简介本资源是一份面向遥感初学者与地信专业学生的SAR及光学影像预处理实战指南聚焦Sentinel-1雷达数据与Sentinel-2光学数据在SNAP平台上的全流程标准化处理。内容覆盖辐射定标、地形辐射校正、Lee斑点滤波、多视处理等SAR核心操作以及Sen2Cor 2.4.0独立插件安装、大气校正与重采样等Sentinel-2关键步骤每步均配高清截图与参数设置说明显著降低工具使用门槛。资源为单个24.27MB的Word文档.docx结构清晰、图文并茂含SNAP各模块功能详解如Calibration、Speckle Filtering、Terrain Correction、坐标系选择UTM-WGS84、输出格式GeoTIFF等实操细节便于随时查阅与复现。目前已有6406人学习下载是掌握开源遥感处理链路、衔接后续地表参数反演或变化检测任务的高实用性入门材料。1. 为什么用 SNAP 处理 Sentinel-1/2 数据不是“选修课”而是遥感工程落地的必经门槛你刚拿到一批 Sentinel-1 的 GRD 产品想做地表形变监测或者手握 Sentinel-2 L1C 数据急着提取 NDVI 做作物长势分析——但打开数据包发现全是.SAFE文件夹里面嵌套着几十个.tiff、.xml和.dim连波段名都看不懂。这时候有人告诉你“装个 SNAP 就行”你点开官网下载安装双击打开却卡在“Processing Graph”界面拖拽几个模块后运行报错Operator Read failed: No valid product found。这不是玄学是 SAR 数据处理和光学数据预处理的底层逻辑差异没被正视。SNAPSentinel Application Platform不是 Photoshop 式的图像软件它是 ESA 官方为哨兵系列量身打造的遥感数据科学工作台对 Sentinel-1SAR它封装了辐射定标、地形校正Range-Doppler / SRTM、热噪声去除、多视滤波等不可跳过的物理建模步骤对 Sentinel-2光学它提供大气校正Sen2Cor 集成、云掩膜SCL 波段解析、重采样与拼接等工业级流程。不走通 SNAP 预处理链后续所有机器学习、变化检测、时序分析都会建立在失真数据上——就像用未校准的尺子量身高模型精度再高也是空中楼阁。本文不讲概念定义只拆解如何在真实 Linux/Windows 环境中用 SNAP 完成 Sentinel-1 GRD 到地理编码 Sigma0、Sentinel-2 L1C 到 L2A 级别的端到端预处理并避开 90% 新人首轮实操就翻车的硬坑。适合正在写毕业论文、做国土监测项目、或刚接手遥感数据交付任务的工程师。2. Sentinel-1 GRD 数据预处理从原始.SAFE到可分析的地理编码影像Sentinel-1 是 C 波段合成孔径雷达其 GRDGround Range Detected产品已做过距离向压缩和多视处理但仍是斜距几何、含热噪声、未辐射定标。直接拿 GRD 做分类或变化检测会因地形起伏导致同一地物在不同轨道下像素值漂移且无法跨时间/跨轨道定量比较。SNAP 提供的预处理链本质是将 SAR 回波强度转化为地表后向散射系数 σ⁰Sigma0并映射到 WGS84 地理坐标系。这个过程不能跳步每一步都有明确物理意义和参数依赖。2.1 安装与环境准备别让 Java 版本毁掉整个流程SNAP 依赖 Java 运行时但不是所有 Java 都能跑通 SAR 模块。截至 2024 年SNAP 9.x当前稳定版官方仅完全兼容 OpenJDK 11 或 Oracle JDK 11。若系统默认是 JDK 17如 Ubuntu 24.04 自带启动 SNAP 后加载 Sentinel-1 产品时会静默失败日志里只显示java.lang.NoClassDefFoundError: javax/xml/bind/DatatypeConverter——这是 JAXB 模块在 JDK 11 中被移除导致的。提示不要用sudo apt install default-jre装系统默认 JDK。先卸载再手动安装 OpenJDK 11sudo apt remove openjdk-* wget https://github.com/adoptium/temurin11-binaries/releases/download/jdk-11.0.23%2B9/OpenJDK11U-jre_x64_linux_hotspot_11.0.23_9.tar.gz tar -xzf OpenJDK11U-jre_x64_linux_hotspot_11.0.23_9.tar.gz sudo mv jdk-11.0.239-jre /opt/java11 export JAVA_HOME/opt/java11 export PATH$JAVA_HOME/bin:$PATH验证java -version输出必须含11.0.23且无OpenJDK Runtime Environment (build 17.*)字样。安装 SNAP 本身很简单去 step.esa.int 下载对应平台安装包Linux 选.shWindows 选.exe运行后按向导完成。关键动作是安装 Sentinel-1 工具箱插件启动 SNAP →Tools→Plugins→Available Plugins→ 勾选Sentinel-1 Toolbox和SAR Tools→Install。重启 SNAP 后菜单栏会出现Radar选项卡。2.2 构建标准预处理图用 Graph Builder 实现一键批处理SNAP 支持 GUI 操作但生产环境必须用 Graph ProcessingGPT命令行 XML 图描述文件。原因有三① GUI 操作无法复现② 批量处理上百景数据时 GUI 会崩溃③ 便于集成进 Python 自动化脚本。