企业官网建设流程全解析

做InSAR时间序列的朋友，多多少少都听过PITSAR这个名字。它是Python写的一套InSAR时序分析工具，专门用来接ISCE产出的干涉图堆栈，做SBAS和PS反演，最终给出毫米级的形变速率和时间序列。用一句话概括：干涉图生产完以后，真正“盘活”这些数据的就是PITSAR这类工具。这篇文章把我实际使用PITSAR的经验摊开讲，从环境搭建、数据处理到参数调试和踩坑，尽量把你可能走弯路的地方提前指出来。适合刚接触InSAR时序、准备处理Sentinel-1数据的研究生或工程师参考，也适合准备从GAMMA转向开源工具链的从业者。

1. PITSAR到底是什么：一个能帮你把InSAR数据“盘活”的库

1.1 InSAR时序分析的痛点与PITSAR的定位

先聊为什么需要它。合成孔径雷达干涉测量，也就是InSAR，基本原理是用两景SAR数据的相位差来测量地表形变。单幅干涉图看着漂亮，但里面混着有大气延迟、轨道误差、地形残差。一次干涉的形变信号，经常被各类误差项淹没。时序InSAR的思路，就是用同一区域几十甚至上百景数据，把所有干涉图放在一个网络里反演，把系统性误差和真实形变分离。这个思路最常用的两种实现，一个是SBAS小基线集，一个是PS永久散射体。

PITSAR做的工作，正好就是这个“反演”环节。它在功能上相当于把商业软件里的时序模块开源化。输入是ISCE做好的干涉图堆栈，输出是速率和时间序列，中间的相位解缠、网络平差、大气滤波都封装成了可调用的模块。对研究者来说好处很直接，你不需要自己去写最小二乘平差的核心代码，却能看到每一步的中间结果。对于只用过GAMMA这类商业软件的人，PITSAR最大的价值是透明，你可以随时打开源码查看“这一步到底对相位做了什么”。

1.2 PITSAR能处理哪些数据与输出什么

PITSAR最顺手的数据来源是Sentinel-1，因为ISCE对Sentinel-1 TOPS模式支持得最好。ALOS-2、TerraSAR-X也可以，前提是ISCE能把干涉图堆栈按PITSAR需要的目录结构产出来。数据分辨率、轨道参数这些差异，对PITSAR来说影响不大，它更关心的是你喂进来的干涉图本身质量如何。

处理完之后，你会得到几样东西：平均形变速率图、累计形变时间序列、残差相位图。速率图适合直接叠加到GIS里出图，时间序列适合在单个像元上画曲线做物理解释。对于做地面沉降、矿区形变、滑坡监测的人，这套输出基本够用了。如果你还想要中间诊断产品，它一般也会保留每个步骤的临时文件，比如滤波后的相位、解缠后的相位、网络初步反演结果，方便你定位“结果不对劲到底出在哪一步”。

另外，PITSAR还有一批后处理脚本，可以帮你做空间滤波和时间滤波，把大气相位估出来并从时序里扣掉。这一步日常用得很多，因为不做大气校正的话，很多小区域的形变信号会被掩盖。

1.3 谁适合用PITSAR

学生和科研人员是最典型的用户，因为整套流程开源免费，适合折腾。做工程项目的朋友也可以把PITSAR当成算法内核集成进自己的流程，只要你对Python和Linux有一定基础。如果完全没碰过Linux和遥感数据处理，我建议先跑通一个ISCE的基础干涉流程，再来碰时序部分，否则在哪里卡住都不知道。

从另一个角度看，PITSAR也适合那些想摆脱黑盒工具的人。你可能会在毕业论文或项目报告里写“使用了PITSAR进行SBAS反演”，但如果你说不清楚它内部到底怎么解算，评审一问就露馅。把这篇文章里讲到的原理和参数逻辑弄明白，至少能应付大多数提问场景。

2. 环境准备与工具链选型

2.1 为什么通常把ISCE和PITSAR搭配使用

很多第一次接触PITSAR的人会问：PITSAR是不是一个“大而全”的InSAR软件？不是。PITSAR把重心放在干涉图之后的时序反演，多视、滤波、相位解缠这些步骤，它不打算重复造轮子。ISCE则相反，它对原始SAR数据做配准、干涉、滤波、解缠，输出组织好的堆栈。两者一个管生产，一个管分析，天然互补。

更重要的是，PITSAR熟悉ISCE的目录命名约定。ISCE的stack流程处理完，会生成类似merged/interferograms的树状结构，PITSAR可以直接识别哪些是干涉图、哪些是解缠图、哪些是相干性文件。目录名一旦对不上，PITSAR找文件就会很痛苦，所以提前把工具链约定好非常关键。商业软件用户如果用GAMMA做干涉图，想要接进PITSAR也不是不行，但需要把数据整理成它能识别的命名和栅格格式，工作量不小。既然PITSAR官方就是按ISCE习惯设计，直接用ISCE是最省事的选择。

