企业官网建设流程全解析

1. 相位里藏着什么：先把手上的数据想明白

合成孔径雷达干涉测量（InSAR）这套东西，说复杂也复杂，说穿了其实就一句话：拿同一块地皮在不同时刻、不同位置的两次雷达回波，做复共轭相乘，把相位差拎出来，再从这堆相位里一层层剥掉不属于地表的成分。剥完之后剩下的那点相位，要么对应地形高程，这就是DEM重建；要么对应地表微小的位移，这就是DInSAR形变监测；如果你把时间轴上几十上百景数据串起来一起解，那就是时序分析。这三个词看起来是三件事，其实共用同一条相位链路，区别只在于你信什么、假设什么、丢掉什么。

我写这篇的出发点很实际：很多刚接触的人卡住的地方，其实并不在于数学公式推导不出来，而在于拿到一景数据不知道下一步该干什么、参数为什么这么填、结果烂了从哪查。星载系统和地基系统怎么选、DEM重建的高程模糊度怎么估、DInSAR的二轨三轨到底差在哪、时序分析里PS和SBAS为什么要分家，这些问题是工程上真正会拦住你的东西。这篇适合已经学过一点雷达遥感基础、准备动手跑一遍完整流程的人，也适合做变形监测、地质灾害普查、矿区沉降、建筑结构健康评估这类活儿、需要判断InSAR结果能不能信的人。下面我按一条真实项目的数据流走一遍，把每个环节的取舍逻辑、参数怎么算、坑在哪，尽量说透。

1.1 干涉相位的六项分解与量级直觉

先把相位账算清楚。两景影像的干涉相位大致可以写成六项之和：平地相位、地形相位、形变相位、大气相位、轨道误差相位、系统噪声。这个分解不是学术摆设，它直接决定你处理流程的先后顺序——先去掉量级最大的，再处理量级小的，最后才谈精度。

平地相位的量级最吓人，在距离向几百公里的幅宽上，整周数可以轻松上万，条纹密到你根本看不出东西，所以任何处理链第一步都是去平地效应，或者干脆在配准后的干涉图生成阶段就用椭球面模型减掉。地形相位是第二大的，在山区它能占掉几千弧度，这就是为什么DInSAR必须引入外部DEM做差分。形变相位通常小得可怜，一次同震几厘米的位移在C波段也才几个弧度，缓慢沉降一年几毫米的话，相位小到需要靠时序手段才能从噪声里捞出来。大气相位是个麻烦精，它跟地形的相关性很强，山区一条山脊上能积出好几厘米的等效误差，而且它随时间变化，单对干涉图里几乎无法和形变区分。轨道误差在长条幅影像上表现为沿方位向的低频斜坡，看起来很像大尺度形变，很多人第一次做宽幅数据就被它骗过。

把量级排好，流程逻辑自然就出来了：去平地 → 去地形 → 滤波压制噪声 → 解缠 → 分离形变与大气/轨道。你按这个顺序走，每一步处理的都是当前残差里的主要成分；你要是顺序乱了，比如先解缠再做地形差分，那解缠出来的整周模糊度就没法跟地形对上，后面全是错的。

1.2 星载与地基：两种系统的取舍不是精度高低，是场景匹配

经常有人问星载和地基哪个好，这问题问得就不对。它们的差别不在精度数字上，而在观测几何和时间采样上。

星载系统的优势是覆盖。一景宽幅数据动辄两三百公里幅宽，能一次性把一整条河谷、一个矿区、一片城市群装进去，重访周期从几天到几十天不等。代价是几何固定——视线角、入射角由轨道决定，你没法为了避开某个陡坡的叠掩去换角度；而且重访间隔长，快速演化的事件容易漏掉。地基系统（也就是常说的GB-SAR，架在轨道上或者固定墩台上的那类）反过来，视场通常只有几百米到几公里，但时间采样可以做到分钟级甚至更短，形变精度在理想条件下能压到亚毫米，还能自由选方位角和俯仰角来绕开遮挡。缺点也明显：单套设备只能盯一个很小的目标，成本高，架设条件受限，风吹雨淋和温度漂移都会直接写进相位里。

