高分三号UFS数据预处理全流程：从L1A到地理编码影像

拿到高分三号超精细条带（UFS）数据的原始包时，很多人第一反应是“无从下手”：一坨L1A级复数产品，打开以后都是幅度相位，没有坐标，也没有能直接用的TIF。说实话，我当年第一次处理UFS数据也被这套链路折腾得够呛——轨道修正、热噪声去除、辐射定标、多视、滤波、地理编码，每一步都有讲究，参数选错一个，后面整景影像就废一半。这篇指南就把我从原始数据到最终地理编码产品的完整实操流程整理出来，包括每一步为什么要做、参数怎么调、黑边和叠掩怎么处理，希望能帮你少踩几个坑。

这套流程不挑具体软件，SNAP、ENVI、Gamma都能跑通，我下面以开源免费的SNAP为主，配合少量GDAL和Python做批处理。适合刚接触高分三号数据、或者已经用过其他SAR数据但没处理过国产星数据的朋友。读完以后，你应该能独立把一景UFS原始数据变成一张可以直接进GIS、或者丢给深度学习模型用的标准地理编码影像。

1. 动手之前：先搞懂超精细条带数据和普通SAR数据有什么不同

1.1 超精细条带模式的核心参数与适用场景

高分三号是C波段（频率5.4GHz左右）雷达卫星，超精细条带（UFS）是它的招牌成像模式。这个模式标称分辨率在1米左右，幅宽约30公里，入射角范围大约20到50度，可以支持单极化或者双极化观测。我习惯把它理解成“雷达里的放大镜”：同样是拍一块地方，超精细条带能看到更小的目标，比如海上船只的轮廓、城市里的建筑群、农田里的田垄边界。

正是因为分辨率高，UFS数据对前期的预处理要求特别苛刻。幅宽只有30公里，意味着单景覆盖面积有限；入射角范围变了之后，几何畸变和辐射畸变也会跟着变。相比宽幅模式（比如ScanSAR或StripMap），UFS的方位向和距离向采样更密，数据量更大，处理时间更长，出错概率也更高。

1.2 为什么原始数据不能直接当影像用

L1A级的高分三号产品本质上是一大堆复数像素点，每个像素记录的是地物回波的幅度和相位。这个数据有两个问题：第一，它是在“斜距”坐标系下排列的，像素之间并不对应真实地面距离，像元间距在距离向和方位向也不一样；第二，它没有地理坐标，你没法直接把L1A丢进ArcGIS或者QGIS里和光学影像叠加。

从SAR成像原理看，雷达斜着看地面，目标离卫星越近，回波回来的就越早，所以在原始影像上，高楼、山体都像被“推倒”了一样。这就是透视收缩、叠掩和阴影这三种几何畸变的来源。预处理的核心目标之一，就是把这些畸变纠正掉，把斜距坐标系下的像素重采样到真实的地图坐标系里。这个步骤就是地理编码，也常叫地形校正。

1.3 预处理链路全景图

我的UFS预处理链条基本固定是这几步：导入数据→轨道修正→热噪声去除→辐射定标→多视处理→斑点滤波→地形校正（地理编码）。有人会跳过滤波，有人会去掉多视，但我建议刚开始学的时候不要删步骤，先把完整链路跑通，再根据应用需求裁剪。

值得提醒的是，高分三号UFS数据的预处理步骤顺序，和Sentinel-1的IW模式有所不同。Sentinel-1用户往往比较习惯“先定标再滤波再地形校正”的流程，但高分三号的UFS数据因为条带较窄、热噪声在边缘比较明显，我通常会把热噪声去除放到辐射定标之前。这个顺序问题我在后面实操部分会再强调。

2. 核心链路拆解：每一道工序在解决什么问题

预处理最忌讳的就是“只会点按钮，不知道每个步骤在干什么”。按下SNAP里那个“Terrain Correction”按钮很容易，但如果不理解它背后的坐标变换原理，遇到输出结果边缘错位、像素值异常的情况就完全没法排查。下面把这几个关键节点逐一拆开讲。