2.2 安装步骤与版本坑

安装PITSAR前，先把ISCE装好。实际踩下来最稳的方法，是先用conda单独建一个环境，避免和其他项目的Python包互相干扰。有个干净环境的好处是，后面跑大量数据时不用反复担心某个库版本冲突。具体可以这样：

conda create -n insar python=3.8 conda activate insar conda install -c conda-forge isce gdal numpy scipy matplotlib h5py

装完ISCE之后，再从GitHub把PITSAR仓库clone下来并安装：

git clone <PITSAR的官方仓库地址> pitsar cd pitsar pip install -e .

我自己第一次装的时候踩过的坑是这样的：先pip install pitsar，结果运行时报错说找不到某个ISCE模块。后来才发现，PITSAR运行时会主动import ISCE的库，所以必须先保证ISCE在同一个conda环境里能正常import。顺序反了，就算装完也会出现一堆奇怪的ModuleNotFoundError。还有一次我图省事用了系统Python，结果系统Python里已经有一个老旧的numpy版本，导致PITSAR里某个矩阵运算报错，换成conda环境后问题立刻消失。

提示：PITSAR部分早期代码是在Python2时代写的，现在务必用Python3环境。装完记得用示例数据跑一遍完整流程，这一步能省下后续调试的三五个小时。

2.3 建议的数据目录结构

用ISCE跑完stack之后，通常建议把数据整理成类似下面的结构：

/path/to/project/ ├── dem.dem ├── dem.wgs84 ├── merged/ │ ├── interferograms/ │ │ ├── 20180101_20180113/ │ │ ├── 20180101_20180125/ │ │ └── ... │ ├── geocoded/ │ └── ... ├── config.txt

PITSAR关心的是merged下哪些干涉图参与反演。你在stack里生成了100对干涉图，不代表都要喂给SBAS。时间基线特别长的、相干性特别差的、解缠质量明显不行的，完全可以不参与。所以我习惯在merged之外单独维护一张干涉图清单，内容是“序号、日期对、相干性均值、是否参与”，这个清单也是后面调参的第一手依据。没有这张表，你对着几百个目录名根本记不住谁是谁。

3. 实操流程：跑通一次SBAS时序

3.1 第一步：确定研究区和裁剪范围

时序处理最大的敌人是数据量。完整一条Sentinel-1的条带，干涉图堆栈可能占几十GB甚至上百GB。第一次调试时，强烈建议只保留研究区附近的一个小窗口，并行数也不要开太高，先把流程跑通再说。

裁剪有两种常见做法：一种是在ISCE stack阶段就裁剪，另一种是在PITSAR读取时通过配置文件指定行列范围。后一种更适合调试，因为你可以快速比较不同裁剪大小的效果而不必重新生产数据。我自己习惯用后一种，先设定一个200x200像元的窗口把流程跑通，确认反演结果合理之后，再逐步扩大。等窗口变大之后，内存压力会显著上升，处理时间也会从分钟级变成小时级，这是完全正常的。

我见过有人直接拿全条带数据跑，结果跑了三天才意识到参考点没选好，等于所有计算全部白费。顺序很重要：先小区域验证，再上全量。

3.2 第二步：筛选干涉图组合

SBAS的核心思想是“小基线”，也就是时空基线都不能太大。空间基线太大会导致去相干，时间基线太大会导致植被区相位不稳定。筛选时我常用的原则：

• 空间基线控制在150米以内，严格的时候压到100米；
• 时间基线按研究区植被情况灵活设置，城市区可以到100天以上，农田和林区最好控制在60天以内；
• 如果数据来自多个轨道，不要混在一个SBAS网络里反演，除非你做了轨道精校正且验证过一致性；
• 同一时间段内，优先保留相干性明显更好的干涉对。

这些标准没有统一答案，季节和地物差异很大。冬季的干涉图相干性往往明显好于夏季，因为植物落叶后相位稳定性更高。筛选完干涉图后，要检查一下整网的连接性。SBAS反演要求干涉图网络把每一景数据连成一张图，如果某些日期的景没有任何干涉图连到网络上，这一景参与反演时不仅没帮助，可能还会让矩阵更病态。

3.3 第三步：编写PITSAR配置文件并启动

PITSAR一般不是让你在交互式Python里敲一行命令就完事，而是通过一个配置脚本把参数传给反演模块。配置里最核心的几类参数是：

• 数据路径类：merged目录位置、DEM路径、干涉图列表；
• 反演参数类：参考点坐标、滤波窗口大小、是否做大气校正；
• 输出控制类：输出目录、需要导出的中间结果。