我的经验判断是：区域性普查、大范围沉降编目、地震同震形变场这类需求，用星载；单体边坡、大坝、危岩、高层建筑、桥梁这类需要连续盯防且精度要求苛刻的目标，用地基。如果预算允许，两者叠着用效果最好——星载先扫一遍找出可疑点，地基再对重点点位做密集观测，这个组合在工程上非常常见。

1.3 波段选择：C、L、X各自的脾气

波段决定了你能穿透多少、精度有多高、多久会失相干。这三点是相互制约的，没有全都要的好事。

波长越短，同样的物理位移换来的相位越大，灵敏度越高，但大气延迟、植被扰动带来的相位噪声也越大，且两次观测之间植被稍微长长、土壤湿度变一变，相干性就掉了。L波段能扛住几十天甚至更久的时间基线，代价是形变灵敏度低（同样1厘米位移，L波段只有约5度相位变化，C波段有约128度），且电离层影响显著，在低纬度长条幅数据上会出现明显的方位向条纹。

选波段这件事，我一般的判断顺序是：先看目标区的地表覆盖，植被浓密就先想L波段；再看形变速率量级，年沉降几十毫米的用C波段足够，亚毫米级的精细监测得上地基或X波段；最后看数据可得性和成本。别一上来就追求最高精度，很多时候C波段的性价比是最优解。

2. 数据准备与几何配置：错误在这一步埋下就难救了

真正做项目的人都知道，InSAR最难的不是算法，是前面那一堆看起来无聊的准备工作。基线配置选错，后面所有努力白费；辅助数据对不齐，干涉图能出但结果全错位。这一节把输入端的活说清楚。

2.1 影像对的选择：时空基线怎么定

干涉对的选择本质上是相干性预算问题。相干性受四件事影响：热噪声去相干、几何去相干（垂直基线）、时间去相干、体散射去相干（植被）。垂直基线越大，几何去相干越严重；时间间隔越长，时间去相干越严重。

实用做法是先画一张时空基线图，把所有候选影像点在“时间-垂直基线”平面上标出来，然后按场景设定阈值。城市建成区、裸岩、戈壁这类稳定目标，C波段可以放到垂直基线几百米、时间基线一年以上仍然可用；农田、草地、林地，时间基线通常要压到一个植被生长周期以内，C波段可能只有一两个月可用，L波段能放宽到一年甚至更久，但也不能无限放。

垂直基线的硬上限是临界基线，粗估可以用 $B_c \approx \frac{\lambda R \tan\theta}{2\rho_r}$，其中 $\rho_r$ 是距离向分辨率。代入一组典型值：C波段 $\lambda=0.056$ m，斜距 $R=800$ km，入射角 $\theta=35°$，距离向分辨率 5 m，算下来 $B_c$ 在 5 公里量级。这个数字看着很大，但相干性随基线是余弦衰减的，基线到临界基线的三分之一左右，相干性已经掉得很难看了。工程上我一般把垂直基线控制在临界基线的四分之一以内，稳妥。

注意：不要只盯着垂直基线。有些数据集的轨道精度不高，标称的基线本身就有十几米误差，实际配准之后发现基线离谱。养成先看轨道文件质量、再决定影像对的习惯。

2.2 配准精度：千分之一像素不是随便说说

配准是整条链里最容易被低估的环节。干涉相位的质量对配准误差极其敏感，经验值是：配准残差达到 0.1 像素时，相干性损失约 10%；到 0.5 像素，相干性基本掉到没法看。所以方位向要做到 1/1000 像素量级，距离向也要优于 1/100 像素。

