企业官网建设流程全解析

1. 别急着跑流程：先搞懂四维高景雷达星InSAR处理到底难在哪

拿到一批四维高景雷达星的 SLC 数据，很多人第一反应是打开软件、按流程点下去、等结果。我第一次处理这类商业高分辨率 SAR 数据时也是这么干的，结果相干图上大片黑斑，解缠出来一整片斜坡，相位转形变算出的量级离谱到没法看。回头一步步查，才发现问题出在最上游的配准——精配准时方位向偏移量拟合用了线性模型，而数据本身带着明显的轨道残余弯曲，误差被一路放大到最后。

InSAR 这活儿跟普通的图像处理最大的区别在于，它是误差级联的。它不是“每个模块各干各的，最后拼起来”，而是每一步的误差都会以相位的形式流进下一步，然后被滤波放大、被解缠传播、被地理编码固定成一张看上去挺像样、实际完全错的形变图。所以四维高景雷达星的 InSAR 处理，真正的技术含量不在于“会不会用软件”，而在于知道每一步的止损点在哪、误差什么时候还能救、什么时候已经没救了。

这篇东西面向的是手上有实际 SLC 数据、想把干涉流程跑通并且跑对的人。要是你刚接触 InSAR，建议先补一下相位、基线、相干性这几个基础概念再往下看；要是你已经跑过几轮 Sentinel-1 的流程，那这篇能帮你把商业高分辨率星载数据的几个特殊坑填上。涉及的具体参数，我都会给出计算过程和取值理由，你按手上的元数据替换即可。需要说明的是，星座不同批次、不同成像模式的标称参数会有差异，一切以你拿到的产品手册和 XML 元数据为准，我下面用的示例数字只是为了把算法讲清楚。

1.1 商业高分辨率 SAR 和开源中等分辨率数据的本质差异

用惯了免费中等分辨率数据的人，第一次碰四维高景雷达星这类商业星，最容易低估三件事：分辨率带来的相干性衰减、入射角与轨道重访的强约束、以及数据本身没有“标准产品级”的预处理兜底。

中等分辨率数据通常条带窄、单视分辨率几米到二十米，做 4×1 多视之后相干性还不错。高分辨率数据单视分辨率做到亚米到米级，斜距带宽大，意味着同样的垂直基线会产生更严重的几何去相干——临界基线和斜距分辨率成反比，分辨率提上去了，能容忍的基线就短了。这不是软件设置问题，是物理限制，你只能靠选基线短的像对来绕开。

第二个差异是重访与入射角的强约束。商业星座为了覆盖效率，成像几何相对固定，同一个轨道的平行观测条件比较苛刻。这就导致时间基线的选择余地比免费数据小得多，做时序 InSAR 时很难凑出理想的干涉对网络，得在“基线短”和“时间间隔合适”之间反复权衡。

第三个差异最容易被忽略：元数据的完整度和格式一致性。不同批次数据在辅助文件、轨道插值、坐标参考上的处理细节可能不一样，直接套用旧脚本很容易在读取阶段就埋雷。我的习惯是拿到新批次数据，先写个小脚本把关键字段打印出来做一次体检，这个动作花十分钟，能省后面两天。

1.2 整条处理链的骨架与四个止损点

把流程拆开看，其实是这么一条链：元数据与轨道解析 → 主辅影像配准 → 干涉图生成 → 平地与地形相位去除 → 多视与相干性估计 → 滤波 → 相位解缠 → 相位转形变 → 地理编码。

这里面我划了四个止损点，只要其中一个不过关，后面全部白做：

这四个点不是形式主义。我见过太多人只看最后出的形变图“好不好看”，颜色分布顺眼就发结果，回头一算，一个条纹对应 2.8 厘米，图上跨了三个条纹却是快十厘米的形变，实际那个区域是城市建成区，根本不可能。