一个简化的配置看起来是这样，不同版本字段会略有差别，以你本地README为准：

[data] data_dir = /path/to/project/merged dem = /path/to/project/dem.wgs84 mask = /path/to/project/mask.rdr [sbas] ref_x = 152 ref_y = 240 filter_strength = 2 unwrap_threshold = 0.35 atmos_filter = true

然后启动脚本大致是：

from pitsar.insar import sbas config = load_config('config.txt') sbas.run(config)

这里写的是我习惯的调用方式。PITSAR的API各版本存在调整，实际使用时先读一下项目里的example脚本，通常一两分钟就能对上。启动之后，会看到日志滚动。第一次跑的时候，重点看两处：一是“读入多少景、多少对干涉图”，二是“反演矩阵是否满秩”。前者告诉你配置有没有读对，后者告诉你网络连接是否健康。如果矩阵不满秩，多数情况是干涉对没有把所有的日期“串”起来，需要回去补几对小基线的干涉对。

3.4 第四步：检查中间结果

反演完成后，先别急着换大范围。每次拿到第一版结果，我会先打开速率图看几眼：

• 速率图上是否出现明显的“条纹”或“棋盘格”，如果有，多半是解缠误差或轨道残留没有消除干净；
• 参考点所在的像元是否接近0。参考点本身是人为假设的零形变点，如果它自己的速率都不接近0，说明参考点位置或者相位网络平差有问题；
• 速率图有没有跨越断层、河流这种突然跳变的边界，如果有，先想想是不是真实形变，再考虑是不是解缠跳变。

时间序列也是一个验证的好工具。挑一个熟悉的地物目标，比如一座稳定建筑、一条道路交叉口，如果那里的累计形变在毫米级抖动而没有任何趋势，说明整体流程是干净的。如果时间序列上有莫名其妙的台阶，通常是某一对干涉图出现整周跳变，把那一对剔除后重跑就行。

4. 参数背后的原理与结果解读

4.1 SBAS反演原理落地到参数选择

SBAS从数学上看，就是解一个带正则化的最小二乘问题。每一幅解缠干涉图是不同日期之间相位差的观测值，所有干涉图放在一起，就变成了对未知相位时间序列的线性方程组。当干涉图网络是欠定的，需要用SVD求最小范数解，这时候正则化参数就变得很重要。PITSAR里对网络平差这部分有默认算子，普通场景直接使用默认值即可，但当你的干涉图数量特别少，或者网络严重不完整时，手动调节会让结果稳定许多。

参考点坐标是最容易被忽略的参数。很多人随便在图上点一个位置，结果整个速率图都带有偏差。参考点必须是长期稳定的地物，最好是裸岩、人工建筑物这类强散射体，远离植被和季节性水体。我习惯先在平均幅度图上找高相干点，然后对照光学影像确认，选点这一步值得花20分钟。参考点选对了，后续所有形变速率图才有一个可靠的零基准；选错了，整个区域的形变值都会整体偏移，而且你很难看出来哪里错了。

滤波窗口大小也一样。窗口越大，噪声压得越平，但真实形变细节也被抹得越厉害。在城市沉降监测里，我一般用5x5到7x7的窗口；在矿区这种形变梯度大的地方，窗口太大会让漏斗边界变得肥大，反而不好定量解释。这个参数没有通用最优值，最好针对研究区多跑两个窗口对比。

4.2 大气相位与解缠误差的识别

时序InSAR里最坑人的不是形变反演本身，而是大气相位。水汽分布不均时，干涉图上会出现像云朵一样的相位延迟，这种信号空间尺度大、时间变化快，很容易被误判为地壳形变。PITSAR常规会给大气估计。原理是利用大气相位在时间维上的高频特性，用时间高通滤波把形变信号和大气信号分开。实际使用中，我建议至少保留两个版本的输出：一个是不做大气校正的原始结果，一个是扣过大气的结果。两者对比一下，你就能知道大气对研究区的影响究竟多大。

解缠误差就更隐蔽。一个像元一旦解缠差了一个整周，反映到时间序列上就是一条跳变。检查方法是绘制残差图，如果残差图上存在明显的空间聚集模式而不是随机噪声，那大概率就是某几对干涉图的解缠出了问题。这时候宁可把那几对干涉图剔除，也不要硬留在网络里。一个错误干涉对的破坏力，往往超过十个正常干涉对的贡献。

4.3 结果导出的常见格式与GIS使用

PITSAR输出的GeoTIFF可以直接拉进QGIS或者ArcGIS里叠加浏览。我在出图时一般会再加一步后处理：把相干性阈值过滤后的像元设为无效值，避免把噪声像元画成“好看的形变”。具体阈值可以根据研究区质量在0.3到0.5之间选，这个没有绝对标准，但至少让你的图在汇报时更可信。

