, :-1]) # 左边，向下 d_left = wrap(phase[:-1, 1:] - phase[1:, 1:]) # 右边，向左 d_up = wrap(phase[1:, :-1] - phase[1:, 1:]) # 下边，向上 loop = d_right + d_down + d_left + d_up # 闭合环路相位和 return np.round(loop / (2 * np.pi)).astype(np.int8)

四个方向的差分绕一圈回来，理论上应该归零；非零就说明这个闭环里包住了残差点。这个函数的输出直接对应后续算法的输入：枝切法把正负残差点用「树枝」连起来，积分路径不许穿越树枝；最小费用流把解缠写成网络流优化，用全局代价函数求最优整数解。SARscape 这类工具通常会提供多种解缠策略供选择，选哪种取决于数据：残差点稀疏时枝切法又快又稳，残差点密集时最小费用流更鲁棒，代价是内存和耗时。

这里有一个容易被忽略的点：解缠结果的绝对偏移是未知的。解出来的相位整体加一个 2π 的整数倍，仍然是合法解。所以最后一定要有一个参考点，把参考点附近的相位归零，形变才是相对量。参考点选在稳定区域，这一步错了，整景形变会带一个常数偏移。

3.4 相位转形变：λ/4 之后剩下的误差怎么拆

相位和视向形变的关系是 Δφ = −4π·Δd/λ，反过来 Δd = −λ·Δφ/(4π)。C 波段波长约 5.6 厘米，一个完整的 2π 条纹对应 2.8 厘米的视向位移。这个换算很干净，脏的是相位里混着的其他项。

误差预算大致有这么几块。DEM 误差引起的残余地形相位，与垂直基线成正比，公式形态是 Δφ_top ≈ 4π·B⊥·Δh/（λ·R·sinθ），所以基线越长，对 DEM 精度越敏感。大气延迟，尤其是对流层水汽，能贡献几厘米的相位，且与地形高度相关，表现为长波长的假形变。轨道误差表现为贯穿整景的线性或二次趋势。解缠本身的误差则集中在低相干区。

分离这些项的常见做法：用多时相数据做时间维建模（形变随时间演化的模式与大气、轨道的模式不同）；用外部大气延迟产品做改正；用稳定区域拟合一个趋势面再减掉。单对差分干涉想把这些拆干净是不现实的，这也是时序 InSAR 存在的根本理由。

3.5 时序 InSAR：把统计做在时间维上

PS 方法挑的是那些幅度稳定、相位稳定的点——建筑角点、裸岩、桥梁。判据常见的是幅度离散指数，也就是幅度标准差除以均值，阈值一般在 0.25 上下；再叠加时间相干性筛选。挑出点之后，对每个点的相位时间序列建模：线性形变速率 + DEM 误差系数 + 大气延迟 + 噪声，用迭代回归把参数估出来。

SBAS 走的是另一条路：不挑点，而是挑「小基线对」，保证每个干涉对的垂直基线足够短，然后把所有干涉对组成一个方程组，用奇异值分解处理秩亏。它的空间覆盖比 PS 密，但对去相干更敏感。

两条路的共同前提是：干涉对选得对、配准精度够、轨道用的是精密产品。任何一条不满足，时序解算出来的速率都会出现季节性假信号——看着像形变，其实是水汽。

4. 极化与定标：把散射矩阵和 DN 值换算成可比较的物理量

4.1 散射矢量与协方差矩阵：极化信息的容器

全极化数据每个像素记录的是一个 2×2 复散射矩阵，四个元素对应四种收发极化组合。互易性成立时（大多数自然地表），收发互换的两个交叉极化近似相等，矩阵只剩三个独立复量。把这几个量排成矢量再求外积的期望，就得到协方差矩阵或相干矩阵。这一步的意义在于：单个像素的散射是随机的斑点，只有在多个样本上求统计平均，才能得到稳定的极化特征。

import numpy as np def pauli_vector(shh, shv, svv): """Pauli 基下的散射矢量，三个分量分别对应奇次、偶次、体散射倾向""" s = 1.0 / np.sqrt(2.0) k1 = s * (shh + svv) # 面散射 / 奇次散射 k2 = s * (shh - svv) # 二面角 / 偶次散射 k3 = s * (2.0 * shv) # 体散射（交叉极化） return np.stack([k1, k2, k3], axis=-1) def coherency_t3(k, win=7): """在 win x win 窗口内多视平均，得到 3x3 相干矩阵 T3""" from numpy.lib.stride_tricks import sliding_window_view kh = np.conj(k) outer = k[..., :, None] * kh[..., None, :] # 逐像素外积 3x3 pad = win // 2 padded = np.pad(outer, ((pad, pad), (pad, pad), (0, 0), (0, 0)), mode='reflect') win_view = sliding_window_view(padded, (win, win), axis=(0, 1)) return win_view.mean(axis=(-2, -1)) # 多视平均后的 T3

