SNAP Java API处理Sentinel-1数据

Posted 2022-12-14 卡尔曼和玻尔兹曼谁曼

---

版权声明：本文为博主原创文章，转载请注明原文出处！

作者：阿振

写作时间：2020年4月14日 周二

---

使用SNAP JAVA API处理Sentinel-1数据

SNAP软件使用Java语言开发，提供了Python接口snappy，官方教程中也多以Python接口进行示范。但是我在使用Python接口过程中，发现并不是很好用，你必须要同时懂Java语言才能很好地使用Python接口，在IDEA中使用Python接口的代码基本上没有提示，报错了也是Java的错误提示。而且，Java本来是运行在虚拟机上的语言，效率不高，再用Python包一层，更加降低了运行效率。

所以，对于我来说，SNAP的Python接口就是鸡肋，没有使用的必要。直接使用Java接口，方便程序直接进行调试，有问题可以直接去看源代码，解决了官方资料不足的问题。

SNAP GPF的使用范式

SNAP推荐使用GPF（Graph Processing Framework）进行数据处理。GPF的使用也很简单，首先基于Operation创建Product，然后写入Product。在写入过程中会自动执行Operation完成你想要的数据处理流程，处理的算法是封装在Operation中的。

使用GPF的好处是你可以进行多个Operation的流程处理，前一个处理结果直接进入后一个处理，不需要写入磁盘，可以减少磁盘IO带来的时间消耗。

对Sentinel-1 GRD数据的处理案例

下面以对Sentinel-1 GRD数据进行一系列预处理流程演示SNAP Java接口的使用。

预处理的流程包括：首先对GRD各个极化波进行段辐射校正输出后向散射系数（Sigma nought），然后进行数据裁剪，最后进行地形校正的。

下面是使用Better Java （Kotlin）进行entinel-1 GRD数据处理的源码。其中，GPF.createProduct方法需要传入Operation的名称和参数，这些信息都可以通过查看Java源代码的方式找到。

代码运行过程中需要下载DEM数据，可能会比较耗时。如果不对数据裁剪，由于原始数据太大，可能会造成内存溢出。我的笔记本根本跑不动。

package cn.demo

import java.nio.file.Paths
import org.apache.commons.io.FilenameUtils

import kotlin.collections.HashMap

import org.esa.snap.core.dataio.ProductIO
import org.esa.snap.core.gpf.GPF
import com.bc.ceres.core.PrintWriterConciseProgressMonitor

import org.locationtech.jts.io.WKTReader


fun main() 
    val srcPath =
    Paths.get("/Users/Demo/Desktop/S1A_IW_GRDH_1SDV_20200301T104455_20200301T104520_031481_03A00B_0A9F.zip")
    val srcProduct = ProductIO.readProduct(srcPath.toFile())

    val outDir = "/Users/Demo/Desktop"
    val baseName = FilenameUtils.getBaseName(srcPath.toString())
    GPF.getDefaultInstance().operatorSpiRegistry.loadOperatorSpis()
    for (polar in arrayOf("VV", "VH")) 
        // 首先进行辐射校正（CALIBRATION）
        // 对应是的org.esa.s1tbx.calibration.gpf.CalibrationOp类
        var parameters = HashMap<String, Any>()
        parameters["outputSigmaBand"] = true
        parameters["selectedPolarisations"] = polar
        val caliProduct = GPF.createProduct("Calibration", parameters, srcProduct)

        // 然后进行裁剪，如果不裁剪，图像太大，容易OutOfMemory
        // 对应的是org.esa.snap.core.gpf.common.SubsetOp类
        val wktRect = "POLYGON((108.175 33.873,108.782 33.873,108.782 33.129,108.175 33.129,108.175 33.873))"
        parameters["geoRegion"] = WKTReader().read(wktRect)
        parameters["bandNames"] = "Sigma0_$polar"
        val subsetProduct = GPF.createProduct("Subset", parameters, caliProduct)


        // 然后进行地形校正（TERRAIN CORRECTION）
        // 对应的是org.esa.s1tbx.sar.gpf.geometric.RangeDopplerGeocodingOp
        val corrPath = "$outDir/$baseName_Corrected_$polar"
        parameters.clear()
        parameters["pixelSpacingInMeter"] = 10.0
        parameters["sourceBands"] = "Sigma0_$polar"
        val corrProduct = GPF.createProduct("Terrain-Correction", parameters, subsetProduct)
        ProductIO.writeProduct(
            corrProduct, corrPath, "GeoTIFF",
            PrintWriterConciseProgressMonitor(System.out)
        )
				
      	// 最后进行对象销毁，释放内存空间
        caliProduct.dispose()
        subsetProduct.dispose()
        corrProduct.dispose()
    
    srcProduct.dispose()