我们以一景 S1A_IW_GRDH_1SDV_20230512T102914_20230512T102939_048422_05D1E7_5F3F.SAFE 为例构建标准 GRD 预处理图。步骤 1创建 Graph XML 文件s1_grd_preproc.xmlgraph idGraph version1.0/version node idRead operatorRead/operator sources/ parameters classcom.bc.ceres.binding.dom.DomElement file${input}/file /parameters /node node idApply-Orbit-File operatorApply-Orbit-File/operator sources sourceProduct refidRead/ /sources parameters classcom.bc.ceres.binding.dom.DomElement orbitTypeSentinel Precise (Auto Download)/orbitType polyDegree3/polyDegree continueOnFailfalse/continueOnFail /parameters /node node idThermalNoiseRemoval operatorThermalNoiseRemoval/operator sources sourceProduct refidApply-Orbit-File/ /sources /node node idCalibration operatorCalibration/operator sources sourceProduct refidThermalNoiseRemoval/ /sources parameters classcom.bc.ceres.binding.dom.DomElement sourceBands/ auxFileProduct Auxiliary File/auxFile externalAuxFile/ outputImageInComplexfalse/outputImageInComplex outputImageScaleInDbfalse/outputImageScaleInDb createGammaBandfalse/createGammaBand createBetaBandfalse/createBetaBand selectedPolarisationsVV,VH/selectedPolarisations /parameters /node node idSpeckle-Filter operatorSpeckle-Filter/operator sources sourceProduct refidCalibration/ /sources parameters classcom.bc.ceres.binding.dom.DomElement sourceBands/ filterLee Sigma/filter filterSizeX3/filterSizeX filterSizeY3/filterSizeY dampingFactor2/dampingFactor estimateSigmatrue/estimateSigma numLooks1/numLooks windowSize7x7/windowSize targetWindowSize3x3/targetWindowSize sigma0.9/sigma /parameters /node node idTerrain-Correction operatorTerrain-Correction/operator sources sourceProduct refidSpeckle-Filter/ /sources parameters classcom.bc.ceres.binding.dom.DomElement sourceBandsSigma0_VV,Sigma0_VH/sourceBands demNameSRTM 1Sec HGT/demName externalDemUrl/ externalDemNoDataValue0/externalDemNoDataValue externalDemApplyEGMtrue/externalDemApplyEGM resamplingMethodBILINEAR_INTERPOLATION/resamplingMethod imgResamplingMethodBILINEAR_INTERPOLATION/imgResamplingMethod pixelSpacingInMeter10/pixelSpacingInMeter pixelSpacingInDegree8.983152841195215e-05/pixelSpacingInDegree mapProjectionWGS84(DD)/mapProjection alignToStandardGridfalse/alignToStandardGrid standardGridOriginX0.0/standardGridOriginX standardGridOriginY0.0/standardGridOriginY nodataValueAtSeatrue/nodataValueAtSea saveDEMfalse/saveDEM saveLatLonfalse/saveLatLon saveIncidenceAngleFromEllipsoidfalse/saveIncidenceAngleFromEllipsoid saveLocalIncidenceAnglefalse/saveLocalIncidenceAngle