1. 项目概述：为什么要用SNAP做全极化SAR分类
做遥感图像处理的人应该都有这种感觉：光学影像分类的教程一抓一大把，Sentinel-2、Landsat的处理流程早就被写烂了。但轮到SAR数据，尤其是全极化SAR，网上能直接照着跑的完整流程就少得多了。要么是英文文档零散分布，要么是论文里只讲了原理不贴实操，真正能“照着做”的资料非常稀缺。
全极化SAR和单极化、双极化最大的区别在于，它同时发射和接收水平、垂直两种极化波，得到HH、HV、VH、VV四个通道的数据。这个“四通道”特性意味着你能从数据里提取出目标的散射机制信息——比如地物是表面散射、体散射还是二面角散射——这是光学遥感完全做不到的。换句话说，全极化SAR在做地物分类时，不光是看“亮不亮”，还能看“怎么反射的”，信息维度高了一个级别。
但全极化数据的处理门槛也确实高。数据格式复杂、预处理链条长、参数多，新手很容易在某个环节卡住。而SNAP（Sentinel Application Platform）恰好是解决这个问题的最好工具之一——它是欧空局开源的遥感处理平台，图形化界面友好，自带完整的极化处理模块，最关键的是，它把很多原本需要命令行操作的专业步骤做成了可视化节点，让整个流程变得可追踪、可复现。
这篇文章的目标很明确：手把手带你把一景全极化SAR原始数据，从导入、预处理、极化分解，一路做到分类出图和精度评估。整个流程我用的都是SNAP自带的工具，不需要额外装Python库，也不用手写代码，跟着操作就能完整跑通。适合刚接触SAR遥感的学生、刚转行做雷达遥感应用的工程师，以及想用全极化数据丰富研究手段的从业者。
2. 核心概念与数据准备
2.1 全极化SAR的核心参数与数据源选择
在做全极化分类之前，先要把几个最核心的概念弄清楚。首先是极化方式，全极化SAR记录的是2x2散射矩阵S，包含四个复数元素：SHH、SHV、SVH、SVV。对于单站雷达系统，根据互易定理，SHV和SVH通常认为相等，所以实际独立信息是三个：HH、HV（或VH）、VV。这也是后面很多极化分解算法输入的基础。
另一个关键概念是散射机制。不同地物对极化波的散射方式不同：水体表面光滑，主要是单次表面散射，表现为HH和VV较强、HV很弱；建筑物和地面之间形成二面角结构，二面角散射明显，通常HH比VV强；森林植被冠层则表现为体散射，十字极化通道（HV、VH）能量较高。极化分解就是通过数学变换，把这几种散射机制的能量分量从散射矩阵中分离出来，这比直接看原始强度图要直观得多，也更能反映地物本质属性。
数据源方面，目前最容易获取的全极化星载SAR数据主要有两类。第一类是ALOS-2 PALSAR-2的Fine Beam双极化或全极化模式，这是目前最常用的全极化商业数据源之一，空间分辨率3到10米，L波段穿透力强，对植被和干地表效果好。第二类是RADARSAT-2的Fine Quad模式，C波段，全极化，同样在学术研究中很常用。欧空局的Sentinel-1虽然免费开放，但默认只提供双极化（VV+VH），不是全极化数据——这一点经常有人搞混。
提示：如果你的科研或项目需求是“免费练手”，可以先下载ALOS-2的样例数据或公开数据集来跑通流程；如果是正式研究，建议直接采购目标区域的全极化数据，注意确认成像模式和极化通道是否完整。
2.2 SNAP软件安装与必备模块配置
SNAP的安装本身不难，去欧空局官网下载对应操作系统的安装包，按向导下一步就行。但在处理全极化数据前，有几个关键点需要提前确认。
第一是版本问题。建议安装最新的稳定版本，旧版本在极化分解和Sentinel-1/ALOS-2数据读取方面可能会有兼容性问题。第二是内存设置。全极化数据量大，处理时内存需求高，默认配置往往不够用。打开安装目录下的snap.conf文件，找到-Xmx参数，我习惯调到-Xmx8g或更高（取决于你的机器内存），否则跑到滤波或分类那一步很容易卡死或报“Out of Memory”。