1.3 高分辨率带来的一个反直觉结论

有个反直觉的点值得单独说：分辨率越高，单视相干性反而可能越差。因为单视情况下每个分辨单元内的散射体数量少，斑点噪声相对强，相干性估计的方差大。所以高分辨率数据不能像中等分辨率那样“少多视甚至不多视”，必须老老实实做多视，否则相干性图看着稀碎，你会误判成失相干。

但多视又不能太狠，多视倍数一上去，空间分辨率就下来了，做城市精细形变监测的意义也就没了。这个权衡我后面在第 7 章用具体数字算给你看。

2. 数据准备：元数据、轨道、DEM 这三样决定了成果上限

数据处理这件事，上限基本在打开软件之前就定死了。InSAR 尤其如此——你选的像对基线、用的 DEM 精度、轨道数据的质量，这三样东西的组合直接决定了最后那张图的天花板。软件再强也只能逼近这个上限，不可能超过。

2.1 SLC 与辅助文件必须逐个核对的字段

拿到一批数据，我不会立刻跑流程，而是先把下面这些字段打印出来逐条核对。这不是洁癖，是踩过坑之后的肌肉记忆。

• 成像时间（UTC）与时间基线：注意主辅影像的先后顺序，因为后面相位符号的正负和“抬升/沉降”的判读直接相关。搞反了，整张图的形变方向就是反的，而且非常隐蔽。
• 雷达波长与波段：这是所有相位到形变换算的基础常数，绝对不能靠猜。
• 方位向与距离向的采样间隔：即像元间距。它决定了多视参数和后续地理编码的网格设置。
• 入射角（近距/远距）与轨道方向（升轨/降轨）：入射角影响模糊高度和几何去相干，升降轨影响形变分解的可能性。
• 脉冲重复频率与方位向带宽：方位向多视倍数不能超过带宽允许的范围，否则频谱重叠部分被平均掉，反而降低相干性。
• 斜距带宽：算临界基线的必需参数。
• 投影与参考椭球信息：地理编码阶段要用，不同批次如果参考不一致，拼接时会错位。

我把这些整理成一个校验脚本，跑完输出一张表。这套东西我用了几年，救过至少三次——有一次辅影像的元数据里方位向采样间隔标错了小数点，如果没核对，配准阶段会直接崩。

提示：元数据里凡是“看起来应该是整数”的字段出现异常小数，一律当成可疑项去核实，别想当然认为“大概是四舍五入”。

2.2 轨道与基线：干涉像对的选配逻辑

基线分两种：时间基线和空间（垂直）基线。两者的取舍逻辑完全不同。

时间基线决定时间去相干。植被区、农田、施工区，时间基线超过一个重访周期相干性就掉得很快；城市建成区、裸岩、沙漠，可以撑到几个月甚至更长。所以选像对之前，先看你关心的目标是什么地物类型，再定时间基线的上限。

垂直基线决定几何去相干和模糊高度。基线越长，对地形的敏感度越高，理论上测高能力越强；但同时几何去相干越严重，临界基线是硬约束。高分辨率商业星由于斜距分辨率高，临界基线往往比中等分辨率数据短不少，所以我通常按“不超过临界基线的 1/3 到 1/2”来挑像对，留足余量。

实际操作里，我会把所有可用影像两两组合，算出每一对的时间基线和垂直基线，画成一张二维散点图，然后按“相干性优先、基线次之”的原则圈定候选集。这个动作比凭感觉配对靠谱得多，尤其是在可用影像只有七八景的时候，组合空间不大，更要把每一对的价值算清楚。

至于轨道，商业星通常提供不同精度的轨道产品。能拿到精密轨道就一定用精密轨道，哪怕是延迟几周才发布。这不是可选项——轨道误差在干涉图上表现为长波长的系统性斜坡，跟大尺度形变长得非常像，滤波和解缠都拿它没辙，只能在源头用好轨道去压。

