ISCE参数
在遥感和地理信息领域，合成孔径雷达干涉测量（InSAR） 是研究地表形变、地震活动、冰川运动以及城市沉降的重要技术。Sentinel-1 卫星 提供了高质量的 TOPS SAR 数据，但其处理流程较为复杂。为了解决这一问题，ISCE的stackSentinel.py 提供了一个自动化的处理工具，使得研究人员可以高效地完成数据预处理、影像配准、干涉图计算、相位解缠等工作。
本篇文章将深入解析 stackSentinel.py 的用法，帮助你掌握 Sentinel-1 InSAR 数据处理的核心步骤。
1. stackSentinel.py 是什么？
stackSentinel.py 是一个 Python 脚本，用于准备Sentinel-1 时序堆栈（stack） 处理的目录结构和配置文件。它支持：
影像预处理（SLC 影像、轨道数据、DEM）
影像配准（几何配准/NESD 配准）
干涉图计算（相干性、多视处理、滤波）
相位解缠（ICU/Snaphu 方法）
电离层校正
GPU 加速 & 并行计算
2. stackSentinel.py 关键参数解析
📌 输入数据
为了运行 stackSentinel.py，你需要准备： ✅ SLC 影像数据（-s 参数）
✅ 轨道数据（精轨）（-o 参数）
✅ 辅助文件（-a 参数）
✅ DEM（数字高程模型）（-d 参数）
工作流 作用
slc 处理原始 SLC 影像
correlation 计算影像相关性
interferogram 生成干涉图（默认）
offset 计算偏移量
研究区域
可以通过 -b 设置研究区域的边界
时间筛选
可以设定要处理的时间范围：
stackSentinel.py --start_date 2015-01-23 --stop_date 2017-02-26
如果只想处理特定日期，可以：
stackSentinel.py -i "20141007,20141031"
或排除某些日期：
stackSentinel.py -x "20141007,20141031"
影像配准
影像配准（coregistration）是 InSAR 处理的关键步骤，stackSentinel.py 提供 两种配准方式：
geometry（几何配准）
NESD（基于噪声等效信号延迟计算，更精确，默认）
干涉图计算
多视处理（Multi-looking）
方位向（Azimuth）多视因子：-z
距离向（Range）多视因子：-r
默认 3x9，可减少噪声，提高信号质量
stackSentinel.py -z 3 -r 9
干涉图滤波（Filtering）
-f 控制滤波强度，默认 0.5
相位解缠
相位解缠是从干涉图获取高精度形变信息的关键步骤。stackSentinel.py 提供两种解缠方法：
方法 适用场景
icu 适用于高相干区域
snaphu（默认） 适用于低相干区域
电离层校正
电离层对 SAR 信号的影响不可忽视，stackSentinel.py 允许进行电离层误差估计：
GPU 加速 & 并行计算
如果你想让 stackSentinel.py 更快，可以启用 GPU 加速 和 多进程：
stackSentinel.py -useGPU --num_proc 4
其中：
-useGPU：开启 GPU 加速
--num_proc：设置并行进程数（推荐 4~8）
--num_proc4topo：用于地形计算的并行进程
完整命令示例如下：
stackSentinel.py \
-s /data/SLCs \
-o /data/orbits \
-a /data/aux \
-d /data/DEM \
-b "19 20 -99.5 -98.5" \
--start_date 2015-01-01 --stop_date 2020-12-31 \
-W interferogram \
-C NESD \
-z 3 -r 9 -f 0.7 \
-u snaphu -rmFilter \
--num_proc 4 -useGPU
这条命令的作用： ✅ 处理 SLC 影像
✅ 选取 2015-2020 年数据，限制处理范围
✅ 采用 NESD 配准
✅ 生成 干涉图 并应用滤波
✅ 进行 相位解缠
✅ 开启 GPU 并行计算 🚀