第三是插件。SNAP处理不同卫星数据需要对应的插件模块，在菜单栏Tools -> Plugins里检查：处理ALOS-2需要安装ALOS-2 Tools，处理RADARSAT-2需要RADARSAT-2 Tools，通用的极化分解功能在SAR Polarimetry模块里，默认装了SNAP就有。建议全部更新到最新版本，因为新的插件版本通常会修复数据读取和参数计算方面的bug。
安装配置好之后，熟悉界面也很重要。SNAP的主界面主要分三块：左侧是产品浏览器（Product Explorer），显示打开的数据文件和图层；中间是主视图窗口，可以切换波段、查看直方图、做各种可视化分析；下方是像素信息栏和处理历史。对于全极化处理，我特别强调“处理历史”这个功能——每跑完一步处理，SNAP都会自动记录这一步的参数，当你做完一套流程再回头看，每一步做了什么、参数是什么一目了然。这既是调试工具，也是写论文方法部分最好的参考。
2.3 全极化数据导入的两种路径与要点说明
打开全极化数据的正确姿势直接影响后面所有步骤。SNAP有两种导入方式：直接拖拽文件到主界面，或通过File -> Open Product选择文件。这里有个容易踩坑的地方：不是所有全极化SAR文件都是SNAP能直接识别的格式。比如ALOS-2的原始数据通常是CEOS格式，包含多个文件，你需要选中包含*_A标识的文件或product.xml；RADARSAT-2则是XML格式的包。
如果打开后产品浏览器里没有出现四个极化通道，而是只显示一个复数主波段，那大概率是导入方式不对。全极化数据在SNAP里通常会生成一个复杂的多视图产品，你需要展开这个产品，在Bands下面找到幅度和相位信息。如果看不到，检查文件类型是否匹配，或者重新导入一次，注意选择正确的元数据文件。
数据和波段确认无误后，还有个很容易被忽略的动作：查看产品元数据里的关键信息——成像模式、入射角范围、中心频率、脉冲带宽、距离向和方位向分辨率。这些信息有助于后面设置多视参数和滤波窗口大小。点开Metadata标签，慢慢翻一翻，很多你以为的“玄学参数”，其实都在这里写得明明白白。
3. 全极化数据预处理全流程
3.1 预处理第一步：为什么多视在这里很重要
全极化数据的原始分辨率在距离向和方位向往往不一致，比如ALOS-2在某些模式下距离向分辨率可能是3米，方位向却是10米。这种各向异性会给后续的分类带来很大麻烦，因为像素的形状不是正方形，地物边界和纹理特征会被拉伸变形。多视处理（Multilooking）就是把原始数据在方位向进行平均，生成近似正方形的像素，这个过程同时也牺牲了一部分空间分辨率来换取等效视数的增加，从而压制了相干斑噪声。
在SNAP里，多视处理的入口是Raster -> Multilooking。关键的参数是Number of Range Looks和Number of Azimuth Looks。这两个值怎么定？核心原则是让输出的距离向分辨率约等于方位向分辨率。用ALOS-2举例：如果距离向分辨率是3m，方位向是10m，大约需要3到4个方位向视数（10/3≈3.3），所以可以设置Range Looks=1，Azimuth Looks=3。具体数值可以微调，但方向是这个方向。
很多教程直接把多视这一步跳过，或者用默认参数，这在全极化分类里是不可取的。回想一下全极化数据的特性：我们最终要从每个像素提取散射机制特征，如果像素本身是拉长的矩形，那么边缘区域提取的特征就存在方位向和距离向的不一致性，分类器学到的规则也被迫带上这种偏差。多视就是为了消除这个系统性偏差而存在的。
3.2 辐射定标与极化矩阵转换
多视完成后，下一步是辐射定标。全极化数据记录的是DN值或复数电压值，这些值跟地物真实后向散射系数之间不是简单的线性关系，受到系统增益、天线方向图、斜距损耗等因素的影响。辐射定标的作用就是把这些影响全部校正掉，输出带有物理意义的后向散射系数（Sigma0、Beta0或Gamma0）。