2.1 轨道修正：让卫星位置“重新归位”

SAR数据处理对轨道精度非常敏感。L1A产品里会带一个粗略的卫星状态矢量，用来描述卫星在成像时刻的位置和速度。这个粗略轨道在几百米的精度范围内是够用的，但当你做干涉测量或者高精度地理编码时，几百米的误差就完全不能接受了。

轨道修正做的事情，就是用更精确的轨道文件替换掉原产品里的粗略轨道。高分三号的轨道文件分为预报轨道和精密轨道，前者随产品发布，后者一般在数据获取后一段时间才能拿到。对于做地理编码而言，预报轨道通常已经够用，单景影像位置误差通常在几米以内。只有做形变测量等毫米级应用的场景才必须等精密轨道。

在SNAP里这个操作叫“Apply Orbit File”，读取产品时会自动匹配内置轨道数据库。如果没匹配到，可以手动导入外部轨道文件。处理高分三号时我并不总强求这一步，因为UFS本身分辨率高幅宽小，轨道误差带来的位置偏移相比宽幅模式小很多；但作为标准流程，有这个步骤能让后续地理编码的配准余量更大。

2.2 热噪声去除：别让条带间的“灰雾”干扰定标

雷达接收机在工作时会产生热噪声，这个噪声在整幅影像上不是均匀分布的。高分三号UFS数据的近距端和远距端噪声特性差异比较明显，尤其在高入射角区域，回波信号弱，热噪声占比大，影像看起来会蒙上一层“灰雾”。

如果不做热噪声去除，后续做辐射定标时，边缘区域的后向散射系数会被噪声抬高，得到的结果虚高。尤其关注海面暗目标或者低后向散射地物的时候，这种误差会直接掩盖真实信号。SNAP里的Thermal Noise Removal工具能根据元数据里的噪声查找表逐像素扣除噪声贡献。

实操上，我遇到过某些批次的UFS产品噪底估算不准确，做完热噪声去除后部分像素变成负值，这时候不要慌，可以在定标后做一次裁剪或者钳制，把极小值设为某个阈值，后续处理就不会被负值干扰。

2.3 辐射定标：从“灰度值”翻译成“后向散射系数”

SAR影像的原始像素值是一个无量纲的DN值，和地物真实的散射特性没有直接对应关系。辐射定标的作用，就是通过定标常数和成像几何参数，把DN值转成归一化的后向散射系数。

常见的有三种后向散射量：Sigma Nought（σ°）、Beta Nought（β°）和Gamma Nought（γ°）。区分很简单：σ°是每单位地面面积上的雷达截面积，β°是每单位斜距面积上的雷达截面积，γ°则是垂直于视线方向上的归一化值。我日常做地物分类用的都是σ°，因为它最直观，反映地面目标的真实散射强度。

SNAP的高分三号定标处理使用的是产品XML里的定标参数，选出输出为Sigma0，再输出成线性功率值（而不是dB）。特别留意：定标之后的数据类型会变成float，值域通常在0到1之间（很多地面目标在C波段σ°是负dB，转换成线性值就是0到0.1之间的小数）。如果你看定标结果觉得“太暗了”，这是正常的，线性值换到dB显示就舒服了。

2.4 多视和斑点滤波：用分辨率换“质量”

SAR影像是相干成像系统，天然带有斑点噪声。斑点噪声不是地物真实散射变化，而是相干回波随机干涉造成的像素间强度起伏。它看起来像撒了一把盐，目标边缘会变得毛糙，农田纹理被噪声淹没，不处理的话后续分割分类任务都没法做。

多视处理的做法很简单：把距离向或者方位向的若干个像素合起来平均，等效于降低了空间分辨率，但提高了等效视数，也就是压制了斑点。对UFS这种高分辨率数据，我习惯做2×2或者3×3的多视。具体倍率取决于你的最终用途：如果是船舶检测，宁可保持较高分辨率，做1×2或者2×2就够；如果是面积统计或者更偏向区域级的后向散射分析，可以放宽到3×3甚至4×4。在做多视之前要想清楚应用，因为降分辨率容易，后面想再提分辨率是不可能的。

