SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

这篇具有很好参考价值的文章主要介绍了SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

常见问题放在文档末尾,要对脚本进行修改防止后续处理出错(‘[NodeID: TOPSAR-Split] -1’)

Step0: 文件准备及路径设置

0.1 前往GitHub下载snap2stamps: Github snap2stamps

0.2 新建工作路径,用来进行数据处理,并将下载的snap2stamps解压到该文件夹下,并新建两个文件夹,master和slaves,准备分别用来存放预处理的主影像和所有其它辅影像。e.g., 我的工作路径为…/IW3Burst69。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

Step1:数据准备

1.1 前往ESA官网或者ASF网站下载哨兵数据,注意下载的数据必须是相同的path和frame。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

1.2 将所有数据添加到购物车后可下载生成的.py文件,将所有数据批量下载。下载的数据可以自己先单独存储在其它位置,预处理完后再存放到工作路径下。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

Step2 数据预处理

2.1 在snap中打开自己选定的主影像。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

2.2 对主影像进行预处理,选取swath和burst,文件存放路径设置为工作路径下的master文件夹,e.g., …/IW3Burst69/master。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列
SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

2.3 对主影像进行轨道矫正,Radar->Apply Orbit File。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列
SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

Step3 snap2stamps 数据处理

3.1 snap2stamps 参数设置。编辑工作目录下…/IW3Burst69/bin/project.conf 文件。第4行设置为工作目录…/IW3Burst69, 第5行为工作目录下graphs文件夹,第8行为选定的swath,第9行为做完轨道校正的主影像的 …_Split_Orb.dim文件,12-15行为经纬度坐标(坐标可大于slc覆盖范围,但不能设置为空),18行为snap软件安装位置下的gpt文件所在位置,21-22为cpu和cache大小设置。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

3.2 确保python版本为python2版本。将终端工作路径设置为工作路径下的bin文件…/IW3Burst69/bin。终端输入 python2 slaves_prep.py project.conf,会将所有的辅影像slc存放到…/slaves单独的日期文件夹中。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

3.3 终端输入 python2 splitting_slaves.py project.conf,会将辅影像按照主影像的区域提取,结果存放在新生成的…/split文件夹中。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

3.4 终端输入 python2 coreg_ifg_topsar.py project.conf,会在工作路径下生成两个文件夹,coreg和ifg,分别存放配准结果和生成的干涉图。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

3.5 终端输入 python2 stamps_export.py project.conf。会生成一个新的以主影像命名的文件夹,e.g., INSAR_20180624,下面包含了四个文件夹,分别是dem,diff0,geo,rslc。

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列
SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

3.6 完成以上步骤即完成了snap2stamps的预处理。下一步需要调用stamps中的命令初选ps点及分patch。在确保stamps能正常使用的情况下(未安装stamps可以参考StaMPS安装步骤),进入到INSAR_20180624路径下,输入命令mt_prep_snap 0.4 3 2 50 200 /..INSAR_20180624(INSAR_20180624的绝对路径) 3 2 (划分patch个数,分别为range 和azimuth方向) 50 200 (patch的重叠区域像素,分别为range和azimuth方向)

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

3.7 完成后即可打开matlab进行时间序列的处理。常见问题可参考博客InSAR处理常见问题及解决方法。

常见问题

1. 要将/graph/coreg_ifg_computation_subset.xml 和 coreg_ifg2run.xml 两个文件第49行修改为 <useSuppliedRangeShift>false</useSuppliedRangeShift> 并添加一行 <useSuppliedAzimuthShift>false</useSuppliedAzimuthShift> 如图所示:

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列

2. 在处理IW1时,要将/bin/project.conf文件第8行IW1= 设置为IW0=IW1,并将/bin/splitting_slaves.py, coreg_ifg_toposar.py, 以及 stamps_export.py文件 if "IW1" in line: 更改为 if "IW0" in line: 否则在split slave的过程中会报错'[NodeID: TOPSAR-Split] -1'

SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列
SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列文章来源地址https://www.toymoban.com/news/detail-431394.html

到了这里,关于SNAP + StaMPS 处理Sentinel-1哨兵1 时间序列的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数据分析-Pandas如何轻松处理时间序列数据

    时间序列数据在数据分析建模中很常见,例如天气预报,空气状态监测,股票交易等金融场景。此处选择巴黎、伦敦欧洲城市空气质量监测 N O 2 NO_2 N O 2 ​ 数据作为样例。 python数据分析-数据表读写到pandas 经典算法-遗传算法的python实现 经典算法-遗传算法的一个简单例子 大