SNAP中处理全极化数据的定标路径是Radar -> Radiometric -> Calibrate。在Parameters中选择定标参数，通常选Sigma0比较多。这里有一个全极化特有的重点：定标时一定要确认输出格式是Complex（复数），因为后面做极化分解需要相位信息！如果这里选了Amplitude或Intensity，相位信息就丢了，极化分解根本跑不了。
定标完成后，产品类型可能已经变了。接下来我们需要把数据转换为适合极化分解的矩阵形式。SNAP里通常使用Polarimetric -> H/A/Alpha或Polarimetric -> Freeman-Durden等分解工具，而这些工具会要求输入产品包含极化相干矩阵（T3）或协方差矩阵（C3）。如果初始导入的数据没有直接生成T3矩阵，你可能需要先用Polarimetric -> Polarimetric Matrix工具进行转换。选择生成T3（用于基于特征值的分解）或C3（用于基于模型的分解）矩阵，然后就可以后续处理了。
实际操作中，定标和矩阵转换的顺序不要搞反。有人图省事，上来就做分解，结果分解出来的物理量严重失真。先定标、再转换矩阵、再做分解，这个顺序在上百景数据的实操里验证下来是最稳妥的。
3.3 极化分解：从散射矩阵到散射机制
极化分解是整个全极化分类里最核心、也可能是最让新手困惑的一步。说得直白点，这一步就是把一个像素点里的混合散射信号拆解成几种基础散射机制的权重。两类最常用的分解方法是：
第一种是基于特征值的H/A/Alpha分解。它从极化相干矩阵出发，计算特征值和特征向量，进而得到三个核心参数：极化熵H（Entropy，反映散射机制的随机程度）、各向异性度A（Anisotropy，区分两主散射机制占比）、平均散射角Alpha（识别主导散射机制类型）。这个分解的好处是无需先验假设，对任意地物都适用，是“通解”。在SNAP里用Polarimetric -> H/A/Alpha即可。
第二种是基于模型的Freeman-Durden分解。它假设地物散射由三个物理模型线性组成：表面散射（surface）、体散射（volume）和二面角散射（double bounce），通过解方程得到三个分量的功率。这个方法的物理意义特别清楚，分类后解释性很强——哪些区域是建筑物（二面角强）、哪些是植被（体散射强）、哪些是裸土或水面（表面散射主导）。在SNAP中用Polarimetric -> Freeman-Durden实现。
两类分解怎么选？我的习惯是：做一般性土地覆盖分类用H/A/Alpha分解，因为三个参数（H、A、Alpha）天然适合组成特征空间输入给分类器；如果研究目标是特定的物候或建筑区提取，Freeman-Durden分解的三个功率分量更直观，方便与实地调查对照。两个都做也没有坏处，完全可以作为多组特征共同输入分类器，只是要注意特征间的共线性问题。
分解完成后，你会看到产品浏览器里新增了多个波段：H/A/Alpha分解生成Entropy、Anisotropy、Alpha等灰度图，Freeman分解则生成三个功率分量图。把这些波段用RGB假彩色显示（比如Entropy放红、Alpha放绿、Anisotropy放蓝），地物类型往往会呈现出明显的颜色分块，这就是后面分类的基础。我曾经在森林-农田-水体交错区做实验，Freeman分解图上，水体和裸土在表面散射通道亮得发白，森林在体散射通道呈高亮绿色，农田则混合了表面散射和二面角散射，一眼就能分辨。
3.4 极化滤波的必要性与滤波参数选择
很多刚接触SAR的人不理解，为什么都做完多视了还要滤波。这里要澄清一个概念：多视处理是“通过降低分辨率换视数”，本质是牺牲空间细节来压低斑点噪声；但单个像素仍然带有明显的相干斑，尤其是在均匀地物（如农田）上，看起来会有一层细密的噪声。
极化滤波和普通强度图滤波还不太一样。全极化数据是多通道的，如果每个通道独立滤波，会破坏各通道之间的相位关系和相关性，导致分解出来的极化参数失真。所以低通滤波不能随便用，必须用专门设计的极化滤波算法。SNAP里最常用的是Refined Lee滤波器：它通过边缘检测和方向窗口，在平滑噪声的同时尽可能保留边缘和纹理信息，而且最关键的是，它保持各极化通道间的复相干性不被破坏，这样滤波后做极化分解，得到的散射机制参数才是可信赖的。