实现上通常是粗配准加精配准两级。粗配准用轨道参数算初始偏移，再用地形辅助的地理编码查找表做几何校正；精配准用相干性最大化或相位差最小化在若干窗口内拟合偏移多项式。地形起伏大的区域，多项式阶数不能太低，否则山区边缘会残留系统性偏移，表现为干涉图上的密集条纹或局部完全失相干。我的习惯是在精配准后专门画一张偏移量残差图，看看有没有空间上的规律性结构——如果有，说明多项式拟合不够或地形模型不准，回去改。

另一个容易忽略的点是方位向频谱（多普勒中心）的一致性。如果两景数据的多普勒中心差得太多，方位向的频谱重叠部分变少，方位向分辨率会等效下降，表现为方位向相干性变差。这个在宽幅扫描模式下尤其要注意，因为不同子条带的多普勒中心不一样。

2.3 外部DEM：精度和时效性都要看

DInSAR差分和地理编码都依赖外部DEM。这里有两个坑。

第一个坑是精度。如果外部DEM本身有十几米的高程误差，差分之后这个误差会直接进入形变场，而且它跟地形强相关，看起来像是有规律的地形相关形变，很容易被误解释成地质灾害。选DEM要看它的标称精度和数据年份，特别是有过大规模地表变化的区域（采矿、填海、大规模土方工程），老DEM和当前地形对不上，差分出来会出现人造的“形变”。

第二个坑是坐标系和高程基准。DEM的垂直基准必须和雷达处理链约定的一致，有的产品是大地高，有的是正常高，混用会带来系统性偏移。水平基准也一樣，地理编码的查找表要建立在同一套坐标系下。这个错误特别隐蔽，因为干涉图看起来完全正常，只有到最后叠加对比时才发现在整体平移。

我踩过一次比较典型的坑：用一份公开的30米DEM做差分，在一个坡度很陡的峡谷里，形变场出现了沿等高线分布的条带。排查了半天以为是解缠错误，最后发现是DEM在陡坡处的插值误差被放大，因为地形相位对高程的敏感度在陡坡上极高。后来换成更高分辨率的地形数据、并在差分时对陡坡区域做掩膜，问题才解决。

3. 干涉处理：从配准到解缠的每一步在干什么

这一节是流程的核心段，也是最需要动手调参的地方。我按实际操作顺序走，重点是每个参数为什么这么填。

3.1 干涉图生成与多视：分辨率与噪声的平衡

两景配准后的影像做复共轭相乘，得到干涉图。此时干涉图里包含全部相位成分，条纹密到几乎全黑。紧接着要做的是多视，也就是在距离向和方位向做平均，牺牲空间分辨率换信噪比。

多视因子怎么定？原则是让两个方向的地面分辨率尽量接近，避免一个方向糊成一片、另一个方向还是原样。举例来说，某C波段系统距离向地距分辨率约 5 米，方位向约 20 米，那多视比取 1:4 比较合适，处理后两个方向都在 20 米左右。多视因子过大，条纹会被抹平，细节丢失，小尺度的形变梯度看不出来；过小，噪声压不住，解缠会很难看。

提示：多视不是在流程末尾做的。必须在滤波和解缠之前完成，否则解缠器面对的是满屏噪声。

3.2 去平地与去地形：谁先谁后

严格说，平地相位和地形相位在数学上可以一起减去，因为两者都由几何决定。实际处理时通常是先用椭球面模型去平地，再用外部DEM模拟地形相位并减去。这样分两步走的好处是中间结果可以检查：去平地之后应该能看到地形条纹，去地形之后应该主要剩下形变、大气和噪声。

去地形这一步有一个细节值得说：DEM模拟相位要用和干涉图完全一致的几何参数（轨道、入射角、投影关系），否则会残留系统性的斜坡条纹。如果去地形之后干涉图上仍然有和地形高度相关的密集条纹，八成是DEM和轨道配准有偏差，回去检查地理编码查找表。