    2024年01月25日
    浏览(36)
  • Flink的流式数据处理与时间序列分析

    Apache Flink 是一个流处理框架,用于实时数据处理和分析。它支持大规模数据流处理,具有高吞吐量和低延迟。Flink 可以处理各种数据源和数据接收器,如 Kafka、HDFS、TCP 流等。 时间序列分析是一种用于分析时间序列数据的方法,用于发现数据中的趋势、季节性和随机性。时间

    2024年02月21日
    浏览(37)
  • 时间序列信号处理(一)-----变分模态分解(VMD)

    1.简述变分模态分解 变分模态分解--vmd,适用于非线性时间序列信号,主要是利用求解变分问题的思想去对信号进行提取,在不丢失原始信号特征的情况下,把一个原始信号分解成多个不同中心频率的信号,即不在同一个调制信号内。 2.以轴承信号为例 安装vmd库,直接pip in

    2024年02月16日
    浏览(24)
  • tableau基础学习2:时间序列数据预处理与绘图

    这一部分,我们记录一些分析时序趋势的分析步骤 原始数据是excel表格,其中包含三个Sheet页, 这里我们选择两家公司的股票,作为时序数据进行对比:恩捷股份与科大讯飞 首先打开下面的【已使用数据解释器清理】,这里可以自动剔除一部分无用行,以保留需要分析的数据

    2024年02月10日
    浏览(32)
  • SNAP处理Sentinel-1 SAR影像流程

    本文的处理流程适用于Sentinel-1 IW GRD 数据 关于 SLC 数据和 GRD 数据的区别和介绍,很容易找到,本文不再赘述。 本文的处理步骤包含了辐射定标、噪声去除、轨道校正、地形校正(地理编码),这些步骤完成后SAR影像便可正常投入使用。 不需要解压,点击 file–open product 打开

    2024年02月04日
    浏览(25)
  • 时间序列教程 二、识别和转换非平稳时间序列

    定义平稳性 描述确定平稳性的方法 解释如何转换非平稳时间序列数据 使用Python识别和转换非平稳时间序列数据 固定时间序列是指基本系统没有变化的时间序列。 恒定平均值(没有趋势)  恒定方差 常数自相关结构 无周期性成分(没有季节性) 平稳性是许多时间序列预测

    2023年04月09日
    浏览(30)
  • 时间序列预测 | Matlab自回归差分移动平均模型ARIMA时间序列预测

    效果一览 文章概述 时间序列预测 | Matlab自回归差分移动平均模型ARIMA时间序列预测,单列数据输入模型 评价指标包括:MAE、RMSE和R2等,代码质量极高,方便学习和替换数据。要求2018版本及以上。 部分源码

    2024年02月13日
    浏览(42)
  • 哨兵3号(Sentinel 3)卫星数据处理

    李国春 本文介绍使用RSD处理欧空局哨兵3号(Sentinel 3)卫星数据的具体方法。 气象数据多用NetCDF格式交换和存储,气象卫星数据也是如此。气象业内认为HDF5也是NetCDF的一部分,虽然文件扩展名使用的是.nc,但是实际上就是HDF5。但有些.nc数据确实是纯NetCDF,如一些探测土壤水

    2024年02月07日
    浏览(39)
  • 时间序列预测 | Matlab灰狼算法(GWO)优化极限梯度提升树XGBoost时间序列预测,GWO-XGBoost时间序列预测模型,单列数据输入模型

    效果一览 文章概述 时间序列预测 | Matlab灰狼算法(GWO)优化极限梯度提升树XGBoost时间序列预测,GWO-XGBoost时间序列预测模型,单列数据输入模型 评价指标包括:MAE、RMSE和R2等,代码质量极高,方便学习和替换数据。要求2018版本及以上。 部分源码

    2024年02月13日
    浏览(40)
  • 时间序列预测 | Matlab鲸鱼算法(WOA)优化极限梯度提升树XGBoost时间序列预测,WOA-XGBoost时间序列预测模型,单列数据输入模型

    效果一览 文章概述 鲸鱼算法(WOA)优化极限梯度提升树XGBoost时间序列预测,WOA-XGBoost时间序列预测模型,单列数据输入模型 评价指标包括:MAE、RMSE和R2等,代码质量极高,方便学习和替换数据。要求2018版本及以上。 部分源码

    2024年02月13日
    浏览(64)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包