速率图里的单位是毫米/年，负值代表远离卫星方向，也就是通常在沉降或地壳拉张；正值代表靠近卫星方向，可能是抬升。如果是Sentinel-1降轨数据，靠近卫星方向大致对应地表抬升，具体还要结合轨道几何，不要想当然。写报告或论文时，也要明确写清楚“视线向形变”，而不是直接说垂直形变，除非你已经做了升轨和降轨的联合解算。

5. 常见错误与排查技巧

5.1 常见错误速查表

以下是我在PITSAR处理中真正遇到过的几类典型问题，整理成一张速查表：

这张表不是特别完备，但它覆盖了绝大多数“流程通了但结果不对”的场景。每次拿到异常结果，我第一件事就是先看参考点，第二件事看残差图，这两个地方能解决一半问题。

5.2 实测中值得抄下来的避坑经验

第一，不要一上来就全数据跑。我见过有人把300景数据直接丢进SBAS，结果跑了三天后才发现参考点选错了，等于全部白跑。正确做法是小窗口、低分辨率先验证，确认所有参数都是合理的，再上全量。

第二，干涉图的筛选比反演参数的调整更影响结果。与其反复调滤波窗口，不如先回去删掉几对明显有问题的干涉图。少而精的连接网络，通常比“大而全”的网络结果稳定得多。我自己的观察是，60到80对质量中上的干涉图，往往比150对“来者不拒”的干涉图网络给出的形变场更平滑、更连续。

第三，注意升轨和降轨数据。如果你只有一种轨道的数据，形变速率只有视线向分量，解释的时候不要直接说垂直形变，只能说视线向形变，这是很多新手写报告时容易犯的表述错误。要得到真正的垂直形变，需要升轨和降轨数据联合解算。

第四，定期存档中间结果。PITSAR每一步都产中间文件，目录名带日期或版本号，方便回溯。过程文件一多，磁盘几周就会被填满，处理完后及时把不需要的粗产品清理掉。别等磁盘满了再清，那时候你可能已经忘记哪些目录是中间产物了。

6. 应用场景扩展与后续学习

6.1 从SBAS到PS点技术

PITSAR除SBAS外也适合做PS类分析，思路是选出长时间保持高相干的散射体，用这些点反演形变。PS分析和SBAS参数侧重不一样，它更关注点目标、去平相位、残余轨道等。城市区域用PS效果通常很好，因为建筑物上强散射点密集。如果你做农村或者山区，PS点稀疏，SBAS面积型结果更实用。不少人在实际项目里会把两者结合使用：PS点用来识别微观形变和稳定地物，SBAS用来获得连续面状形变场，然后互相印证。

6.2 外部大气校正产品怎么接

如果研究区有可用的外部大气延迟产品，比如连续运行参考站或大气模型网格数据，可以直接在反演前把大气相位估计出来并从干涉图中扣掉。这个整合思路很实用，因为PITSAR自带的时间维滤波只能处理部分大气信号，空间尺度大于干涉图范围的大气延迟，单靠数据集内部信息很难完全约束。

具体操作不复杂，核心是把外部大气相位转换到雷达坐标或者地理坐标，然后从解缠相位中减去。做完这一步，再看速率图上的低波数噪声，通常会有肉眼可见的改善。如果你要做高精度形变监测，这一步值得投入时间。

6.3 后处理与融合分析

时序形变结果很少单独用，常见做法是和光学影像、降雨、地下水位数据放到一个系统里综合解释。PITSAR导出的GeoTIFF可以直接被Python的rasterio、geopandas读取，把形变速率图与地下水位测站的散点位置叠加，就能快速判断沉降与水位下降的相关性。同理，将滑坡形变时间序列与降雨曲线画在一起，可以直观看到雨季加速和形变响应之间的时间滞后。

这种叠加分析不需要复杂的WebGIS系统，本地跑一个Python脚本就能做。我在一次矿区沉降分析里，把形变速率图和采空区边界重叠，发现高形变区与采空区边界的吻合度非常高，这种对比比单纯出一张速率图更有说服力。

6.4 下一步学什么

如果PITSAR基本流程已经没问题，我建议接下来弄懂三件事：一是干涉图网络质量评估，二是大气相位时空特性，三是误差传播和协方差估计。这些概念不只在PITSAR有用，换到别的InSAR平台同样适用。工具只是入口，真正值钱的是背后那套形变反演的物理模型理解。

我个人在实际操作中的体会是，PITSAR最擅长的不是让复杂的事情变简单，而是让那些重复劳动变成可控的流程。它的学习曲线不算陡，卡壳最多的永远是数据预处理和网络筛选，而不是反演本身。如果你正准备拿Sentinel-1数据做自己的第一套时间序列，我的建议是：先跑一个小区域，把每一步输出都看懂，再扩大范围。这套流程跑熟练以后，一景一景的SAR数据就不再是分散的干涉图，而是一张能说话的形变演化图。