saveProjectedLocalIncidenceAnglefalse/saveProjectedLocalIncidenceAngle saveSelectedSourceBandtrue/saveSelectedSourceBand outputComplexfalse/outputComplex applyRadiometricNormalizationfalse/applyRadiometricNormalization saveSigmaNoughttrue/saveSigmaNought saveGammaNoughtfalse/saveGammaNought saveBetaNoughtfalse/saveBetaNought /parameters /node node idWrite operatorWrite/operator sources sourceProduct refidTerrain-Correction/ /sources parameters classcom.bc.ceres.binding.dom.DomElement file${output}/file formatNameGeoTIFF-BigTIFF/formatName /parameters /node /graph参数说明与逻辑Apply-Orbit-File必须启用。哨兵卫星轨道参数每 12 小时更新一次缺失会导致地理编码偏差 500 米。Sentinel Precise (Auto Download)表示自动联网下载 ESA 发布的精密轨道文件需网络通畅。Calibration核心步骤。outputImageScaleInDbfalse表示输出线性尺度非对数 dB这是后续做比值运算如 VH/VV的前提selectedPolarisationsVV,VH指定只处理这两个极化通道避免生成无用波段。Speckle-FilterSAR 固有斑点噪声需抑制。Lee Sigma比经典 Lee 滤波更鲁棒dampingFactor2是经验值过高会模糊边缘过低去噪不足numLooks1因 GRD 已做过 5 look 处理此处不再降分辨率。Terrain-Correction关键demNameSRTM 1Sec HGT表示使用 30 米分辨率 SRTM 数字高程模型SNAP 内置无需额外下载pixelSpacingInMeter10设为 10 米与 Sentinel-1 GRD 原始地面分辨率匹配mapProjectionWGS84(DD)输出经纬度坐标方便 GIS 软件直接加载。步骤 2命令行执行 GPT 批处理# 假设 SNAP 安装在 /opt/snap输入数据在 ~/data/s1/输出存 ~/data/s1_proc/ /opt/snap/bin/gpt.sh s1_grd_preproc.xml \ -Pinput/home/user/data/s1/S1A_IW_GRDH_1SDV_20230512T102914_20230512T102939_048422_05D1E7_5F3F.SAFE \ -Poutput/home/user/data/s1_proc/S1A_20230512_sigma0.tif执行逻辑gpt.sh是 SNAP 的命令行处理器-P参数用于动态替换 XML 中的${input}和${output}占位符。成功运行后输出S1A_20230512_sigma0.tif是一个 GeoTIFF 文件GDAL 读取其元数据可验证CRS: EPSG:4326WGS84 经纬度GeoTransform: [116.2, 8.98e-5, 0, 39.8, 0, -8.98e-5]10 米空间分辨率波段名Sigma0_VV,Sigma0_VH线性尺度值域 0~1注意若遇到ERROR: Cannot find operator Apply-Orbit-File说明Sentinel-1 Toolbox插件未正确安装。重新进入Tools → Plugins → Installed Plugins确认Sentinel-1 Toolbox状态为Enabled。3. Sentinel-2 L1C 到 L2A用 SNAP 集成 Sen2Cor 实现大气校正闭环Sentinel-2 是光学传感器L1C 产品是经过几何精校正和辐射定标的 Top-Of-AtmosphereTOA反射率但含大气散射、水汽吸收、气溶胶影响。直接用 L1C 做植被指数会严重高估 NDVI尤其在雾霾天且跨季节数据不可比。ESA 推荐方案是用 Sen2CorSNAP 内置将 L1C 转为 L2A 级别——即 Bottom-Of-AtmosphereBOA反射率 云掩膜SCL 场景分类图。这步不是“锦上添花”而是让光学遥感回归物理本质的强制环节。3.1 Sen2Cor 在 SNAP 中的调用机制与限制SNAP 本身不直接实现大气校正算法而是作为 Sen2Cor 的图形化前端和参数配置器。Sen2Cor 是 ESA 开发的独立 Python 库基于 Python 3.7SNAP 在安装时会自动捆绑其二进制版本Linux 为sen2cor可执行文件Windows 为L2A_Process.bat。但要注意SNAP GUI 中的Optical → Thematic Exploitation Toolbox → Sen2Cor按钮仅支持单景处理且无法导出完整处理日志。生产环境必须用命令行调用L2A_Process并配合 XML 参数文件控制细节。步骤 1准备 L1C 输入与基础参数Sentinel-2 L1C 数据结构为S2A_MSIL1C_20230512T030551_N0509_R075_T49QEE_20230512T050611.SAFE/内含MTD_MSIL1C.xml元数据文件。Sen2Cor 要求输入路径必须指向.SAFE文件夹顶层不能是子文件夹且文件夹名必须符合 ESA 命名规范含MSIL1C字样。