参数设置方面，滤波窗口大小最常用的是5x5或7x7。窗口太小起不到去噪效果，窗口太大又容易把细小地物（如道路、水体边界）磨掉。我的经验值是：如果后续分类目标是较大尺度的地物（森林、农田、城市），7x7窗口没问题；如果要保留城市街区等细碎结构，5x5是安全的中间值。Number of Looks参数对应等效视数（ENL），按多视后的等效视数估算，通常填1到4之间。SNAP的默认值在多数情况下可接受，但我不建议直接用默认，最好根据数据实际情况调一次。
注意：滤波后必须重新检查一次分解结果。我遇到过滤波参数设置不当导致体散射功率被过度压平的情况——森林和农田在分解图上几乎分不出区别。所以每调一次滤波参数，就重新跑一次分解目视检查，别偷懒。
4. 基于Graph Builder的自动化流程搭建
4.1 为什么用Graph Builder而不是一步步点
如果你只是处理一景数据，手动一步步点没问题。但真实项目里往往有5景、10景、乃至几十景数据，每一景都重复点几十次菜单，不仅效率低，还容易在不同数据间出现参数不一致的情况——这一步用了7x7滤波，下一步用了5x5，分类结果就很难横向比较。
Graph Builder就是解决这个痛点的工具。它基于SNAP的XML处理链（Graph Processing Framework）可视化封装，把刚才所有处理步骤拖拽成节点，连线组成一条流水线，一键批量执行。最关键的价值是：流程完全可复现、可分享，每个人拿到同一个Graph文件，用同样的参数跑同一批数据，结果完全一致。这在科研和工程交付里是底线要求。
操作入口在Tools -> Graph Builder，或者直接在快捷工具栏里点Graph Builder图标。左侧是可用算子列表，中间是流程图视图，右侧是参数面板。你需要的操作无非是：把算子从左边拖到中间，连线，选中节点修改参数，保存为XML文件，执行。
4.2 一条完整处理链的节点设置详解
下面是我处理全极化数据时常用的Graph配置，把这套节点串起来，就能从原始数据直接得到分解后的特征图层。
第一个节点必然是Read（读取数据），指定数据源产品路径。这个节点上不需要额外参数，只要选对文件就行。
第二个节点是Multilooking（多视）。这里的参数设置和第3.1节提到的保持一致：Range Looks和Azimuth Looks按分辨率倍率填。如果你用的数据已经是方形像元产品，也可以直接跳过此节点，Graph里做啞事没有关系，但保留它并在参数中设置Range=1、Azimuth=1等效于不处理。
第三个节点是Calibration（定标）。在参数面板中：Source Bands选择全部极化通道，Polarisation默认包含所有通道，Output Sigma0勾选，输出方式选Complex Output——这里千万注意，一定要保持复数输出，原因前面讲过了。定标参数面板右下角还有一个Selected Source Band下拉框，它是定标模块按波段操作的，要逐一波段执行，不是只选一个波段跑完就完事。
第四个节点是Polarimetric Matrix（极化矩阵转换）。这个节点负责从定标后的复数数据生成T3或C3矩阵。我倾向生成T3矩阵，因为H/A/Alpha分解正是基于T3的。如果后续要用Freeman分解，再额外生成C3。
第五个节点是Polarimetric Decomposition（极化分解）。SNAP里这个节点支持多种分解方法，直接在下拉框里选择H/A/Alpha或Freeman-Durden。如果是H/A/Alpha，参数基本不用动；Freeman分解的话，窗口尺寸选5x5或7x7，同样视噪声控制需求而定。
第六个节点是Polarimetric Speckle Filter（极化滤波）。这里选择Refined Lee，窗口尺寸5x5或7x7，视数按ENL设置。