3.3 滤波：窗口大小决定你保住了什么

滤波的目的是压制噪声、增强条纹连续性，但滤波必然会损伤相位细节。常用的有空间域的自适应滤波和基于统计特性的非局部滤波，核心参数都是窗口大小。

窗口怎么选？看条纹频率。条纹密的地方（形变梯度大或地形陡）窗口要小，否则条纹被抹平；条纹疏的地方窗口可以大一些，压噪效果好。实操中我会先在一小块典型区域试几个窗口尺寸，对比条纹清晰度和噪声水平，选一个折中值再全图应用。很多处理软件提供自适应滤波，窗口随局部相干性自动调整，这种在形变梯度变化大的区域通常效果更稳。

滤波还有一个副作用容易被忽视：它会改变相位的噪声统计特性，影响后续解缠和时序分析里的权重设计。所以滤波强度要在整个数据集里保持一致，不要一景一个参数，否则时序分析时不同干涉对的权重没法比较。

3.4 相位解缠：整周模糊度是这里唯一的敌人

解缠是把 [-π, π] 的缠绕相位还原成连续相位，本质是给每个像素找一个整数，加上若干倍的 2π。这个整数一旦找错，误差就是整周跳变，对应到高程上是几十米的台阶，对应到形变上是几厘米的错位。

解缠质量和相干性强相关。我通常的做法是先做相干性掩膜，把相干性低于阈值的区域抠掉，阈值在 0.05 到 0.1 之间，具体看数据质量。掩膜掉低相干区之后，解缠器面对的是一个不连续的区域，很多算法能处理，但大块的空白会中断积分路径，产生区域性的偏移。这时候需要用“参考点连接”或者分块解缠再拼接的方式处理，拼接处的整周数要人工核对。

解缠算法大致分路径跟踪类和最小范数类。前者速度快，遇到噪声容易传错；后者全局优化，稳定性好但慢。工程上我一般用最小费用流类型的方法，配合相干性做权重。参数上主要是迭代次数和收敛阈值，默认值通常够用，但如果残差收敛图上还有明显的局部不收敛，就要调整。

3.5 用闭合环路自检：这一步能救你半天时间

解缠完不要急着往下走，先做一次三角闭合检查。找三个像素构成一个环路，把三条相位差的整周数加起来，理论上应该等于零，不为零就说明有解缠错误。全图统计闭合残差的分布，如果残差在零附近的占比很高，说明解缠质量可以；如果残差大面积偏离，说明解缠参数或相干性掩膜有问题。

这个自检步骤很多人跳过，结果在后面做时序分析的时候发现某些点的速率明显异常，回头再查已经浪费了大量时间。我现在的习惯是解缠完必看闭合残差图，哪怕多花二十分钟。

4. DEM重建：从相位到高程的换算细节

用干涉相位反演地形，是InSAR最早也最经典的用法。虽然现在公开的高精度地形数据很多，但在特定区域（高纬度、植被覆盖、境外、更新快的区域）或者对特定精度要求下，自己重建仍然有价值。

4.1 高程模糊度：先算清楚你有多灵敏

高程模糊度 $h_{amb}$ 定义了 2π 相位对应多高的高程变化，是衡量高程反演灵敏度的核心指标：

$h_{amb} = \frac{\lambda R \sin\theta}{2 B_\perp}$

代入一组实际参数：$\lambda = 0.056$ m，$R = 800$ km，$\theta = 35°$，$B_\perp = 150$ m，计算得：

• 分子：$0.056 \times 800000 \times \sin 35° \approx 0.056 \times 800000 \times 0.5736 \approx 25697$
• 除以 $2 \times 150 = 300$
• 得到 $h_{amb} \approx 85.7$ m

也就是说，2π 的相位变化对应约 86 米的高程变化。如果干涉相位测量的随机误差是 0.5 弧度，那高程误差就是：

$\sigma_h = \frac{h_{amb}}{2\pi} \times \sigma_\phi = \frac{85.7}{6.283} \times 0.5 \approx 6.8$ m