斑点滤波则是在保持分辨率的前提下做空间滤波。常用算法里，Refined Lee适合保持边缘和纹理，对建筑区域友好；Frost和Gamma MAP平滑力度更大，适合均匀区域。我实测下来，UFS数据用Refined Lee效果最均衡——建筑物轮廓还在，农田里的噪声也压下去了。窗口大小选7×7就已经很慢了，5×5比较平衡。如果嫌处理量大，也可以在滤波前先做2×2多视，等效视数会明显提升。

2.5 地形校正与地理编码：把斜距像素精确投到地图上

地理编码是整个链路里最“重”的一步，它要做两件事：一是把斜距几何的像素重新投影到地图坐标网格，二是用DEM矫正地形引起的几何形变。

具体到SNAP的Range Doppler Terrain Correction，核心原理是用轨道状态矢量、雷达成像几何和DEM高程建立像素与地面坐标的映射关系。DEM里每个点被模拟成一个地面目标，通过距离-多普勒方程求出它应该落在影像的哪个像素位置，然后据此重采样输出。对于平坦地区，这个过程相当于“摊平”；对于山区，不仅能消除透视收缩、叠掩、阴影的几何位置错乱，还能把地形引起的辐射畸变纠正掉一部分。

输出时我一般选WGS84/UTM投影，因为UFS幅宽30公里，UTM一个带就能完整覆盖，投影变形可以忽略。像素大小按多视后的分辨率来定，SNAP默认会依据产品参数给出建议值。如果你打算把结果放进深度学习模型，建议输出为32位浮点GeoTIFF，保留完整后向散射信息；如果只是为了制图看效果，可以导出8位的dB影像。

3. 完整实操流程：从一景L1A超精细条带数据跑到GeoTIFF

3.1 环境准备与数据检查

我建议的环境是SNAP（版本不要太老，8.0以上）+ Python 3 + GDAL，再加一个能看巨幅TIF的软件。SNAP是欧空局开源软件，自带对高分三号的支持，不需要额外插件就能打开L1A产品。ENVI用户也可以用Sarscape，但那是商业模块，这里不展开。

拿到L1A数据后，先别急着处理。打开产品里的annotation XML，核对几个关键字段：成像模式是否UFS、极化方式、入射角范围、获取时间。我遇到过原始数据实际上是FSI或者FSII模式的情况，这时候处理参数就要变，不能直接套用UFS的流程。再检查一下数据完整性，L1A产品解压后应该有I（inphase）和Q（quadrature）分量文件、XML元数据、以及一些支持文件，如果缺失文件，后续导入大概率报错。

3.2 SNAP图形界面完整操作路径

下面以SNAP处理一景高分三号UFS单极化L1A数据为例，给出完整操作路径。假设你已经通过“File→Import→SAR Sensors→GaoFen-3”成功加载了产品。

第一步，轨道修正。菜单栏选“Radar→Apply Orbit File”，确认产品已经识别到轨道信息，点击Run。处理前后可以在“Metadata”里对比轨道状态矢量，能看到数值被更新。如果这一步匹配不到任何轨道，也能继续往下跑，对地理编码精度影响不大，但建议记录一下“轨道未修正”这件事，方便事后排查。

第二步，热噪声去除。选“Radar→Radiometric→Thermal Noise Removal”，把“Use noise LUT from metadata”选项勾上，输出命名为UFS_TNR。注意SNAP对高分三号的噪声LUT识别偶尔会有兼容性问题，如果输出结果出现大面积条纹噪声残留，说明LUT读得不对，可以把这一步跳过，通过后面定标时选择“Output sigma0 band with noise correction”来部分弥补。

第三步，辐射定标。选“Radar→Radiometric→Calibrate”，在“Polarisations”里勾选对应极化，“Output sigma0 band”选上，输出线性值，不要在这里转dB。我习惯把“Save as complex”关掉，因为幅度影像足够后续使用，复数版会把文件体积放大一倍。处理后的数据应当还是原始斜距几何的，但像素值已经是物理量了。