第七个节点是Write（输出）。SNAP中全极化处理结果建议输出为Beam-Dimap格式，这是SNAP原生格式，后续打开再做分类时速度最快，也能保留所有元数据和波段信息。如果为了交换共享，也可以输出GeoTIFF，但要留意可能丢失部分极化元数据。
把这七个节点连起来，保存Graph为XML文件。以后拿到新数据，只需要修改Read节点的文件路径，点击Run，喝杯咖啡回来，数据就已经是分解好、滤好波的产品了。
4.3 注意：滤波和分解节点的顺序
Graph里节点顺序有个关键点值得单独拿出来说：一些极化分解操作（如H/A/Alpha和Freeman分解）处理的输入数据应当是经过极化滤波后的数据吗？答案：是，也不完全是。
我实际测试过两种顺序：先分解后滤波，与先滤波后分解。先滤波后分解的好处是，噪声在分解前已经被压低了，分解结果的图斑更干净、分类边界更清晰；缺点是如果滤波过于激进，会抹平某些弱散射特征（如细小水体或道路反射），分解时这些弱信号可能直接被忽略。先分解后滤波的好处是，物理量（H、Alpha、Freeman功率）都是原始数据算出来的，误差没有累积；缺点是噪声会跟着分解一起放大，后续滤波恢复不了已丢失的细节关联。
我的经验结论是：大多数情况下推荐先做轻度滤波，再做分解，分解后再做一次轻度（或不做）滤波。也就是说，Graph中在Multilooking后先接一个Refined Lee 5x5，再接Polarimetric Matrix和Decomposition，分解节点后视情况再接一个Refined Lee，或者干脆不接。这个顺序在多次实际项目里效果最稳定，分类精度和地物边界保真度都比较好。
5. 分类实现与精度评估
5.1 特征选择与波段组合
预处理完成后，你的产品里可能有十几个甚至二十几个波段：原始强度（HH、HV、VH、VV）、分解参数（H、A、Alpha、Freeman三个功率分量）、滤波后的版本。这些不能一股脑全丢给分类器。
我的做法是：先做一次波段间的相关性分析。SNAP的Raster -> Correlation Matrix工具可以快速查看各波段间的皮尔逊相关系数。如果两个波段相关系数高于0.9，通常只保留一个或者做PCA降维。不然分类器会花费大量计算在冗余特征上，精度反而可能因为特征间的共线性而下降。
全极化分类的经典特征组合一般包括：
- 四个极化通道的后向散射强度（或其中的代表）；
- H/A/Alpha分解的三个参数；
- 如果是Freeman分解，则用三个功率分量。
把这些波段组织成RGB假彩色合成图，先目视看一下大致分类效果，再决定要不要加纹理特征（如GLCM纹理），或者加NDVI等其他辅助数据。有人可能会问：为什么不多加点特征让分类更精细？在这个阶段，特征数量的边际效应急剧递减，而训练样本需求和计算成本却线性上升。平衡点在4到8个特征之间，超过8个特征而不做降维，分类器往往过拟合。
5.2 随机森林分类器的参数调优经验
SNAP的分类工具集成在Machine Learning -> Classification模块，支持随机森林（Random Forest）、K近邻（KNN）、最大似然（Maximum Likelihood）等算法。全极化SAR分类里随机森林是首选：它不需要数据满足特定概率分布假设，对噪声和特征冗余容忍度高，训练速度快，精度在多数情况下优于KNN和最大似然。
随机森林的参数里最关键的是Number of Trees（树的数量）。SNAP默认是100，我实测下来，200到500棵树的精度提升不明显，但计算时间大增；100棵树在大多数数据集上已经够用。另一个参数是Number of Features（每次分裂时随机选择的特征数），SNAP默认是sqrt(p)（p是特征总数），这个默认值没问题，不必改。
第三个重要的参数是Seed。固定随机种子（如设为42）可以保证多次运行结果完全可复现，这在写论文或项目交付时非常重要。否则每次跑分类结果都有一点点随机差异，审查者或客户很容易质疑你的结果稳定性。