2.3 DEM 的选择：不是越新越好，是要匹配

外部 DEM 在 InSAR 里的作用是去除地形相位。这里有个常见误区：很多人觉得 DEM 精度越高越好，直接上最精细的产品。实际上，DEM 的精度要和垂直基线匹配，不是越精细越好。

地形相位对 DEM 误差的敏感度正比于垂直基线。基线短的时候，十几米的 DEM 高程误差可能只贡献零点几个弧度，完全可以忽略；基线长的时候，同样的 DEM 误差就能贡献超过半条纹的相位，直接毁掉解缠。

所以我的做法是反过来：先定像对的垂直基线，再反推需要多高精度的 DEM。粗略的关系是，若希望 DEM 误差引入的相位不超过某个阈值，那么允许的高程误差和垂直基线成反比。这个判断在第 7 章会给出具体计算。

另外一个实操细节：DEM 的坐标系和影像的坐标系必须严格一致，否则引入的是系统性偏移，表现和轨道误差类似但更局部。我一般会先做一次“DEM 高程反演”测试——用干涉相位反算地形高度，和输入 DEM 对比，如果两者的差呈现明显的条带或阶梯，基本就是配准或坐标系出了问题。

3. 配准：亚像素对齐是干涉质量的第一道闸门

如果把 InSAR 流程比作木桶，配准就是那块最长的板——它不会成为短板，但一旦出问题，整桶水全漏。我甚至愿意说，InSAR 处理里 70% 的“莫名其妙”问题，根子都在配准。

3.1 粗配准与精配准各自该做到什么程度

配准分两级，目标完全不同。

粗配准的目标是“差不多对齐”，让两景影像的同一地物偏差在几个像素以内，为精配准提供一个可靠的初值。做法通常是基于轨道参数和椭球模型做几何定位，或者用强度图做互相关。粗配准的精度不要求很高，但方向和量级必须对，如果粗配准给出的偏移量方向反了，精配准会在错误的初值附近收敛到一个局部最优，然后你就得到一张“看起来有干涉条纹”的干涉图，但条纹全是错的。

精配准则要抠到亚像素。流程通常是：先按粗配准的结果把辅影像重采样到主影像网格，生成初始干涉图，然后在若干窗口内，用相干系数最大化或者条纹可见度最大化来估计残余偏移量，最后用多项式拟合整个影像场的偏移量，再重采样一次。

关键在多项式阶数。这个参数看着不起眼，实际影响巨大。低阶（一次）拟合只能处理线性偏移，遇到轨道残余弯曲就压不住；高阶（三次以上）拟合容易过拟合，在相干性差的区域估计出的偏移量本身就是噪声，拟合出来的曲面会扭曲。实测下来，二次到三次是比较稳的区间，具体看影像覆盖范围和轨道质量。大范围、长条带的数据用三次，小范围用二次就够。

注意：拟合之后一定要看残差图。残差应该呈现随机分布，如果出现明显的条带或斑块状结构，说明模型阶数不够或者局部估计点被噪声污染了，这时候要做的是剔除坏点重新拟合，而不是加高阶数硬压。

3.2 配准精度怎么评估，别只看数字

“配准精度优于 0.1 像素”这句话几乎每篇文档都会写，但怎么验证？

我的做法是三个动作一起做。第一个是看残差偏移量的统计分布，距离向和方位向分别看均值和标准差，标准差优于 0.1 像素算合格。第二个是看干涉图的质量，配准好时，干涉条纹应该连续、干净，没有明显的分段错位或者相位跳变。第三个数值验证——把辅影像的配准偏移量作用回去，重采样后计算两景影像强度图的相关系数，相关系数应该在局部区域达到 0.7 以上。

三个动作里，我最看重第二个。因为数值达标但干涉图脏的情况我遇到过不止一次，原因是配准残差虽然小，但存在空间上的系统性趋势，这种问题在统计量上看不出来，在干涉图上却一目了然。