这个精度对于中小比例尺地形测绘是可以接受的，但要做得更细就得增大垂直基线或者选择波长更短的波段。注意垂直基线不能无限大，前面说过相干性会衰减，所以这里存在一个明确的最优点，一般在相干性还过得去的范围内取尽可能大的基线。

4.2 星载与地基在DEM重建上的差异

星载做DEM重建，几何是固定的，主要靠不同轨道位置的影像对形成不同的垂直基线。多基线联合可以显著提高高程精度，因为不同基线的模糊度不同，组合起来能解出更精细的高程。实际操作中通常是选取若干条基线适中的影像对，分别解缠、分别转高程，再做加权融合。融合前要先做一致性检查，不同基线反演出来的高程在重叠区应该吻合，如果系统性偏差，说明轨道参数或者几何模型有问题。

地基做地形重建的情况相对少见，但在地形测绘、料堆体积测量、冰川表面监测这类场景里确实有应用。地基系统的优势是可以在短时间内做多次观测，通过方位向合成孔径获得二维分辨，再配合俯仰向扫描形成三维。这里的难点是几何标定，设备的位置、姿态、轨道运动精度直接决定高程精度，标定做不好，反演出来的表面是扭曲的。

4.3 相位转高程后的融合与编辑

解缠相位转成高程之后，得到的是一个浮点高程栅格。这时候的工作量其实在编辑上：去除低相干区域的空洞、和已有地形数据做拼接、处理不同数据集之间的系统性偏差、检查有没有整周跳变造成的台阶。

台阶检测有个简单方法：对高程栅格做梯度计算，看有没有沿某条边界出现的突变。如果有，那条边界很可能就是解缠错误的分界。修正的办法是在错误区域整体加减 $h_{amb}$ 的整数倍，直到和周边高程衔接平滑。这个操作听起来粗暴，但在相干性掩膜做得好的情况下，错误区域通常是孤立的块，加减整周数就能修好。

拼接的时候要注意基准统一。不同批次的数据、不同外部DEM辅助的结果，基准可能差几米。我的做法是选一大片稳定平坦区做控制，把各块高程序列平移到同一基准上，再拼接。

5. DInSAR形变监测：二轨、三轨、四轨怎么选

DInSAR是在干涉的基础上减去地形相位，剩下的就是形变。听起来简单，但“怎么减去地形”这件事有几种不同做法，各有适用条件。

5.1 三种方法的原理差异与适用边界

二轨法：用一景形变前、一景形变后的影像做干涉，再用外部DEM模拟地形相位并减去。优点是数据需求少，两景就够；缺点是完全依赖外部DEM的精度，DEM误差会直接进入形变结果，而且DEM和影像的配准误差也会变成假形变。这是目前最主流的方法，因为公开地形数据质量已经不错了。

三轨法：用三景影像，其中一对是形变前的（假设无形变），用来提取地形相位，另一对是跨形变的，减掉前一对的地形相位得到形变。优点是不需要外部DEM，避免了DEM误差；缺点是对“形变前那一对确实没有形变”这个假设依赖很强，如果那段时间目标区也在缓慢变形，误差就进去了。

四轨法：用四景，两对分别做地形和形变，进一步降低对单对数据质量的依赖，也便于交叉验证。代价是数据量和处理量翻倍。

我一般的判断标准是：有高质量外部地形数据（比如高分辨率、年份较新）的区域优先用二轨法，简单可靠；数据稀缺区域或者对精度要求极高、需要排除DEM误差干扰的场合，用三轨或四轨。矿区这类持续变形的区域不适合三轨法，因为很难找到真正“无形变”的时间段。