提示若下载的 L1C 压缩包解压后文件夹名被系统截断如S2A_MSIL1C_20230512T030551_N0509_R075_T49QEE_20230512T050611缺少.SAFE后缀需手动重命名为S2A_MSIL1C_20230512T030551_N0509_R075_T49QEE_20230512T050611.SAFE否则 Sen2Cor 报错Invalid product name。步骤 2构建 Sen2Cor 参数配置sen2cor_config.xml?xml version1.0 encodingUTF-8? config processing resolution10/resolution processing_levelL2A/processing_level /processing atmospheric aot_retrievaltrue/aot_retrieval water_vapour_retrievaltrue/water_vapour_retrieval /atmospheric cloud cloud_removaltrue/cloud_removal cloud_buffer10/cloud_buffer /cloud terrain dem_sourceSRTM/dem_source dem_resolution30/dem_resolution /terrain output output_dir/home/user/data/s2_l2a//output_dir output_formatSAFE/output_format /output /config参数说明resolution10/resolution指定输出 BOA 反射率的最高空间分辨率10 米波段B02/B03/B04/B08。Sen2Cor 会自动重采样 20 米B05/B06/B07/B8A/B11/B12和 60 米B01/B09/B10波段至 10 米确保所有波段空间对齐。aot_retrievaltrue/aot_retrieval启用气溶胶光学厚度反演。这是提升 BOA 精度的核心尤其对红边波段B05/B06/B07影响显著。关闭则用默认气溶胶模型误差可达 ±0.05 反射率单位。cloud_buffer10/cloud_buffer云掩膜边缘扩展 10 像素约 100 米防止云阴影误判为有效像元。实测表明cloud_buffer5时农田边缘常被误剔除10是平衡精度与覆盖率的阈值。dem_sourceSRTM/dem_source强制使用 SRTM DEM而非 Copernicus GLO-30因后者在山区存在空洞导致地形校正失败。步骤 3命令行执行 L2A 处理# Linux 系统假设 Sen2Cor 安装在 /opt/sen2cor /opt/sen2cor/bin/L2A_Process.sh \ --config/home/user/sen2cor_config.xml \ /home/user/data/s2_l1c/S2A_MSIL1C_20230512T030551_N0509_R075_T49QEE_20230512T050611.SAFE # Windows 系统路径用反斜杠 C:\Users\user\sen2cor\L2A_Process.bat ^ --configC:\user\sen2cor_config.xml ^ C:\user\data\s2_l1c\S2A_MSIL1C_20230512T030551_N0509_R075_T49QEE_20230512T050611.SAFE执行逻辑L2A_Process.sh会自动① 解析 L1C 元数据获取太阳天顶角、观测几何② 下载对应区域 SRTM DEM首次运行需网络③ 运行 6S 大气辐射传输模型反演气溶胶和水汽④ 生成 L2A 产品结构为S2A_MSIL2A_20230512T030551_N0509_R075_T49QEE_20230512T050611.SAFE/内含IMG_DATA/R10m/10 米 BOA 反射率B02/B03/B04/B08IMG_DATA/R20m/20 米 BOA 反射率B05/B06/B07/B8A/B11/B12IMG_DATA/R60m/60 米 BOA 反射率B01/B09/B10MASKS/云掩膜CLDPRB_20m.jp2、雪掩膜SNWPRB_20m.jp2GRANULE/L2A_T49QEE_A027027_20230512T030551/IMG_DATA/T49QEE_20230512T030551_SCL_20m.jp2场景分类图SCL值含义0NO_DATA, 1SC_SATURATED, 2INVALID, 3NOT_OBSERVED, 4VEGETATION, 5BARE_SOIL, 6WATER, 7CLOUD_MEDIUM_PROBA, 8CLOUD_HIGH_PROBA, 9THIN_CIRRUS, 10SNOW验证方法用 GDAL 读取T49QEE_20230512T030551_SCL_20m.jp2统计像素值分布。若cloud_high_proba (8)和thin_cirrus (9)占比 30%说明当日云量大该景不宜用于时序分析若vegetation (4)占比突增可能对应作物拔节期。4. 避坑指南SNAP 处理 Sentinel-1/2 时 5 个高频翻车现场与血泪解法新手在 SNAP 上处理哨兵数据90% 的失败不是代码写错而是对数据物理特性和软件设计逻辑的误判。以下是我带 3 个团队、处理超 2000 景 Sentinel 数据后总结的硬核避坑清单每一条都对应真实项目延期事故。4.1 现象Apply-Orbit-File运行成功但Terrain-Correction输出影像整体偏移 2–3 公里原因轨道文件未正确关联。