方位向的配准精度要求通常比距离向更高。原因是方位向的相位对方位向偏移更敏感，而且方位向的多普勒中心频率如果不一致，还会引入额外的相位斜坡。处理上，我一般对方位向的阈值卡得更紧一些。

3.3 高起伏地形和特殊地物下配准的应对

平地配准相对简单，麻烦的是高起伏地形和大面积失相干区。

高起伏地形的问题在于，地形起伏会引入叠掩和透视收缩，同一景影像里不同位置的局部形变模式完全不同，用全局多项式拟合会互相拉扯。解决办法是分区处理——把影像按相干性和地形复杂度划成若干块，每块单独估计偏移量，再在块之间做平滑过渡。这套方法啰嗦但有效，我在山区数据处理里基本都用。

大面积失相干区（水面、浓密植被、新翻耕地）的问题是，这些区域里相位本身是噪声，配准估计会被带偏。解决思路是加权——给相干性高的窗口更高权重，或者干脆在配准时先把这些区域掩掉，只用高相干区的估计结果外推到全图。外推的风险是边缘区域精度下降，所以掩膜不要做得太狠，留一些过渡带。

还有一个特殊场景值得一提：同一区域跨越不同地物类型时，配准偏移量可能出现局部突变。这种情况多见于城市与农田交界、海岸线附近。这时候不要指望一个全局模型能拟合好，老实按分区处理。

4. 干涉图与相干性：从复数数组变成可判读的信息

干涉图生成本身是一行代码的事，难的是\“生成的干涉图有没有信息量\”。这一步的产出质量，直接决定了后面滤波和解缠能不能做。

4.1 多视参数怎么定：一个必须算的选择题

多视是把多个分辨单元平均成一个，降低斑点噪声，提高相干性估计的稳定性，代价是损失空间分辨率。

多视倍数 = 距离向视数 × 方位向视数。选取原则有几条：

距离向视数受限于斜距带宽，多视后距离向分辨率不能低于某个工程可接受的下限。方位向视数受限于方位向带宽和脉冲重复频率，太大会让方位向分辨率严重下降，同时因为方位向频谱不是矩形，平均会引入额外的相干性损失。

实际取值我一般这么定：方位向视数取 1 到 2，距离向视数取 3 到 5，具体看分辨率和目标尺度。这个配比的原因是方位向的频谱形状通常不如距离向规整，方位向多视的收益不如距离向明显。

有个经验公式可以参考：多视后像元的地距尺寸，最好和你想探测的最小形变尺度匹配。比如你要看单栋建筑的沉降，那多视后像元不能超过十米；你要看区域性的地面沉降漏斗，几十米也没问题。

4.2 相干性图的判读：哪些黑是有用的信息

相干性图是非常好的诊断工具，但很多人只会看“整体亮不亮”。实际上相干性图里藏着大量信息。

成片的低相干区，通常对应水体、浓密植被、雪面、施工裸土，这些是物理上的失相干，属于正常现象，处理时掩掉就行。边缘不规则的斑块状低相干，往往是配准误差或者多普勒失配造成的，这类是技术性问题，能修。条带状的周期性低相干，一般是数据处理流程里的某个环节有系统性缺陷，比如方位向处理时的重叠区没处理好。

还有一种最容易被误判的情况：整体相干性都不高，但没有成片的黑区。这种情况多半不是失相干，而是多视倍数不够、或者滤波前的原始干涉图相位噪声过大导致相干性估计的方差大。这时候正确的动作是增加多视或者换个估计窗口，而不是去怀疑数据质量。

我习惯把相干性图和强度图叠在一起看。强度图上的水体、道路、建筑轮廓，和相干性图上的低值区能不能一一对应，这是判断“低相干是物理原因还是技术原因”最快的方法。

4.3 平地效应和地形相位：两个必须分开处理的东西

干涉相位里的地形相关分量有两大类：平地相位（由参考椭球的几何关系引起）和地形相位（由实际地形高度引起）。

平地相位必须去掉，因为它只是一个规则的条纹图案，占据大量相位梯度，会严重干扰后续滤波和解缠。去平地相位不依赖外部 DEM，只用轨道参数和椭球模型就能算，所以这一步不会有额外误差引入。