第四步，多视。选“Radar→SAR Utilities→Multilooking”。UFS数据在距离向和方位向各有各的像素间距，多视的目的是让两个方向分辨率接近，也就是让像素“变方”。参数上一般填“Number of Range Looks=3, Number of Azimuth Looks=3”，如果嫌分辨率下降太多，可以改成2×2。SNAP会自动计算出多视后的像元尺寸，见到底部的“Output resolution”显示的数字接近正方形就对了。

第五步，斑点滤波。选“Radar→Filtering→Single-Product Speckle Filter”，选择Refined Lee，窗口5×5，输出频率建议选“MULTILOOK”。这一步对CPU压力很大，UFS数据量大，一景跑个十几分钟很正常。如果机器慢，可以跳过滤波，但后面波段统计分析时会发现值域噪声较大。

第六步，地理编码。选“Radar→Geometric→Terrain Correction→Range Doppler Terrain Correction”。高程模型选择“SRTM 1Sec HGT”，如果区域在境外数据空洞比较多，可以换“Copernicus 30m Global DEM”。投影方式选UTM，根据影像中心经度决定带号；像素大小输入5到10米之间的值，对应多视后的分辨率。重采样方法用“Bilinear”，因为后向散射值是连续物理量，最近邻会有锯齿感，同时记住勾选“Mask out areas without elevation”。

运行结束后，输出产品里会多出一个Geocoded的影像，右键选择“Export View as GeoTIFF”或者直接对这个产品运行“File→Export→GeoTIFF”，一张带投影信息的地理编码影像就出来了。

3.3 用GPT批处理多景数据，解放双手

只处理一景数据，用界面没问题，但如果你手上有20景UFS数据，还一景一景点按钮，会怀疑人生。SNAP提供了GPT命令行工具，可以把上面所有步骤串成一个Graph，然后批量执行。

一个典型的Graph结构如下：读入产品→应用轨道→热噪声去除→辐射定标→多视→滤波→地形校正→写出。你可以先在“Graph Processing Tool”界面里把流程搭出来，保存为XML文件，然后命令行执行。关键参数写在XML里的operator参数里，批量跑的时候只需要替换读入和写出路径。

我建议在批量执行前，先用一景数据在图形界面把Graph跑通，确认参数没问题，再用GPT跑剩下几十景。这样能避免批量跑到一半才发现参数错误、全部白跑的悲剧。批量执行可以用shell脚本循环调用GPT，也可以用Python的subprocess来调度。

3.4 用Python做质量检查与后处理

地理编码输出之后，不要急着存盘收工，质量检查这步很重要。用Python打开GeoTIFF，做个简单的统计，检查是否有大片NaN或者异常值。常见问题是影像边缘出现黑色填充区域，这通常是DEM覆盖不全或者多视/重采样边界造成的，可以用掩膜把无效像素剔除。

后处理方面，如果要做目标识别，通常要把线性后向散射系数转成dB，也就是10 * log10(sigma0)。也可以用Gamma滤波再做一轮平滑，但容易过度光滑。我习惯在Python里把影像裁剪成模型输入的大小，顺便做一下辐射归一化，比如把值域拉伸到0到1，这样可以直接作为深度学习模型的输入数据。

我常用的一套非常简洁的质量检查代码是这样的：

import rasterio import numpy as np with rasterio.open("output_geo.tif") as src: img = src.read(1).astype("float32") profile = src.profile print("影像尺寸:", img.shape) print("像素统计: min=%.6f max=%.6f mean=%.6f std=%.6f" % ( np.nanmin(img), np.nanmax(img), np.nanmean(img), np.nanstd(img))) print("NaN占比: %.4f%%" % (100 * np.isnan(img).sum() / img.size))

