docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,165 @@
|
||||
---
|
||||
id: wiki-2026-0508-sar
|
||||
title: SAR (Synthetic Aperture Radar)
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Synthetic Aperture Radar, SAR imagery]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [sar, remote-sensing, radar, geospatial, deep-learning]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: SNAP / PyTorch
|
||||
---
|
||||
|
||||
# SAR (Synthetic Aperture Radar)
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 active microwave imaging — 매 cloud/night 무관 의 24/7 Earth observation"**. 매 1950s aircraft radar 로 시작 → 매 Sentinel-1 (ESA, free), Capella, ICEYE, Umbra 등 매 commercial smallsat constellation 으로 daily revisit. 매 deep learning (despeckling, segmentation, change detection) 이 매 traditional SAR processing pipeline 을 재편.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 물리
|
||||
- **Active sensor**: own microwave (C-band 5.4GHz, X-band 9.6GHz, L-band 1.3GHz) 송신, backscatter 측정.
|
||||
- **Synthetic aperture**: 매 platform motion 으로 매 large virtual antenna 합성 → sub-meter resolution.
|
||||
- **Polarimetry**: HH/HV/VH/VV → material/structure 정보.
|
||||
- **Interferometry (InSAR)**: phase difference 로 매 mm-level surface deformation.
|
||||
|
||||
### 매 Data products
|
||||
- **SLC** (Single Look Complex): phase 보존, InSAR 용.
|
||||
- **GRD** (Ground Range Detected): amplitude only, 일반 분석.
|
||||
- **Speckle noise**: multiplicative, log-normal — 매 deep despeckling 의 핵심 challenge.
|
||||
|
||||
### 매 응용
|
||||
1. Maritime surveillance (ship detection, dark-vessel via AIS-cross).
|
||||
2. Disaster response (flood mapping, earthquake deformation).
|
||||
3. Agriculture (crop type, soil moisture).
|
||||
4. Defense (change detection, target classification).
|
||||
5. Subsidence monitoring (city, mining, dam).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Sentinel-1 download (sentinelsat)
|
||||
```python
|
||||
from sentinelsat import SentinelAPI
|
||||
from datetime import date
|
||||
|
||||
api = SentinelAPI("user", "pass", "https://apihub.copernicus.eu/apihub")
|
||||
products = api.query(
|
||||
footprint="POLYGON((127 37, 128 37, 128 38, 127 38, 127 37))",
|
||||
date=(date(2026, 1, 1), date(2026, 5, 1)),
|
||||
platformname="Sentinel-1",
|
||||
producttype="GRD",
|
||||
)
|
||||
api.download_all(products)
|
||||
```
|
||||
|
||||
### Speckle filtering (Refined Lee)
|
||||
```python
|
||||
import numpy as np
|
||||
from scipy.ndimage import generic_filter
|
||||
|
||||
def refined_lee(img, size=7):
|
||||
def filter_fn(window):
|
||||
mean = window.mean()
|
||||
var = window.var()
|
||||
cu = 0.523 # SAR ENL-derived
|
||||
ci = np.sqrt(var) / mean if mean else 0
|
||||
w = max(0, (ci**2 - cu**2) / (ci**2 * (1 + cu**2)))
|
||||
return mean + w * (window[len(window)//2] - mean)
|
||||
return generic_filter(img, filter_fn, size=size)
|
||||
```
|
||||
|
||||
### Deep despeckling (SAR-CNN, 2026 SOTA)
|
||||
```python
|
||||
import torch.nn as nn
|
||||
|
||||
class SARCNN(nn.Module):
|
||||
def __init__(self, depth=17):
|
||||
super().__init__()
|
||||
layers = [nn.Conv2d(1, 64, 3, padding=1), nn.ReLU()]
|
||||
for _ in range(depth - 2):
|
||||
layers += [nn.Conv2d(64, 64, 3, padding=1),
|
||||
nn.BatchNorm2d(64), nn.ReLU()]
|
||||
layers.append(nn.Conv2d(64, 1, 3, padding=1))
|
||||
self.net = nn.Sequential(*layers)
|
||||
|
||||
def forward(self, x):
|
||||
# log domain — speckle becomes additive
|
||||
return torch.log(x + 1e-6) - self.net(torch.log(x + 1e-6))
|
||||
```
|
||||
|
||||
### Ship detection (CFAR + YOLO-SAR)
|
||||
```python
|
||||
from ultralytics import YOLO
|
||||
|
||||
# Fine-tuned on SSDD/HRSID dataset
|
||||
model = YOLO("yolov8-sar-ship.pt")
|
||||
results = model("sentinel1_grd_tile.tif", conf=0.4, imgsz=1024)
|
||||
for box in results[0].boxes:
|
||||
lon, lat = pixel_to_geo(box.xywh[0][:2])
|
||||
print(f"Ship @ {lat:.4f},{lon:.4f} conf={box.conf.item():.2f}")
|
||||
```
|
||||
|
||||
### InSAR coherence + interferogram (snappy)
|
||||
```python
|
||||
# ESA SNAP via snappy: master/slave coregistration → ifg
|
||||
from snappy import GPF, ProductIO
|
||||
|
||||
master = ProductIO.readProduct("S1A_master.zip")
|
||||
slave = ProductIO.readProduct("S1A_slave.zip")
|
||||
coreg = GPF.createProduct("Back-Geocoding", params, [master, slave])
|
||||
ifg = GPF.createProduct("Interferogram", {"includeCoherence": True}, coreg)
|
||||
ProductIO.writeProduct(ifg, "ifg.dim", "BEAM-DIMAP")
|
||||
```
|
||||
|
||||
### Flood change detection
|
||||
```python
|
||||
import rasterio
|
||||
import numpy as np
|
||||
|
||||
with rasterio.open("pre.tif") as a, rasterio.open("post.tif") as b:
|
||||
pre, post = a.read(1), b.read(1)
|
||||
# Log-ratio
|
||||
lr = np.log10(post / (pre + 1e-6))
|
||||
flood_mask = lr < -0.5 # darker = water in VV
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Free, weekly revisit | Sentinel-1 GRD |
|
||||
| Sub-daily, sub-meter | Capella / ICEYE / Umbra commercial |
|
||||
| Deformation (mm) | InSAR time series (Sentinel-1, ALOS-2 L-band) |
|
||||
| Foliage penetration | L-band (ALOS, NISAR 2026) |
|
||||
| Maritime wide-area | Sentinel-1 EW + AIS fusion |
|
||||
|
||||
**기본값**: Sentinel-1 GRD + deep despeckling + YOLO-SAR for object tasks.
|
||||
|
||||
## 🔗 Graph
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: report generation from detection outputs, multi-modal SAR+optical fusion via VLM (Prithvi-SAR, 2026), tasking-orchestration agents.
|
||||
**언제 X**: pixel-level despeckling/segmentation — use specialized CNN/transformer, not LLM.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Speckle ignored**: training optical CNN directly on SAR amplitude — speckle dominates loss.
|
||||
- **No log/dB conversion**: SAR has 60+ dB dynamic range; visualize/train in dB scale.
|
||||
- **Geocoding skipped**: pixel coords ≠ geographic — terrain correction required.
|
||||
- **Single polarization**: dual-pol (VV+VH) gives material discrimination essentially free.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (ESA Copernicus, NASA NISAR docs, Capella tech papers).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — SAR physics, deep despeckling, ship/flood detection |
|
||||
Reference in New Issue
Block a user