地形相位是否需要去掉，取决于你的目的。如果要做的差分干涉（DInSAR），必须用外部 DEM 把地形相位减掉，只留下形变相位。如果只是看干涉条纹做定性判读，不去也行。

这里有个关键细节：DEM 与影像的配准精度直接影响差分结果。DEM 配准偏差会在差分相位里表现为残留的地形条纹，尤其是在坡度大的地方特别明显。我的做法是，先用外部 DEM 生成模拟地形相位，和实际干涉相位做一次比对，看残留条纹的方向和密度，以此反推 DEM 配准是否需要调整。这个迭代过程通常要做两到三轮。

5. 滤波与解缠：把缠绕的相位解开，这一步没有回头路

滤波和解缠是整条链上最像\“玄学\”的两步，但实际上每一步都有明确的物理约束和可量化的判断标准。区别在于，前面几步出问题还能返工，解缠一旦解错，后面基本没救——你没法从一张错误的解缠相位里把正确信息找回来。

5.1 滤波器的选型：自适应滤波为什么更常用

原始干涉相位的噪声非常大，不滤波直接解缠，残差点会多到解缠算法直接放弃。

常用的滤波有三类。第一类是均值/中值滤波，简单粗暴，窗口一开就完事，缺点是会把相位梯度抹平，在形变梯度大的地方（比如沉降漏斗边缘）造成相位失真。第二类是频域滤波，通过抑制噪声频段来降噪，效果比空域均值好，但对条纹密集区域不够友好。第三类是自适应滤波，根据局部条纹频率和相干性动态调整滤波强度——相干性高处少滤，相干性低处多滤；条纹密集处小窗口，条纹稀疏处大窗口。

我基本都用自适应滤波，核心参数是滤波强度系数。这个系数调大，噪声压得狠但细节丢得多；调小，细节保留但噪声残留多。经验取值上，从中等强度开始试，然后看滤波后的相位直方图和残差点数量——残差点数量下降到一个可接受的量级，同时条纹结构还清晰可辨，就是合适的强度。

提示：滤波后一定要做一次目视检查。滤波过度的典型症状是条纹变模糊、相位梯度变平缓；滤波不足则是相位图上一片麻点。这两种情况在数值指标上可能都\“正常\”，只能靠眼睛判。

5.2 解缠算法对比与选择逻辑

解缠的本质是给每个像素的缠绕相位加上整数倍的 2π，恢复绝对相位。这是个病态问题，必须靠先验约束（相位连续性假设）来求解。

主流算法有三类：

我的默认选择是最小费用流类，因为它在有掩膜、有孤立低相干区的情况下表现最稳。但要注意，这类算法的掩膜设置非常关键——掩膜太宽松，低相干区会把错误传播到全图；掩膜太严格，有效区域被切碎，解缠结果出现大量不连续块。相干性阈值从 0.2 到 0.3 之间试，看解缠后的连通块数量和残差，选一个平衡点。

还有一点值得强调：解缠不是必须全图一次解完。对于大范围数据，分块解缠再拼接往往比整图解缠更稳，尤其是跨越不同地物类型的区域。分块时块与块之间要有重叠，重叠区的解缠结果用来确定拼接时的 2π 偏移量。这个技巧在处理长条带数据时特别有用。

5.3 解缠质量控制：三个必须做的验证

解缠完不能直接往下走，必须验证。我固定做三个动作：

第一，重缠绕验证。把解缠后的相位重新缠绕回 (-π, π]，和原始缠绕相位逐像素相减，差值应该在零附近，主要分布在一个很窄的范围内。如果残差图上有大片的非零区域，说明该区域解缠错了。