这段代码的关键是最后一个平均操作。窗口越大，协方差估计越稳，但空间细节损失越多，边缘处的混合像素会污染统计。7×7 是多视处理里常见的起点，具体取值要看分辨率和地物尺度。T3 矩阵是 Hermitian 半正定的，三个特征值非负，这个性质是后面所有分解的基础。

4.2 极化分解在算什么：熵、alpha 角与三分量

特征值分解给出三个特征值和对应的特征矢量。把特征值归一化成概率，算出的熵 H 描述散射随机性：H 接近 0 说明单一机制主导，接近 1 说明三种机制混杂。alpha 角描述主导散射类型：接近 0 度是面散射，接近 45 度是体散射，接近 90 度是二面角散射。H 和 alpha 组成的二维平面是极化分类最常用的特征空间，把像素撒进去，能直观看出地表类型的聚类结构。

另一条路是模型分解。Freeman-Durden 把协方差矩阵拆成面散射、二面角散射、体散射三个分量，各分量有明确的物理模型和未知参数，联立方程求解。它的优点是分量可解释，缺点是模型假设强，城市密集区容易出现负功率这种不符合物理的解。Yamaguchi 在此基础上加了第四个螺旋体散射分量，改善了城区拟合，代价是参数更多、稳定性更依赖数据质量。

两条路的共同难点是方向性。植被冠层、建筑墙面都有明显的取向，极化响应随方位角变化，同一个地块在不同轨道下可能呈现完全不同的分解结果。所以做极化分类时，训练样本和验证样本最好来自同一轨道、同一入射角范围，跨轨道直接套用分类器是最容易踩的坑。

4.3 从 DN 到 σ0：定标常数与地形辐射校正

原始 DN 值是相对量，同一块地在不同影像上可能数值完全不同。定标的目的，是把它转换成与传感器无关的物理量。中间量是 β0（雷达亮度），由 DN 平方除以定标常数得到；再乘上局部入射角的正弦或正切，就得到 σ0（后向散射系数）或 γ0（归一化后向散射系数）。

θ_local 是局部入射角，需要用 DEM 和成像几何逐像素算出来，不是整景一个常数。这一步叫地形辐射校正，本质是补偿坡度坡向带来的照度差异：同样的地表，迎坡面的入射角小，后向散射强；背坡面入射角大，后向散射弱。不做这个补偿，山区影像会呈现明显的明暗分带，分类器学到的其实是地形而不是地物。

常见的实现思路是用 DEM 计算每个像元的法向量，再和视线方向做点积求局部入射角。这里有个陷阱：DEM 和 SAR 数据的基准面、投影必须一致，否则算出来的入射角是错的，校正后反而更糟。另外，叠掩和阴影区域在没有回波或回波来自多次散射的情况下，局部入射角没有物理意义，做地形辐射校正时通常要掩掉，不能硬算。

极化数据的定标还多一层：极化通道之间的相对定标。通道间幅度不平衡会直接破坏极化特征，熵和 alpha 角都会偏移。星载数据通常自带定标记录，但导入时必须确认这些记录被正确读取和应用。

5. 排查与避坑：SARscape 与 ENVI 联合流程里最容易翻车的五处

5.1 现象：导入后数据是实数，相位字段为空

原因：拿到的是 GRD 或检测后的强度产品，相位在成像处理阶段就被丢弃了。ENVI 里看数据类型是整型或浮点型，不是 complex。

解决：确认数据产品级别，InSAR、极化、时序分析必须用 SLC 或原始回波。如果只有强度数据，能做的只有纹理分析、分类和变化检测里的幅度变化，不要试图反演形变。导入前先看一眼数据类型，比跑完整个流程再发现要省几个小时。

