搜尋意圖： 如果你在找「合成孔徑雷達 是什麼」或「合成孔徑雷達 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 一種利用雷達信號合成高解析度影像的遙測技術，可穿透雲層與夜間作業，廣泛應用於 AI 地球觀測任務。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
一種利用雷達信號合成高解析度影像的遙測技術，可穿透雲層與夜間作業，廣泛應用於 AI 地球觀測任務。
合成孔徑雷達（Synthetic Aperture Radar，SAR）是現代遙測技術中最重要的工具之一，它結合了雷達物理與信號處理的精妙原理，克服了光學遙測對天氣和光照條件的依賴，成為全天候、全天時地球觀測的核心手段。
傳統真實孔徑雷達（Real Aperture Radar）的角分辨率受限於天線物理尺寸，要獲得高解析度影像需要極大的天線，這在衛星平台上顯然不實際。SAR 的突破在於利用平台（衛星或飛機）的移動，在不同位置連續發射雷達脈衝，接收目標的回波信號，然後透過複雜的信號處理算法（主要是聚焦處理，Focusing）將多個位置接收的信號相干合成，等效為一個比實際天線大得多的「合成孔徑」，從而大幅提升方位向（Azimuth）的解析度。
SAR 的電磁波工作在微波頻段（常見波段包括 C 波段約 5.6GHz、L 波段約 1.3GHz、X 波段約 9.6GHz），微波能夠穿透雲層、雨水與煙霧，且不需要外部光源，系統自己發射雷達波並接收反射回波，因此能夠在夜間和惡劣天氣條件下穩定工作。這一特性使 SAR 在諸多光學衛星無法覆蓋的場景中不可或缺。
隨著深度學習技術的成熟，AI 結合 SAR 影像的應用進入快速發展期。在農業領域，AI 模型分析 SAR 的回波特性（散射係數）來監測作物生長週期、估算農作物面積與識別農業病蟲害。在災害管理領域，洪災或地震後光學衛星因雲層覆蓋常常無法獲取影像，而 SAR 可以穿透雲層持續監測受災區域的地表變化，AI 模型自動偵測建築物倒塌、洪水邊界等關鍵資訊。在海事監測領域，SAR 影像中的船隻識別是 AI 的重要應用，訓練在 SAR 影像上的目標偵測模型可以監控非法捕魚、跟蹤船隻動態。
在技術挑戰上，SAR 影像與光學影像有本質差異，SAR 影像中存在特有的「斑點噪聲（Speckle Noise）」，使得直接應用在光學影像上訓練的深度學習模型效果欠佳。研究者開發了針對 SAR 影像特性的去斑點預處理方法，以及在 SAR 資料上進行預訓練或微調的基礎模型，例如 GeoSAM、SARNet 等，使 AI 能夠更有效地理解和利用 SAR 影像的豐富資訊。
開放資料方面，歐洲太空總署（ESA）的 Sentinel-1 衛星提供免費的 SAR 資料，配合 Google Earth Engine 等雲端平台的資料處理能力，研究者和開發者能夠以相對低廉的成本訓練 SAR 影像 AI 模型，推動了這一領域的快速進展。 合成孔徑雷達（Synthetic Aperture Radar, SAR）是一種主動式遙感技術，通過發射並接收電磁波脈衝生成高解析度影像，可在夜間、雲層、霧霾等光學感測器無法工作的條件下持續運作。近年來，深度學習技術在 SAR 影像分析中的廣泛應用，使其成為 AI 與地球觀測交叉領域的重要研究方向。
SAR 的核心原理是利用平台（衛星或飛機）的移動在時間序列上整合多個天線位置的回波信號，合成等效的大尺寸天線（孔徑），從而在微波波段獲得類似光學相機的空間解析度。常見的 SAR 工作頻段包括 C 波段（Sentinel-1 衛星）、L 波段（ALOS-2）、X 波段（TerraSAR-X）。
在 AI 應用層面，SAR 影像分析面臨獨特的技術挑戰。SAR 影像包含相干斑噪聲（Speckle Noise），表現為顆粒狀的鹽椒噪點，傳統去噪算法（Lee 濾波）會模糊邊緣，深度學習去噪（SAR-CNN, DnCNN）能更好地保留目標細節。
深度學習在 SAR 目標偵測中的應用包括：艦艇偵測（SAR 影像能透過雲層監控海上交通）、飛機識別（SAR 機場監控）、建築物損毀評估（災後快速響應）。SAR-YOLO、SAR-Faster RCNN 等針對 SAR 特性（低對比度、散射圖案代替紋理）改進的偵測模型展現出競爭力。
SAR 時間序列分析（Interferometric SAR, InSAR）結合 LSTM 或 Transformer，可以偵測地表緩慢形變（如地層沉陷、火山脹縮），這在地質災害預警和都市基礎設施監測中有重要的現實意義。
常見問題
SAR 影像與光學衛星影像相比，有哪些優勢和限制？
SAR 的核心優勢是全天候、全天時作業能力。光學衛星影像在有雲層覆蓋時完全無法拍攝，而熱帶地區常年多雲，且光學衛星只能在白天作業。SAR 利用微波信號，不受這些限制。此外，SAR 的不同波段和極化組合能夠感知物體的幾何結構與介電特性，對農作物含水量、土壤濕度、海冰類型等光學影像難以感知的物理特性特別敏感。限制方面，SAR 影像的解讀難度遠高於光學影像，斑點噪聲使影像視覺上「粒粒感」明顯，非專業人員不易直觀理解。SAR 影像的語意解釋也更複雜，同一物體在不同入射角、不同極化模式下的外觀差異很大，這增加了 AI 模型訓練的難度。
AI 模型處理 SAR 影像有哪些特殊的技術挑戰？
AI 模型處理 SAR 影像面臨幾個光學影像處理中不常見的挑戰。首先是斑點噪聲（Speckle Noise）問題，SAR 影像因相干疊加產生的顆粒狀噪聲，導致同質區域內出現明暗不均的紋理，這對基於邊緣和紋理的特徵提取造成干擾，需要在預處理階段進行去斑點（Despeckling）或在模型設計中加入對斑點的魯棒性。其次是幾何畸變問題，SAR 使用斜距（Slant Range）成像，山地地形會產生疊掩（Layover）和陰影（Shadow）效應，使得地形解釋複雜化。第三是標注資料稀缺，高品質的 SAR 影像標注需要遙測專業知識，公開標注資料集數量遠少於光學影像資料集，這限制了監督式學習方法的應用，推動了自監督預訓練在 SAR 領域的研究。
SAR 在 AI 結合遙測的學術研究中，目前最活躍的方向是什麼？
目前 SAR 結合 AI 研究最活躍的幾個方向包括：一是基礎模型（Foundation Model）在 SAR 上的應用，研究者嘗試將視覺基礎模型（如 SAM、ViT）遷移到 SAR 影像域，透過預訓練或少量微調使模型具備 SAR 影像理解能力；二是多模態融合，將 SAR 與光學影像、數位高程模型（DEM）等異質資料融合，利用各類傳感器的互補優勢提升地物分類、目標偵測的準確率；三是變化偵測（Change Detection），利用不同時期的 SAR 影像對，訓練 AI 模型自動識別地表的顯著變化，應用於災害後評估與非法建設監控；四是去斑點深度學習，以端對端的深度神經網路替代傳統濾波器進行 SAR 去斑點處理，在保留細節的同時有效抑制斑點噪聲。