同一串卫星数据，为什么两家做出来的位移曲线不一样？

一、曲线对不上，先别急着怀疑设备

在形变监测项目里，常见的争论是：同一个测点、同一段时间、两套系统，位移曲线却对不上。一边显示累计变化十几毫米，另一边只有几毫米；一边平顺，一边毛刺。争论到最后往往落在一句话上——“设备不一样”。这个判断经常是错的。

接收机对外输出的并不是“位移”，而是原始观测量：载波相位、伪距、多普勒、信噪比、卫星方位角与高度角。位移曲线是这些观测量经过一连串处理之后的结果——数据预处理与粗差剔除、定位数学模型的选择、整周模糊度解算、对流层与电离层的误差估计、天线相位中心改正、参数估计与质量控制，最后输出坐标序列。这条链路上任何一环的做法不同，最终曲线的形状与量级都可能不同。

换句话说，硬件决定的是这套系统的噪声下限，链路决定的是能不能逼近这个下限。两套设备的噪声水平即使接近，只要链路不同，输出的曲线就可以差别明显——差异尤其集中在长基线站点、强多路径环境，以及降雨与遮挡频发的季节。

二、预处理：先把不可用的东西识别出来

野外环境的原始数据从来不是干净的。低仰角方向的山体与树冠会遮挡卫星，水面、湿土与建筑物会产生反射信号，雷雨与积雪会改变天线周边的电磁环境，通信中断会造成历元缺失，卫星失锁会造成周跳。这些因素在原始观测里表现为信噪比下降、残差异常偏大、相位出现不连续。

环境自适应建模要解决的问题是：不同站点的环境特征不一样，不能用同一套参数去套所有站点。同样是砍掉低仰角数据，山区站点与库区站点的合理截止高度角并不是同一个值；同样判断信号质量，多路径活跃站点与开阔站点的门限也不该相同。按站点自身的长期观测特征建立误差模型，是预处理的第一层。

第二层是粗差与野值的自动剔除。个别历元因为瞬时干扰产生的位置结果，会表现为曲线上一个孤立的尖峰。这类尖峰如果不剔除，一方面会污染趋势拟合，另一方面会被下游当作“位移突变”。剔除算法本身也有取舍：门限放宽，野值留下来；门限收紧，真实的小幅变形可能被一并削掉。工程上常用的做法是结合速率与连续性判断——只有“快且孤立”的才算野值，“慢且持续”的变化要保留。

现场可以核对的一个现象是：有问题的曲线，往往在每天固定时段出现规律性抖动，这说明它更可能是环境引起的，而不是坡体在动。

三、数学模型不是单选题：非差、双差与三差

定位解算的数学模型之争，是链路差异里常被忽略、又影响直接的一环。三种模型各有各的适用条件。

非差模型保留了完整的观测信息，逐颗卫星单独建模，不要求基准站与监测站共视同一批卫星。它的代价是卫星钟差、接收机钟差与大气延迟都要显式建模或估计，模型负担重；换来的是对长基线、对基准站与监测站环境差异较大的场景更稳。

双差模型通过站间与星间作差，把卫星钟差与接收机钟差消掉，是短基线场景中的常用选择，解算效率高、收敛快。它的前提是基准站与监测站能共视足够的同一批卫星，一旦某颗关键卫星在测站方向被山体遮挡，可用观测量会明显减少。

三差模型在时间上再作一次差分，对周跳不敏感，适合用来探测周跳与粗差、处理数据中断段，也常用于动态解算的初始化。

现实工程里很少只用一种。常见策略是按基线长度与观测质量分档：短基线优先双差，中长基线引入非差，周跳与中断段用三差做探测与修复，并根据实时质量指标在各模型之间调整解算模式。这也解释了一个常见现象：两个方案的曲线在短基线上吻合得很好，差异却集中出现在最长的几条基线上——那几条基线恰好是模型选择分歧最大的地方。

以厂家公开参数为例，公开发布的指标中常见的是水平方向与垂直方向分别给出毫米级量级的位移解算精度（以厂家公开参数为例，示例参数以现场标定与解算配置为准），不宜直接当作项目验收的依据。

四、每天同一时间的摆动：恒星日滤波

有经验的运维人员见过这样一条曲线：每天差不多同一时间，重复出现一段方向相同的摆动，第二天又回到原位。这不是坡体在周期性运动，而是多路径效应与卫星几何的周期性重复。

卫星星座相对于地面测站的空间几何，每天会提前约四分钟回到相似状态，这个周期称为恒星日周期，长度约二十三小时五十六分。多路径误差取决于卫星方位高度角与测站周边反射面的关系，所以它天然地跟着这个周期走，表现到曲线上，就是近恒星日周期的重复性波动。

恒星日滤波是针对这一现象的处理方法：取前若干天同一恒星时刻的残差序列，建立该测站的周期性误差模型，再从当前观测中扣除。它的效果取决于两个前提——测站周边的反射环境在这几天里没有发生改变，且真实形变在这一时段内是缓慢的。堤岸坡面开挖、施工堆载、天线周边新增建筑物，都会让原有模型失效。