SNAP 默认从 ESA 服务器下载轨道文件但若处理时网络中断或防火墙拦截它会静默使用过期的“备份轨道”通常为 30 天前导致几何定位偏差。Apply-Orbit-File日志中Using orbit file from local cache不代表文件有效。解决强制指定最新轨道文件。先访问 https://qc.sentinel1.eo.esa.int 查找对应时间的精密轨道文件如S1A_OPER_AUX_POEORB_OPOD_20230512T120000_V20230510T225942_20230512T005942.EOF下载后在Apply-Orbit-File参数中勾选External Orbit File并指向该.EOF文件。GPT XML 中对应字段为orbitTypeExternal Orbit File/orbitType externalOrbitFile/path/to/S1A_OPER_AUX_POEORB_20230512T120000.EOF/externalOrbitFile4.2 现象Sentinel-1Calibration后Sigma0_VV波段全为NaNGDAL 读取显示NoData Value -inf原因输入 GRD 数据的Measurement子文件夹中vv极化影像的.tiff文件头损坏或 SNAP 读取时未识别到valid_pixel_expression。常见于用rsync传输.SAFE时未加-a参数导致部分.xml元数据丢失。解决用gdalinfo检查原始 GRD 影像gdalinfo ~/data/s1/S1A_IW_GRDH_1SDV_20230512T102914_20230512T102939_048422_05D1E7_5F3F.SAFE/manifest.safe | grep -A5 measurement若输出中valid_pixel_expression为空说明元数据损坏。唯一解法是重新下载该景数据。切勿尝试用gdal_translate强制修复会导致辐射定标系数错误。4.3 现象Sentinel-2L2A_Process运行到 85% 卡死日志末尾显示ERROR 4: Unable to open EPSG support file gcs.csv原因Sen2Cor 依赖 GDAL 的 EPSG 坐标系数据库但某些 Linux 发行版如 Ubuntu 24.04的 GDAL 包未包含gcs.csv。SNAP 自带的 GDAL 版本较旧不兼容新系统。解决手动复制系统 GDAL 的坐标系文件。查找系统 GDAL 路径find /usr -name gcs.csv 2/dev/null # 通常为 /usr/share/gdal/gcs.csv然后覆盖 Sen2Cor 的 GDAL 目录cp /usr/share/gdal/gcs.csv /opt/sen2cor/share/gdal/若/opt/sen2cor/share/gdal/不存在创建之。4.4 现象Terrain-Correction输出的 GeoTIFF 在 QGIS 中显示为纯黑但gdalinfo显示Min0.0001, Max0.8原因SNAP 默认输出浮点型 GeoTIFFFloat32而 QGIS 的渲染器对浮点数据的拉伸策略与整型不同导致直方图拉伸失效。这不是数据问题是显示问题。解决两种方案任选其一① 在 QGIS 中右键图层 →Properties → Symbology→Render type: Singleband gray→Min/Max: Cumulative count cut (2.0% / 98.0%)→Apply② 用 GDAL 重编码为UInt16推荐节省存储且兼容性好gdal_translate -ot UInt16 -scale 0 0.8 0 65535 \ S1A_20230512_sigma0.tif S1A_20230512_sigma0_uint16.tif-scale 0 0.8 0 65535表示将原始 0–0.8 线性映射到 0–65535保留全部动态范围。4.5 现象批量处理 50 景 Sentinel-1 时gpt.sh运行到第 32 景突然报错java.lang.OutOfMemoryError: Java heap space原因SNAP 的 GPT 默认 JVM 堆内存为 2GB处理 SAR 数据尤其多极化地形校正时内存峰值常超 3GB。单景可能成功但 JVM 内存未及时释放累积到某景触发 OOM。解决增大 GPT 的 JVM 内存上限。编辑/opt/snap/bin/gpt.sh找到DEFAULT_JVM_OPTIONS行修改为DEFAULT_JVM_OPTIONS-Xms2g -Xmx8g -XX:UseG1GC-Xmx8g表示最大堆内存 8GB-XX:UseG1GC启用 G1 垃圾回收器对大内存场景更稳定。保存后重启终端生效。5. 进阶技巧用 Python 自动化串联 Sentinel-1/2 预处理并生成质量报告当项目涉及数十景甚至上百景数据时手动点击或写一堆 shell 脚本已不可持续。我团队落地的方案是用 Python 调用 SNAP 的 GPT 命令行同时集成 GDAL、Rasterio、Pandas 进行自动化质检。核心不是“把流程跑通”而是“让每景数据的预处理结果自带可信度标签”。