第二，连通性检查。统计解缠结果的连通块，正常情况下应该是一到几个大连通块。如果碎成几十上百块，说明掩膜设置或者滤波有问题。

第三，和独立数据交叉验证。如果有 GNSS 或者其他形变监测数据，哪怕只有几个点，也要拿来比。量级对不上，先怀疑解缠的整周期偏移；趋势对不上，怀疑轨道或大气。

6. 相位转形变与地理编码：最后一步最容易翻车

很多人以为解缠完成就大功告成，其实最后这步的坑一点也不少。我见过最典型的事故是：形变量算对了，地理编码投错了，结果整张图平移了几百米，落在完全不同的地物上，判读结论全错。

6.1 相位到形变的换算与符号约定

换算公式本身很简洁：视线向形变等于负的波长除以四倍圆周率，再乘以解缠相位。那个负号代表的是“相位增加对应视线向远离”，符号搞反了整张图的形变方向就是反的。

这里有个必须建立的概念：一个完整的干涉条纹（2π）对应的形变量是半个波长。以 C 波段约 5.6 厘米波长为例，一个条纹对应约 2.8 厘米的视线向形变。这个数字要刻在脑子里，因为它是你判断结果合理性的第一道标尺——图上跨了五个条纹，那就是十几厘米的形变，这种量级只可能出现在矿区、岩溶塌陷或者强震同震形变里，一般城市地面沉降一年也就几厘米。

还有一个经常被忽略的点：这里得到的是视线向形变，不是垂直形变。视线向是雷达波传播方向，和垂直方向之间差一个入射角的余弦。要做垂直形变，需要除以入射角的余弦，但这只在一维假设（形变纯垂直）下成立。真实形变往往有水平分量，单轨数据无法分解，只能给出视线向投影。要分解，得上升降轨联合观测。这个限制必须写进结论里，不能含糊。

6.2 地理编码：坐标系对齐的细节

地理编码是把雷达坐标系（斜距-方位）的结果投影到地理坐标系。这一步依赖两样东西：影像的成像几何参数和外部 DEM 提供的高程信息。

坑主要出在两个地方。

第一是 DEM 与雷达坐标的映射精度。地理编码时会用 DEM 反算每个雷达像素对应的地面位置，如果 DEM 本身的坐标系、高程基准和影像不一致，投影结果就会整体偏移。判断方法很简单：把地理编码后的结果叠加到光学底图上，看道路、建筑轮廓是否对齐。对不上，先查坐标系和高程基准，别急着怀疑算法。

第二是投影方式的选择。大范围数据用等经纬度投影简单，但高纬度地区变形严重；用等面积或等距离投影，尺度更合理，但不同投影之间转换时容易出小误差。我的习惯是统一用一套投影，全流程不改，避免中间转换引入误差。

还有一个实操细节：地理编码的分辨率不要设得比原始数据的地距分辨率还高。设太高只是插值出来的虚假细节，看着精细，实际没有信息量，还会让文件体积暴涨。按多视后的地距尺寸设置就行，最多上采样一倍用于制图美观。

6.3 从单对干涉到时序：什么时候该升级方法

单对差分干涉（DInSAR）适合监测量级较大、变化较快的形变，比如施工期沉降、滑坡加速阶段。它的短板是精度受大气延迟和轨道误差限制，通常只能做到厘米级，而且单次观测无法区分真实形变和大气噪声。

要提高精度、要分离大气，就得上时序 InSAR。主流的两条路线是永久散射体（PS）和小基线集（SBAS）。

PS 路线的思路是挑出那些长期保持高相干性的点（建筑、岩石、人工角反射器），只在这些点上做时序分析。优点是精度高、抗大气能力强；缺点是在自然地表上点太稀疏，植被区基本没点。

