多时相 SAR 后向散射时序统计：逐像元均值/标准差/振幅/变异系数与极化比。Multi-temporal SAR backscatter time-series statistics (mean/std/amplitude/CV) and polarization ratio. 输入多时相 σ⁰ 立方体（或用 --synthetic 生成含植被物候正弦信号的时序），输出多波段统计 GeoTIFF + 时序曲线 JSON。
1 次安装
编程
geoskill-polarimetric-decomposition
试用极化SAR分解：Cloude-Pottier H/A/α 特征分解与 Freeman 三分量分解，输出散射熵、各向异性、散射角与表面/二面角/体散射功率
它能做什么
极化SAR分解：Cloude-Pottier H/A/α 特征分解与 Freeman 三分量分解，输出散射熵、各向异性、散射角与表面/二面角/体散射功率
技能文档
极化SAR分解 | Polarimetric SAR Decomposition
Performs polarimetric target decomposition on fully polarimetric SAR data to extract the physical scattering mechanisms of surface features. Two mainstream methods are implemented:
- Cloude-Pottier (H/A/α) eigen decomposition: performs a Hermitian eigen decomposition of the 3×3 coherency matrix T3 for each pixel, yielding the entropy H (scattering randomness; 0 = a single mechanism, 1 = fully random), the anisotropy A and the scattering angle α (surface scattering α≈0–30°, volume scattering α≈40–60°, dihedral scattering α≈90°).
- Freeman-Durden three-component decomposition (simplified): solves for the surface scattering Ps, double-bounce scattering Pd and volume scattering Pv from |Shh|², |Svv|² and |Shv|².
Application Scenarios / 应用场景
- Land-cover classification and scattering mechanism identification (urban buildings, forest, bare soil, water)
- Extraction of forest structural parameters, crop growth monitoring
- Physical feature engineering for polarimetric SAR data
Dependencies / 依赖
pip install 'numpy' 'rasterio' 'scipy'
Input Conventions / 输入约定
- Cloude / H/A/α: the input GeoTIFF must contain 9 bands encoding the upper triangle of T3 as
[T11, T22, T33, Re T12, Im T12, Re T13, Im T13, Re T23, Im T23]. - Freeman: the input GeoTIFF must contain 3 bands
[|Shh|², |Svv|², |Shv|²].
Usage / 使用方法
Example 1 (synthetic data, offline)
python geoskill-polarimetric-decomposition.py --bbox 116.0 39.0 117.0 40.0 --method cloude --output-dir ./out
Example 2 (Freeman three-component synthetic)
python geoskill-polarimetric-decomposition.py --bbox 116.0 39.0 117.0 40.0 --method freeman --synthetic --output-dir ./out
Example 3 (real T3 data)
python geoskill-polarimetric-decomposition.py --input T3_9band.tif --method ha_alpha --output-dir ./out
Example 4 (real C3 three-component)
python geoskill-polarimetric-decomposition.py --input C3_3band.tif --method freeman --output-dir ./out
Output / 输出
| File | Format | Description |
|---|---|---|
cloude_H_A_alpha.tif | GeoTIFF (3 band) | Entropy H, anisotropy A, scattering angle α (degrees) |
freeman_three_component.tif | GeoTIFF (3 band) | Ps / Pd / Pv scattering powers |
decomposition_stats.json | JSON | Statistics and synthetic ground truth |
output-manifest.json | JSON | Run manifest |
Data Source / 数据源 / Source
Local polarimetric GeoTIFF (T3 9-band or C3 3-band), or physically simulated scenes via --synthetic.
Privacy / 隐私声明 / Privacy
- Runs offline by default;
--syntheticmode requires no network at all. - All processing is performed locally; user data is never uploaded.