5.2 视线向与真实位移的换算：别把自己的结果吹过头

InSAR测到的是视线向（LOS）位移，也就是地表位移在雷达视线方向上的投影。这个值通常比真实的三维位移小，因为水平方向的位移投影到视线向会被压缩。

如果假设地表位移只有垂直分量，那么：

$d_v = \frac{d_{LOS}}{\cos\theta}$

入射角 35° 时，$\cos\theta \approx 0.819$，也就是说视线的 1 厘米对应垂直方向约 1.22 厘米。这个放大系数看着不大，但如果实际存在显著的水平位移（比如滑坡的滑移、断层的走滑），直接按垂直假设换算会严重高估或低估。

严谨的做法是联合升降轨数据。升轨和降轨的视线方向不同，两组观测可以解出垂直和东西向两个分量；要解南北向还需要额外的几何条件，通常难以获得，因为卫星轨道接近极轨，南北向的灵敏度极低，这是星载InSAR的固有短板。

我见过不少报告直接拿LOS速率当沉降速率写，虽然方向差一点，但结论方向不至于错，可一旦涉及责任认定或者工程决策，这种粗糙就危险了。写报告时至少要把“这是视线向速率”标清楚。

5.3 精度天花板与误差源核算

单对DInSAR的形变测量精度，理论上受相位噪声限制，实际中几乎总是被大气延迟卡住。C波段下，单对干涉图的形变精度典型值在 1 厘米量级，山区可能更差。想做到毫米级，必须靠时序方法。

主要误差源按影响量级排：

轨道误差的去除相对容易，因为它在空间上是低频的，用多项式拟合残差相位再减掉就行。但如果形变本身也是大尺度的（比如盆地整体沉降），多项式和形变就很难分开，这是DInSAR的一个固有模糊。

6. 时序分析：PS和SBAS不是二选一，是两条路

单对干涉只能看到两个时刻之间的总位移，要拿到形变的时间序列和速率，必须把多期数据联合起来解算。这就是时序InSAR，核心思路是：选择一批相位稳定的点，建立相位与时间、高程、形变的函数模型，用最小二乘或者奇异值分解解出未知量。

6.1 选点策略：什么样的像素值得信任

PS方法选的是永久散射体，也就是那些在时间上雷达反射特性非常稳定的目标，比如建筑的金属构件、裸岩、桥梁的角反射结构。选点指标通常有：振幅离差指数、时序相干性、相位稳定性。

振幅离差指数定义为振幅时间序列的标准差除以均值，经验阈值在 0.25 左右，低于这个值说明反射稳定。但振幅稳定不等于相位稳定，所以更可靠的做法是用振幅离差做初选，再用相位时序拟合的残差做二次筛选。

选点密度直接决定结果的空间覆盖。城市区域能选出非常密的点，几乎每个建筑角落都有；植被区、农田就稀疏得多，可能几百平方米才一个点。这时候就需要引入分布式散射体（DS）的概念，也就是把一批统计特性相似的像素做同质化平均，形成虚拟的稳定点。DS处理需要先做同质像元选择，再估计最优相位，计算量大，但能把植被区的可用点密度提上来。

6.2 相位模型与解算：线性形变只是起点

最基本的时序模型假设形变随时间线性变化，相位可以写成：

$\phi = \frac{4\pi}{\lambda}(v \cdot t + \frac{B_\perp}{R\sin\theta} h) + \phi_{atm} + \phi_{noise}$

其中 $v$ 是形变速率，$h$ 是残余高程误差，$B_\perp$ 是垂直基线。未知量是 $v$ 和 $h$，方程数量是干涉对的数量。用最小二乘求这两个未知量，就能同时得到速率和残余高程。

问题在于，如果干涉对之间没有共同的时间参考，方程会秩亏，这时候就要用奇异值分解或者最小范数解。SBAS方法就是通过只选择短基线对、形成多个独立的小集合，再用奇异值分解把它们连起来，从而在保证相干性的前提下拿到时间序列。