SBAS 路线的思路是用一堆短基线像对组成网络，做联合解算。优点是在自然地表上也能得到面状结果；缺点是对影像数量和基线分布要求高，商业星重访受限时网络容易断。

我的实际建议是：如果你手上的四维高景雷达星影像足够多（十几景以上）且覆盖时间跨度超过半年，优先做时序。单对 DInSAR 的结果拿来做定性判读可以，做定量结论风险太大。而时序分析里，先做 SBAS 拿到面状趋势，再在关键区域用 PS 加密，这个组合比较实用。

7. 参数计算实战：把公式落到具体数字上

这一章我全部用具体数字演算，你可以直接照着手上的元数据替换。示例假设：波长 5.6 厘米，斜距约 600 公里，入射角 35 度，斜距分辨率 1.5 米。

7.1 临界基线与模糊高度的计算

临界基线决定了垂直基线的上限。常用近似式是：临界基线等于波长乘以斜距、再乘以入射角正切，除以两倍的斜距分辨率。

代入数字：0.056 × 600000 × 0.7002 ÷ (2 × 1.5) ≈ 7842 米，约 7.8 公里。

这个数字告诉你，垂直基线超过 7.8 公里时几何去相干会到无法接受的程度。但实际选像对不能卡在这个极限上，因为几何去相干是渐变过程，基线到极限值时相干性已经接近零。我一般控制在临界基线的三分之一以内，也就是 2.5 公里左右，这样几何去相干的影响可以压到较小水平。

模糊高度是另一个关键参数，它描述的是“多高的地形起伏会产生一个完整条纹”。近似式是：模糊高度等于波长乘以斜距乘以入射角正弦，除以两倍的垂直基线。

若垂直基线取 100 米：0.056 × 600000 × 0.5736 ÷ (2 × 100) ≈ 96 米。也就是说，100 米基线时，地形每升高 96 米，相位就绕一圈。

这个数字有什么用？它直接告诉你 DEM 误差的容忍度。如果 DEM 高程误差是 10 米，那么在 100 米基线下，引入的相位误差大约是 2π 乘以 10 除以 96，约 0.65 弧度。这个量级还可以接受。但如果基线变成 500 米，模糊高度降到约 19 米，同样的 10 米 DEM 误差就会贡献超过 π 弧度的相位误差，直接导致解缠错误。

结论很明确：长基线像对必须配高精度 DEM，短基线像对可以用粗 DEM。这个匹配关系是很多人忽略的，导致要么浪费成本，要么结果出错。

7.2 形变灵敏度与误差预算

形变灵敏度就是前面说的半波长，C 波段约 2.8 厘米每条纹。这个值是理论最优，实际能达到的精度取决于误差预算。

误差预算大致可以这么拆：

从这张表能看出一个很实际的问题：大气延迟往往是单对 DInSAR 的最大误差源，尤其在湿润地区、山区、以及跨越明显地形高差的区域。这也是为什么我一直强调单对结果只能做定性判读——你不知道图上那个厘米级的起伏是真实形变还是水汽。

时序方法之所以精度高，核心就在于它用大量观测把随机的大气噪声平均掉了，同时可以用时空滤波分离出大气分量。这是单对干涉做不到的。

7.3 分辨率和相干性的权衡：一组实测对比

我在一个城市建成区做过一组对比，同一对影像，只改多视参数：

这张表说明的事情很明确：相干性和空间分辨率是硬 trade-off，没有两全的方案。你得先明确监测目标的空间尺度，再倒推多视参数。

做建筑单体监测，1×1 或者 2×1，接受低相干，靠时序累积来提精度；做城市区域沉降，5×2 是比较舒服的平衡点；做区域性大尺度趋势，8×3 甚至更狠都行，反正精度靠时序保证。

这里还有个容易被忽略的细节：方位向多视超过 2 之后，方位向分辨率下降会很快，而方位向分辨率对线性地物（道路、管线、堤坝）的识别很关键。所以做线状目标监测时，方位向视数尽量保持 1。