License / License
MIT
name: geoskill-polarimetric-decomposition description: '极化SAR分解：Cloude-Pottier H/A/α 特征分解与 Freeman 三分量分解，输出散射熵、各向异性、散射角与表面/二面角/体散射功率'
极化SAR分解 | Polarimetric SAR Decomposition
对全极化 SAR 数据执行极化目标分解，提取地物的散射物理机制。实现两类主流方法：
- Cloude-Pottier（H/A/α）特征分解：对每个像元的 3×3 相干矩阵 T3 做 Hermitian 特征分解，得到熵 H（散射随机性，0=单一机制、1=完全随机）、各向异性 A 与散射角 α （表面散射 α≈0-30°、体散射 α≈40-60°、二面角散射 α≈90°）。
- Freeman-Durden 三分量分解（简化）：从 |Shh|²、|Svv|²、|Shv|² 求解表面散射 Ps、 二面角散射 Pd 与体散射 Pv。
应用场景
- 地物分类与散射机制识别（城市建筑、森林、裸土、水体）
- 森林结构参数提取、农作物长势监测
- 极化 SAR 数据的物理特征工程
依赖
pip install 'numpy' 'rasterio' 'scipy'
输入约定
- Cloude / H/A/α：输入 GeoTIFF 需含 9 个波段，按 T3 上三角编码
[T11, T22, T33, Re T12, Im T12, Re T13, Im T13, Re T23, Im T23]。 - Freeman：输入 GeoTIFF 需含 3 个波段
[|Shh|², |Svv|², |Shv|²]。
使用方法
示例 1（合成数据，离线）
python geoskill-polarimetric-decomposition.py --bbox 116.0 39.0 117.0 40.0 --method cloude --output-dir ./out
示例 2（Freeman 三分量合成）
python geoskill-polarimetric-decomposition.py --bbox 116.0 39.0 117.0 40.0 --method freeman --synthetic --output-dir ./out
示例 3（真实 T3 数据）
python geoskill-polarimetric-decomposition.py --input T3_9band.tif --method ha_alpha --output-dir ./out
示例 4（真实 C3 三分量）
python geoskill-polarimetric-decomposition.py --input C3_3band.tif --method freeman --output-dir ./out
输出
| 文件 | 格式 | 说明 |
|---|---|---|
cloude_H_A_alpha.tif | GeoTIFF (3 band) | 熵 H、各向异性 A、散射角 α（度） |
freeman_three_component.tif | GeoTIFF (3 band) | Ps / Pd / Pv 散射功率 |
decomposition_stats.json | JSON | 统计量与合成真值 |
output-manifest.json | JSON | 运行清单 |
数据源 / Source
本地极化 GeoTIFF（T3 9 波段或 C3 3 波段），或 --synthetic 物理模拟场景。
隐私声明 / Privacy
- 默认离线运行，
--synthetic模式完全无网络。 - 所有处理在本地完成，不上传用户数据。
License
MIT
相关技能
SAR 船舶检测：CA/OS-CFAR 恒虚警检测 + 连通域聚类，从单极化 SAR 强度影像提取船舶目标并输出 GeoJSON 矢量与属性表
1 次安装
SAR 土壤湿度反演：基于简化 Dubois/Oh 半经验模型，由后向散射系数 σ⁰、入射角与地表粗糙度解析反演裸土体积含水量 (m³/m³)
1 次安装
融合InSAR形变速率、后向散射变化与DEM坡度综合加权评分，双门限提取疑似滑坡连通域并矢量化分级（high/medium/low），输出滑坡GeoJSON、形变速率/风险评分GeoTIFF与风险汇总JSON。SAR landslide detection fusing InSAR deformation, backscatter change and slope.
1 次安装
基于 SAR 低后向散射特性的洪水范围制图：Otsu 阈值分割低 σ⁰ 水体 + 形态学去噪 + 可选 DEM 坡度排除，并矢量化为 GeoJSON。SAR flood extent mapping via Otsu thresholding of low backscatter, morphological cleanup and vectorization. 输出洪水二值 GeoTIFF + 面积统计 JSON + 范围 GeoJSON。
1 次安装
基于多时相 SAR 后向散射时序的农作物分类：逐像元时序/统计/物候特征 + 随机森林。SAR crop classification from multi-temporal backscatter time series using per-pixel phenological features and Random Forest. 合成模式生成水稻/小麦/玉米三类时序真值并评估精度，输出分类 GeoTIFF + 面积统计 + 混淆矩阵 JSON。
1 次安装