如果NaN占比超过1%，问题就比较大了，优先检查DEM覆盖、地理编码范围和L1A自带的质量掩膜。

4. 常见问题与排查技巧实录

预处理流程比较长，任何人都会遇到问题。这一节把我自己和身边同行在实际处理UFS数据时踩过的一些坑整理出来，做成速查表，方便你排查。

4.1 高频问题速查表

4.2 高频问题详解：定标后值域不对怎么办

如果你做完定标，发现影像平均值接近0.5甚至更大，那基本不是真实的σ°线性值。真实地表在C波段的σ°通常介于-25dB到10dB之间，换算成线性值就是0.003到10之间，但绝大多数地物集中在0.01到1之间。如果发现值域整体异常高，十有八九是定标时选了强度值而忘记了噪声校正，或者多视后没有重定标，直接用多视前定标的参数套用。

解决办法是回到Calibrate步骤，仔细检查“Output sigma0 band”的选项，再确认波段属性里是不是linear（不是dB）。还有一次我遇到的案例是用户把SNAP输出的“Sigma0_VV”和“Gamma0_VV”搞混了，导致平地后向散射系数偏高。记住一点：陆地应用看Sigma0，需要消除入射角效应的定量分析看Gamma0，不要混用。

4.3 高频问题详解：地理编码以后的“扭麻花”现象

山区地形复杂的时候，地理编码输出会出现局部像素被拉伸成“麻花”的情况。这是叠掩和透视收缩的残余影响，尤其是高差大的陡峭坡面，同一分辨率网格内可能把多个斜距像素压缩进去，重采样后产生纹理扭曲。

应对办法，第一是确保DEM分辨率要足够，UFS数据用SRTM 1秒（约30米）有时候不够，尽量选更高分辨率的DEM，比如AW3D30或者5米精度的国产DEM；第二是把多视倍数适当放大，让像素尺寸接近DEM分辨率的量级，能减小重采样带来的混叠；第三是接受现状，叠掩和阴影区域的回波本身物理上就不可靠，标注的时候用阴影掩膜把这些区域剔除。

4.4 处理性能优化：一景UFS数据太慢怎么办

UFS单景数据量大概在2GB到4GB之间，SNAP每个算子都会重新读一遍数据，串行跑下来一景可能要耗时两三个小时。这时候有几个优化技巧：

第一，把不需要的波段删掉。如果产品里有多个极化，但你的应用只需要一个极化，在处理前用“Subset”只保留目标极化，能大大减少后续每一步的数据量。第二，在多视和地理编码之间，用“Crop”裁掉影像边缘无效区域，否则地理编码会拿着整幅斜距数据去算。第三，考虑把“Terrain Correction”的重采样目标分辨率设置得稍大一些，比如多视后点间距是5米，可以输出10米，计算量能减少4倍，对于大多数区域级应用完全够用。

如果机器内存比较小，在SNAP参数里调高“Cache Size”不一定管用，反而建议把临时文件目录换到SSD上，减少IO瓶颈。用GPT批量处理时，还可以试着并行跑两三个场景，但前提是内存足够，不然CPU在跑内存不够会被系统杀掉。

5. 我自己的一点体会

高分三号超精细条带数据的预处理，说难不难，但确实环节多、耗时长，尤其是对刚接触雷达数据的人来说，最容易焦虑的是“我这一步到底做对没有”。我的建议是别急着全自动跑，第一次处理一定要一步一步在SNAP界面里点，每跑完一步就看结果、看统计值、看边缘细节，建立起对中间结果的直觉。等全程跑过两三景，对每步输出的样子心里有数了，再用Graph和脚本去做批量处理，质量会稳定得多。

另外，一定要保留处理“日志”。我习惯给每一景数据建一个文本文件，记录数据ID、轨道是否修正、多视参数、DEM来源、滤波器和窗口大小、输出分辨率。这不是形式主义，而是当你在后续应用中发现问题、想溯源到预处理哪一步出错时，这些记录能帮你省下好几个小时的排查时间。

最后分享一个很多人忽视的小技巧：地理编码输出的GeoTIFF，最好在名字里带上投影代码和像素分辨率，比如GF3_UFS_20191215_VV_UTM50_5m.tif。看起来啰嗦，但当你电脑里堆了两百多个TIF时，你会感谢这个命名的。