因此恒星日滤波是补偿手段，不是消除手段。与之配套的是卡尔曼滤波这类状态估计方法：把位移当作一个随时间演化的状态量，结合观测噪声与过程噪声给出估计，既抑制随机噪声，又不至于把真实的加速变形抹平。两者配合的边界，需要按站点逐个标定。

五、毫米级的硬功夫：模糊度、大气与相位中心

当精度要求进入毫米级，链路里有三件事要做扎实，它们也是不同方案之间容易拉开差距的地方。

第一件是整周模糊度解算。 载波相位里含有无法直接观测的整周未知数，把整周模糊度正确固定下来，是得到毫米级坐标的前提。基于贝叶斯的模糊度解算方法，通过概率分布对候选整数组合进行评价，比单纯依赖取整更稳健。代价是模糊度一旦固定错误，坐标会出现分米级甚至米级的跳变，而且跳变之后往往还能保持一段时间的“看起来正常”。所以判定一次跳变是不是真实变形，要看它有没有对应的现场工况与后续趋势，不能只看数值本身。

第二件是中长基线的大气延迟估计。 对流层与电离层的延迟在短基线上可以通过差分大幅抵消，基线变长之后，基准站与监测站上空的延迟不再相关，必须分别估计。峡谷地形的水汽分布、跨江与库区的水汽梯度、昼夜温差引起的对流层变化，都会进入坐标结果。优化的中长基线对流层、电离层估计方法，是长基线站点能给出可用精度的关键。

第三件是天线相位中心的精确改正。 卫星信号到达天线的相位中心，与天线的几何参考点并不重合，而且随卫星高度角与方位角变化。在较高精度的应用里这是一个必须扣除的系统偏差，改正需要与所用天线的相位中心模型对应——模型与实物不匹配，偏差会直接混进位移量，而且这种偏差长期存在、方向相对固定，很容易被误读成缓慢变形。

六、前端与云端的分工，决定曲线的时效

前面几节讲的是算得准，还有一件事是算得及时。

监测点数与采样频率上去之后，如果把所有原始数据都回传到云端集中处理，通信成本、服务器负载与结果时延都会上升。工程上常见的分工是：站端与云端各承担一部分。

前端，也就是站端，通常嵌入恒星日滤波、卡尔曼滤波与突变检测等算法，先把周期性与随机噪声处理掉，并对位移突变做出初判；再配合倾角与加速度等辅助观测，驱动动态与静态解算模式的切换——平稳时段用静态解算换精度，突变时段用动态解算维持跟踪的连续性，减少无效数据上传，也缩短了异常的发现时间。

云端承担的是原始数据的深度处理与规律提取：数据清理与归档、趋势分析、灰预测、切线角分析等模型。切线角分析是判断“等速变形是否转为加速变形”的常用手段——把位移时间曲线按时间取切线角，从平缓到陡升的转折，往往比单看位移量更早提示风险。趋势分析与预测模型的价值，则在于给出未来一段时间的走向参考。

并行数据处理方法要解决的是效率问题：多测点、多采样率、多模型同时运行时，计算任务如何调度，决定了系统的结果更新时效。同样一套硬件，调度方式不同，曲线刷新的及时性就可能差出一个量级。

七、选型与验收时，用户可以核对的四件事

解算链路大多藏在软件里，用户看不见算法细节，但可以核对四件事。

第一件，数据完整率。 约定的时段里，有效历元占比是多少，缺测集中在什么时段、什么原因。完整率不足时，曲线的连续性无从谈起。

第二件，解算精度。 水平方向与垂直方向分别给出指标，并说明该指标对应的基线长度与观测条件——精度指标脱离条件没有意义。

第三件，异常剔除与保留的能力。 这是值得实测的一项：在已知时段人为制造一次已知量级的位移，看系统能否稳定保留；再注入一次已知的粗差，看系统能否剔除。两件事都能做到，才说明链路既有分辨力，又有抗干扰能力。

第四件，出结果的时效。 从历元采集到曲线更新，再到预警判定，端到端需要多久。这个数字直接决定系统对突发变形的响应能力。

除这四项之外，还有一种更直接的核对方式：把同一段原始观测数据分别交给两家解算，用同一份输入去比较两条曲线。硬件可以更换，点位可以重布，但原始观测数据是客观的——两条曲线在同一份输入上的差异，就是链路本身的差异。

形变监测的可信度，最终不取决于设备参数表上的一个精度数字，而取决于从原始观测量到坐标的那条链路，是否每一步都经得起推敲。同一串卫星数据，谁把链路做得更透明、更可核对，谁给出的曲线就更值得被相信。

*注：本文所述解算环节、模型选择与误差处理方式参考行业公开技术资料与通用表述；文中涉及的精度指标以厂家公开参数为例，示例参数以现场标定与解算配置为准，不宜直接作为项目验收依据。具体项目的监测内容、基线长度、解算配置与预警阈值须结合现场条件与专项设计确定。*