背景
想复现“Enhanced Crop Mapping Using Polarimetric SAR Features and Time Series Deep Learning: A Case Study in Bei’an, China”中的方法
1 需要的数据
Sentinel 1的数据：使用数据S1A_IW_SLC__1SDV_20250729T111524_20250729T111551_060298_077E66_0DEE.SAFE.zip
2 Radiometric Calibration（辐射定标）
Radar → Radiometric → Calibrate
选择参数如下：
✔ Output in complex (勾选！⚠️)
✔ Selected Polarisations：VV, VH
✔ Output Sigma0
✔ Preserve Polarity (这个没有找到 )
3 Deburst
Radar → Sentinel-1 TOPS → TOPSAR-Deburst
4 构建协方差矩阵 C2（核心）
Radar → Polarimetric → Polarimetric Matrix Generation
Matrix type：C2
Polarisation basis：Lexicographic （这个貌似没有）
Window size：3 × 3 或 5 × 5（论文未强调，任选，这个貌似没有）
5 Speckle Filter（Lee 滤波）
Radar → Polarimetric → Speckle Filtering → Polarimetric Speckle Filter
保持极化信息时，Number of Looks = 1 是最推荐的选择。尤其是 农业、林业、平坦区域，对噪声去除要求较高，但不希望丢失过多细节。
Filter：Lee (我选的是Refined Lee Filter)
Window size：5 × 5 ⚠️ 不要过大（7×7 会抹平农田细节）
Source bands：C11, C12, C22
6 Terrain Correction（地形校正）
Radar → Geometric → Terrain Correction → Range-Doppler Terrain Correction
DEM：SRTM 3Sec（论文同款）
Pixel spacing： 10 m（若追求与 Sentinel-2 对齐，我选了10m） 或 20 m（算力友好）
Map projection：UTM（对应区号） WGS84 48N
✔ Save DEM band（可选）
7 从 C2 提取 m-chi 特征
Radar → Polarimetric → Compact Polarimetry → CP Decomposition
Window Size推荐设置： 5 × 5（论文“隐含”默认）
最多 7 × 7
不推荐：
3 × 3（太噪）
7 × 7（抹平农田结构）
📌 理由：
m-chi 本质是统计散射
农田尺度下 5×5 是最稳的折中