实际形变很少是严格线性的。滑坡有加速阶段、矿区有季节性回采、城市有地下水位的季节波动，这些都会让线性模型拟合残差变大。这时候需要引入季节性项（年周期、半年周期）或者分段线性模型。我一般先跑线性，看残差图，如果残差呈现明显的周期性，再加季节项。

6.3 大气分离：时序方法的核心价值所在

时序InSAR相比单对干涉的最大优势，就是能把大气相位分离掉。原理是：形变在时间上是低频的（缓变），大气在空间上是低频的（大尺度平滑），两者在时空频率上有差异。

常用做法是时空滤波：对每个点的相位时间序列做高通滤波，去掉低频的形变趋势，剩下的高频部分被认为是大气和噪声；对每个时刻的相位空间分布做低通滤波，提取大尺度大气；两者结合估计出大气相位并去除。

这种方法在湍流大气区域效果不错，但在地形起伏剧烈的地方会失效，因为地形相关的大气延迟跟高程挂钩，空间上不是简单的低频结构。这时候就需要外部大气数据辅助，或者用分层模型把相位按高程分带校正。这是目前时序InSAR里比较费工夫的一块，也是结果精度的主要上限。

6.4 速率拟合与结果后处理：最后一步别偷懒

解出时间序列之后，最终的速率估计要用稳健回归。为什么不用普通最小二乘？因为时间序列里难免有跳变（比如解缠错误、突发的真实位移），普通最小二乘会被这些异常值带偏。用稳健估计（比如基于残差的迭代重加权）能压住异常点的影响。

结果后处理我通常做三件事：

第一，去掉残余高程误差。速率和高程的相关性如果显著，说明残余高程没解干净，可以用线性关系做一次校正。

第二，做速率的时间稳定性检查。把时间序列分成前后两段分别拟合，如果两段速率差异很大，说明该点可能存在非线性形变或者数据质量问题，需要在结果里标注出来。

第三，和外部数据交叉验证。有水准点、有GNSS点、有地面测量的，一定要比。哪怕只有几个点，也能帮你判断整体有没有系统性偏差。我做过一个项目，整体速率看着很合理，和水准点一比发现有一个约 3 毫米/年的系统偏差，最后查出来是轨道参数的一个小错误。

7. 常见问题与排查：这些症状对应什么病

一线遇到的问题五花八门，但症状和病因的对应关系其实很固定。这一节整理成速查形式，方便出问题时快速定位。

7.1 干涉图质量问题的典型症状

7.2 相干性突然变差的排查路径

相干性掉下来是最高频的问题。排查顺序我一般这样走：

先看是不是整景都差。整景差，多半是配准问题或者两景数据本身的采集参数差异太大（比如入射角差太多、波束模式不同），这时候去看配准残差图和多普勒中心差。

再看是不是局部差。局部差通常是地表变化，水体、翻耕的农田、新施工区、积雪覆盖变化都会导致失相干，这属于物理限制，改不了，只能掩膜。但如果差得莫名其妙——比如一片裸岩区突然大面积失相干——那就要怀疑数据处理问题了，比如几何校正的查找表不对，或者两景数据的处理级别不同（一个做了辐射定标一个没做）。

还有一个容易忽略的点：不同供应商的数据，哪怕标称同样的成像模式，内部的信号处理参数也可能有差异。混用的时候相干性会整体偏低，这种时候要么只用同一来源，要么做额外的频谱匹配。

7.3 结果错位的定位方法

地理编码之后的结果和底图对不上，是很常见也很烦的问题。定位方法：找一个明显的地物特征（比如独立建筑物、水体边界、道路交叉口），在雷达坐标系和地理坐标系分别找到它的位置，量差值。如果差值是一个常数，说明是整体平移，多半是地理编码查找表的参考点设错了；如果差值随位置变化，说明是投影模型或者DEM的问题。