8. 常见问题速查与排查顺序

踩过的坑总结成表，遇到问题按顺序排查，比盲目试参数高效得多。

8.1 典型问题速查表

8.2 几条不太写在文档里的经验

第一条，先做小范围试验再上全图。挑一块高相干、地形平缓、面积不大的区域，把整条链跑通，确认每个环节的输出都合理，再放大到全图。这个习惯能把调试时间压缩一个数量级——全图跑一次可能几小时，小范围试验几分钟。

第二条，永远保存中间结果。精配准的偏移量、去平地后的相位、滤波前后的干涉图、解缠的连通块标记，这些全部落盘。出问题时要回退到某一步重跑，没有中间结果就得从头来。

第三条，把参数写进文件名或者日志。我吃过这个亏——同一块区域跑了五个版本的参数，回头分不清哪张图对应哪组参数，只能全部重跑。现在所有输出文件都带参数后缀，日志里记录完整配置。

第四条，不要相信单次结果。单对 DInSAR 的结果，如果不是在地物条件极好、大气极稳定的情况下，我基本不单独出结论。至少要有两对以上独立像对的结果互相印证，或者干脆做时序。

第五条，遇到“完美”的结果要警惕。一张没有任何噪声、形变分布特别规整、边缘特别干净的形变图，大概率是滤波过度或者解缠被强制平滑了。真实的干涉结果永远带着噪声、有缺失、有边缘效应。

8.3 一个具体排查案例的复盘

有个区域，干涉图上总是有一道弧形条纹，换了三对像对都能复现，位置略有偏移。一开始怀疑是轨道误差，换了精密轨道，条纹还在；怀疑大气，换季节，条纹还在。最后查出来是外部 DEM 在这个区域有系统性偏差——那一片是矿区，地表高程变化大，用的 DEM 是几年前的，和成像时的实际地形差了几十米。

这个案例的教训是：能多对像对复现的异常，通常不是随机误差，而是系统性误差。系统性误差的来源无非就那么几个——轨道、DEM、坐标系、数据本身。排查的时候按这个顺序过一遍，比乱试参数快得多。

判断是不是 DEM 问题，有个简单方法：看异常条纹的位置和 DEM 的高程梯度方向是否相关。相关性强，基本就是 DEM 的锅。

9. 我在这个流程里固定下来的几个习惯

写到最后，分享几个我处理四维高景雷达星数据时固定会做的动作，都是踩坑换来的。

第一个习惯是数据体检脚本永远先跑。不管数据来自哪个批次、哪个模式，元数据字段先打印一遍，和上一批做对比。字段缺失、格式变化、单位不一致，这些在读取阶段就能发现，比跑到一半报错强。

第二个习惯是配准残差图必看。不看残差图直接往下走，等于蒙着眼睛开车。残差图上任何条带状、斑块状的结构，都是后面会出问题的信号。

第三个习惯是解缠结果先做重缠绕验证再往下走。这一步只要几十秒，能拦住大部分解缠错误。

第四个习惯是所有结论都标注视线向。写报告、出图、给结论，一律明确写“视线向形变”，不写“沉降”，除非确实有升降轨联合观测做了分解。这个严谨性在后期被质疑时能救你一命。

第五个习惯是保留一版不滤波的原始相位。滤波后的结果用于解缠和出图，但原始相位在排查问题、验证滤波是否过度时不可替代。

这套流程跑顺之后，一对数据的完整处理时间能压到几个小时以内，其中大部分时间花在解缠和地理编码上。但真正花时间的从来不是跑流程，而是判断结果对不对——这个能力没有捷径，只能靠一対一对地做、一次一次地验，把每个参数的物理含义和它带来的影响刻进直觉里。上面这些计算和判断标准，就是我把这个直觉尽量写成了可以照着做的形式，你用的时候按自己数据的实际参数替换，多跑几组对比，很快就能形成自己的手感。