5.1 构建可复用的预处理调度器s2_s1_pipeline.pyimport os import subprocess import pandas as pd from pathlib import Path import rasterio from rasterio.plot import show import numpy as np class SentinelPipeline: def __init__(self, snap_bin/opt/snap/bin/gpt.sh, sen2cor_bin/opt/sen2cor/bin/L2A_Process.sh): self.snap_bin snap_bin self.sen2cor_bin sen2cor_bin self.quality_report [] def run_s1_preproc(self, safe_path: str, output_tif: str): 执行 Sentinel-1 GRD 预处理 xml_path Path(__file__).parent / s1_grd_preproc.xml cmd [ self.snap_bin, str(xml_path), -Pinput, safe_path, -Poutput, output_tif ] result subprocess.run(cmd, capture_outputTrue, textTrue) if result.returncode ! 0: raise RuntimeError(fS1 preproc failed for {safe_path}: {result.stderr}) # 质检检查输出是否为有效 GeoTIFF with rasterio.open(output_tif) as src: data src.read(1) valid_ratio np.isfinite(data).sum() / data.size self.quality_report.append({ product: Path(safe_path).stem, type: S1, valid_pixel_ratio: round(valid_ratio, 4), min_val: float(np.nanmin(data)), max_val: float(np.nanmax(data)), status: OK if valid_ratio 0.9 else LOW_COVERAGE }) def run_s2_l2a(self, safe_path: str, output_dir: str): 执行 Sentinel-2 L1C 到 L2A 转换 cmd [self.sen2cor_bin, --output_dir, output_dir, safe_path] result subprocess.run(cmd, capture_outputTrue, textTrue) if result.returncode ! 0: raise RuntimeError(fS2 L2A failed for {safe_path}: {result.stderr}) # 质检读取 SCL 掩膜统计云量 l2a_safe Path(output_dir) / f{Path(safe_path).stem.replace(MSIL1C, MSIL2A)}.SAFE scl_path list(l2a_safe.rglob(SCL_20m.jp2))[0] with rasterio.open(scl_path) as src: scl src.read(1) cloud_ratio ((scl 8) | (scl 9)).sum() / scl.size self.quality_report.append({ product: Path(safe_path).stem, type: S2, cloud_cover_ratio: round(cloud_ratio, 4), vegetation_ratio: (scl 4).sum() / scl.size, status: OK if cloud_ratio 0.15 else CLOUDY }) def generate_report(self, report_path: str): 生成 CSV 质量报告 df pd.DataFrame(self.quality_report) df.to_csv(report_path, indexFalse) print(fQuality report saved to {report_path}) return df # 使用示例 pipeline SentinelPipeline() # 处理一景 S1 pipeline.run_s1_preproc( /home/user/data/s1/S1A_IW_GRDH_1SDV_20230512T102914_20230512T102939_048422_05D1E7_5F3F.SAFE, /home/user/data/s1_proc/S1A_20230512_sigma0.tif ) # 处理一景 S2 pipeline.run_s2_l2a( /home/user/data/s2_l1c/S2A_MSIL1C_20230512T030551_N0509_R075_T49QEE_20230512T050611.SAFE, /home/user/data/s2_l2a/ ) # 生成报告 pipeline.generate_report(/home/user/data/quality_report.csv)代码逻辑说明run_s1_preproc不仅调用 GPT还用rasterio读取输出 TIFF计算有效像素占比valid_pixel_ratio。若低于 0.9说明地形校正时 DEM 空洞或投影异常该景需人工复查。run_s2_l2a重点质检SCL分类图cloud_cover_ratio是决策关键指标。我们项目约定cloud_cover_ratio 0.15的景自动归入low_priority文件夹不参与 NDVI 时序拟合。generate_report输出 CSV字段含product,type,status可直接导入数据库或本文还有配套的精品资源点击获取