还有一种错位是“看起来对上了，其实差一个像素”。这种最坑，因为肉眼看不出来，但叠加分析时会出现系统性偏差。检验办法是用高分辨率的底图做边缘匹配，或者统计结果和已知稳定区域的相位相关性。

7.4 独家避坑：几条用时间换来的经验

提示一：任何一批新数据到手，先做一个最小可用流程跑通（选一对质量最好的影像，走完整条链到地理编码），确认环境和参数没问题，再批量处理。我见过太多人一上来就批量跑几十景，跑到一半发现参数错了，全部重来。

提示二：保留中间结果，尤其是相干性图、解缠相位、残差相位。出问题时这些是最快的诊断依据。磁盘不够就压成低精度存，别删。

提示三：时间序列做出来之后，先看速率直方图。如果分布是双峰的、或者有一大坨远离零的异常值，说明有系统性错误没解决。正常的结果应该是以零为中心的近似正态分布，带一条长尾（真实形变区）。

提示四：跨季节的数据对，尤其要小心冻土和积雪。冻融循环会造成明显的表观形变，量级能到几厘米，而且季节性重复出现，很容易被误判成年度沉降趋势。

8. 工程化落地：从跑通一次到稳定产出

能把一景数据处理出漂亮的结果，和能稳定批量产出可信结果，是两回事。这一节说工程上的事。

8.1 计算资源的实际估算

InSAR是典型的内存和存储杀手。一景宽幅数据的复数格式动辄几个GB，配准、干涉、滤波每一步都要在内存里保留多个副本，峰值内存需求可能是原始数据的五到十倍。时序分析更夸张，几十景数据的时间序列立方体，加上中间产物，几百GB的存储是常态。

处理策略上，分块是必须的。按子条带或者按地理网格切块，每块独立处理，最后拼接。分块要注意边界处的相位连续性，重叠区要留够，拼接时用重叠区做整周数对齐。

并行方面，不同干涉对之间是完全独立的，可以并行跑；单个干涉对内部的多视、滤波也可以按块并行。但解缠是全局优化，分块解缠后再拼接容易出整周错误，这一步最好整块做，或者用支持分块的一致性算法。

8.2 参数固化与可复现性

批量处理最大的敌人是“这一景我调了个参数，忘了记”。我的做法是把所有参数写进配置文件，跟着数据走，每次处理都生成一份完整的参数记录，包括软件版本、处理时间、输入数据标识、关键中间结果的统计量。这样做的好处是，半年后回头看某批结果，能知道当时是怎么处理的。

更进一步，把整条链脚本化，用配置文件驱动，让同样输入必然得到同样输出。这听起来是基本功，但实际项目里能做到的团队不多。可复现性在出问题复盘和结果交付时价值极大。

8.3 结果交付：别只给一张彩色图

最后说一下交付。很多人交付的成果就是一张速率图叠加在底图上，红蓝配色，看着挺专业。但这样的成果对使用方来说信息量很低，因为他不知道哪些点可信、哪些点不可信。

我现在交付会带上这几样：速率栅格、相干性或选点质量指标、时间序列（关键点位）、精度评估报告（和外部数据的对比）、以及一份明确的适用性说明（哪些区域结果不可用、为什么）。特别是最后一项，能省掉大量后续扯皮。

对于形变监测类项目，还有一个建议：把视线向速率和几何参数一起给出去。使用方如果要做三维分解或者和别的数据融合，没有入射角和方位角信息是没法做的。这一点经常被忽略，导致成果的复用价值大打折扣。

我个人在实操中的体会是，InSAR这套技术，算法层面的门槛在降低，开源工具越来越成熟，真正拉开差距的是对数据的理解——知道什么时候该信、什么时候不该信、误差大概多大、结果能支撑什么级别的决策。这个判断力没法从文档里读出来，只能靠一景一景数据喂出来，靠一次次结果对不上的排查攒出来。上面这些流程和参数，你可以直接拿去用，但每一个阈值最终都要在你自己的数据上调出来。