分类操作分两步：第一步是样本标注。在分类界面中点击Create Subset，在地图上框选感兴趣区域，为每个类别标记训练样本。这里可以使用SNAP的Define Training Samples面板，为每个类别创建多个多边形样本。样本的数量和质量直接决定分类上限，每个类别至少收集50到100个纯像元样本，分散在图像的不同区域，避免集中在一个角落导致分类器学到的位置偏差。
第二步是训练与分类。选择已标记的样本，设置分类器参数，点击运行。SNAP会输出分类结果图，每个像素被赋予一个类别标签。
5.3 精度评估中的关键指标与混淆矩阵解读
分类不能“一跑了之”。SNAP的Classification -> Confusion Matrix可以基于测试样本，生成混淆矩阵，进而计算总体精度（Overall Accuracy）、Kappa系数、各类别的生产者精度（Producer's Accuracy）和用户精度（User's Accuracy）。
这里要特别注意：训练样本和测试样本必须分离。SNAP默认会把你标记的所有样本按比例划分一部分做训练、一部分做验证，通常可以设置为70%训练、30%验证。不要在全部样本上做训练又用同一批样本做验证——那样得到的分类精度虚高得离谱，用同源样本自评，Kappa能到0.99，换成独立验证样本往往只有0.7。这个坑我在项目验收时见过不止一次。
还有几个提升精度的实操小技巧：样本多边形别画太大，尽量保证每块样本区域内是纯粹单一的地物类型。比如农田地块中间往往有田埂、水渠，如果多边形把田埂也包进去了，分类器学到的特征就混淆了。另一个技巧是，对可疑的样本点，可以利用H/A/Alpha分解图或假彩色图做交叉检查——你在强度图上看着像“草地”的区域，在分解图上可能显示明显的体散射呈现深绿，这种情况下可能实际是矮灌丛，样本标签得改。
6. 常见问题与参数调优实录
6.1 分类结果出现“椒盐状”噪点怎么办
全极化SAR分类最常见的问题就是结果图零零散散、像撒了一地胡椒面。这背后的原因主要是两类：一类是预处理阶段滤波强度不够，分解参数的噪声没有被充分压制；另一类是分类器对单像素独立决策，没有考虑空间一致性。
第一个原因的解决方法前面已经讲过——调整Refined Lee滤波的窗口和视数。第二个原因的应对策略是使用分类后的平滑处理。SNAP的分类结果可以通过Classification -> Majority Voting或Classification -> Morphological Filter做后处理：用一个小窗口（如3x3或5x5）扫描分类图，窗口内出现频次最高的类别作为中心像素的标签。这个操作能有效去除孤立的错分像元。窗口大小同样别开太大，否则小地物（道路、窄河道）会被“投票”投没了。
6.2 极化分解结果颜色“奇怪”的排查思路
有时候做完分解，假彩色合成图看起来整体发灰、毫无层次，或者某种颜色异常突兀。这通常有三个原因：一是输入数据没有正确定标就做了分解，散射机制功率值范围异常；二是分解前数据没有做多视或滤波，噪声主导了分解结果；三是图像显示拉伸方式的问题，SNAP默认的直方图拉伸有时候不适合极化参数这种偏态分布的数据。
前两个原因不用多解释，重点是第三个。在SNAP的主视图窗口，右键选择Color Manipulation，把拉伸类型从Linear改为Histogram Match或手动调整颜色映射范围，很多“看起来不对劲”的分色图瞬间就正常了。颜色拉伸是典型的调参问题，不属于数据处理错误，但非常影响成果图的视觉呈现。
还有一个容易忽略的点是：如果你的产品里同时有复数波段和强度波段，做假彩色合成前，要确保选择的RGB波段都是强度量纲（如Sigma0_HH、Sigma0_HV、Sigma0_VV），别不小心把复数实部当成幅度丢进RGB通道，那样看起来会有一层奇怪的干涉条纹。
6.3 SNAP处理大数据时卡顿与内存溢出的处理技巧
全极化数据动辄几个GB，处理到分解和分类阶段，内存经常“爆”。主要有几种处理方式：