5.2 现象：干涉图整片雪花，相干性均值低于 0.2

原因：干涉对本身不成立。常见的是垂直基线超过了临界基线的合理比例、时间基线跨了太长、主辅影像的成像模式或极化方式不一致，也可能是轨道文件缺失导致配准失败。

解决：先查基线报告，把垂直基线、时间基线、多普勒质心差三个量列出来。垂直基线超过临界基线一半的，换对；时间基线长的，换相邻重访的；模式不一致的，根本不该配对。相干性图如果只有局部为零，那是水体或植被，属于物理限制，不用治。

5.3 现象：相位解缠后高程出现整块台阶，形变场有明显的分片

原因：残差点密集区的积分路径失败，错误传播到整片区域。低相干区、叠掩阴影区、强噪声区都是重灾区。也可能是因为滤波不足，或者解缠时没有做相干性掩膜。

解决：先做多视或自适应滤波把噪声压下去，再用相干性阈值掩掉低质量像元，让解缠只在高相干区进行，最后用插值补齐。残差点的空间分布图很有用——它会把问题区域画得清清楚楚，比盯着解缠结果猜要高效得多。

5.4 现象：地理编码后整景位置偏移几百米，或与光学底图对不上

原因：轨道精度不够（用的是预报轨道而不是精密轨道）、DEM 基准与影像基准不一致、投影参数填错、或者参考椭球选错。

解决：优先用精密轨道产品重新导入；核对 DEM 的垂直基准和大地基准；检查地理编码输出时选的目标投影和基准面。定位偏差如果是系统性平移，多半是轨道或基准问题；如果是局部扭曲，那就是 DEM 本身有洞或者质量差。

5.5 现象：时序形变速率图上出现明显的季节性波动

原因：大气延迟没有被改正，尤其是对流层水汽，与地形高度相关的相位被误当成了形变。另一个可能是参考点选在了形变区，导致整景被「拉」出一个虚假趋势。

解决：引入外部大气延迟产品做改正，或者用多时相数据的时间维特性把大气项和形变项分开——大气是随机的、不累积的，形变是累积的。参考点强烈建议选在稳定基岩或已知不动的建筑群上，选点前先用地形和地质资料做一轮初筛，不要图省事用图像中心。

6. 核心加五个扩展：模块边界为什么这么切

核心模块负责导入、数据质量检查、基础图像运算，五个扩展模块分别覆盖 InSAR、PolSAR、时序分析、几何校正、辐射校正。这个切分方式，如果按「功能菜单」去理解就会觉得别扭：为什么几何校正这种几乎每个项目都要用的东西，不在核心里？

按中间产物去理解就顺了。核心模块产出的是一份元数据完整、几何关系清晰的 SLC，这是所有下游模块共同消费的「公共账本」。InSAR 消费的是干涉对，PolSAR 消费的是散射矩阵，时序消费的是长序列的配准结果。每个扩展模块的输出又都是 ENVI 标准栅格加一份旁挂参数，能被别的模块重新读回去。边界画在中间产物上，而不是画在操作步骤上。

6.1 一个取舍：模块化省下的成本，会在数据契约上加倍还回来

模块化带来的好处很直接：按项目需求裁剪功能，硬件资源和许可成本都能控制；每个模块的算法迭代互不干扰。代价也很直接：模块之间的数据契约变成了整个系统最脆弱的地方。

这些不是软件缺陷，是模块化架构的必然产物。跨模块串流程时，我习惯在每一步输出后手动确认三件事：数据的坐标系、相位的单位与缠绕状态、多视后的像元尺寸。听起来很笨，但比跑到最后发现整景偏移要划算。

6.2 验证思路：用已知量反推链路

判断一条处理链路是否可信，最有效的办法是找一个已知答案的场景去跑。比如选择一块平坦、稳定的硬化地表，理论上形变速率应该接近零；如果解算出来有系统性趋势，问题一定在轨道、大气或参考点。再比如用同一景数据分别走两条解缠策略，结果差异大的区域就是低置信区，这些区域不应该出现在最终结论里。

还有一个习惯：任何一次 InSAR 结果出来后，先看相干性图和残差点分布，再看形变图。相干性差的地方，形变数值再漂亮也不可信。这套交叉验证的顺序，是我踩过几次「结果很好看但完全错」的坑之后强制自己走一遍的。这份资料把模块划分和适用场景列得很清楚，对照着看能少走不少弯路，需要的话按给出的获取方式自取即可。希望帮到你。

本文还有配套的精品资源，点击获取