第一，前面提到的修改snap.conf里的-Xmx参数，这个是最基础的。把堆内存调大之后，SNAP能缓存更多的中间计算数据，大幅减少反复读盘的频率。第二，在处理流程中及时清理不需要的中间产品。比如多视之后，如果确定不再需要原始分辨率数据，可以把原始产品从产品浏览器中移除。第三，Graph Builder批量处理时，不要同时打开多个产品窗口，视觉一时方便，内存压力倍增。
还有一种更优雅的方式是分块处理：用SNAP的Raster -> Subset把大区域分割成若干有重叠的小块，分别处理后再拼接。但要注意，分块之间重叠区域（建议至少10个像元）的滤波和分解结果可能会有细微差异，拼接时需要用镶边（feathering）等手段消除接缝。
6.4 全极化分类特征的物理含义与过拟合问题
有人做完分类后精度很高，就急着下结论说“这个方法很好”，但换一个时相或地域的数据再跑，精度立刻崩盘。这就是过拟合的典型表现。全极化特征的物理含义是相对稳定的，但它们的数值范围会受传感器参数、入射角、地表含水量等影响而偏移。
在设计分类特征时，我建议始终坚持“少而优”的原则：优先选择物理意义明确、对干扰稳健的特征（如散射熵H和平均散射角Alpha），而不是把十几种原始强度波段全部堆进去。前者在跨时相、跨区域数据上依然稳定；后者只能记住你当前这批数据的局部规律。
我在某个项目中试验过：用H+A+Alpha三个特征做随机森林分类，Kappa系数0.82；把12个原始波段也加进去后，Kappa提升到0.84——提升非常有限，但模型对另一期数据的Kappa直接掉到0.7以下。而用三个特征的模型，跨期验证Kappa还能保持在0.78左右。这个对比说明了特征选择的核心原则：追求的不仅是精度，更是泛化能力。
7. 从分类图像到行业应用：案例延伸
光会跑通流程还不够，把分类结果用起来才体现价值。在这里分享两个我实际做过的案例思路，给大家参考。
一个是森林资源调查。用全极化分类可以把林地细分为天然林、人工林、幼林地和林间空地，分类器主要依据是Freeman分解的体散射分量和H/A/Alpha参数。森林体散射强，但不同林型的体散射分量大小有差异，配合Alpha角（天然林通常高于人工林）可以做出不错的区分。这个结果直接能用于林业部门的林地变化监测和蓄积量估算辅助。
另一个是水体与湿地监测。全极化SAR里水体的特征非常明确：表面散射主导，HV通道信号弱，极化熵低，幅度图呈暗色。利用这些特征，在洪水灾害中做水体范围提取，比光学影像更有优势——不受云雨影响，全天候成像。特别是全极化数据可以做极化相位差分析，对薄云下的水体边界识别精度很高，这在汛期应急响应中能争取到宝贵时间。
这两个案例的共同点是：分类结果只是中间产品，最终要落到业务指标。所以分类的时候要考虑清楚，业务上关注的是面积、变化量还是分布模式，这决定了你的类别定义、分类器选择和后处理策略。技术流程是一套，业务需求是另一个维度，两者对齐了，成果才有说服力。
8. 一些经验杂谈
做到这里，一套完整流程就走通了：原始数据导入、多视、定标、矩阵转换、分解、滤波、Graph Builder自动化、分类、精度评估、后处理。工具本身不复杂，但每一步背后都有“为什么”的问题：为什么多视在前而不是滤波在前，为什么定标必须保持复数输出，为什么分类前要控制特征数量且保留泛化能力——这些原理搞清楚后，遇到任何新型传感器和新数据源，你都能很快迁移过去。
我个人在这些年反复使用SNAP体验中最深的感受是：SAR全极化数据是遥感里少数“信息量大但易用性差”的数据类型，SNAP已经帮你抹平了很大一部分工程难度，剩下的功课在理解数据的物理含义上。别着急堆功能、堆参数，先从一景小区域数据老老实实跑一遍流程，每一步都打开中间结果看一眼，理解了每个步骤为什么这么做，再动手处理大规模数据。
最后再分享一个小技巧：每次处理完一个项目，把你的Graph XML文件、样本多边形（可以导出为ESRI Shapefile）、分类结果和精度报表一起归档保存。SNAP的产品本身不保留分类训练样本，如果不单独导出，下次想重新抽取同样的样本就得从头画一遍。存档完整了，论文返修时重新出图、项目续期时补充分析，都能省下大量重复劳动。
