城市形变监测可靠性评估及提升方法探讨

杨魁^1,2

1. 天津华北地质勘查总院，天津 300170；
 2. 天津华北地质勘查总院有限公司，天津 300170

摘  要：针对城市形变监测中可靠性评估不完善、提升方法欠缺等问题，本文系统构建适用于城市形变监测的可靠性评估指标，提出一套较完整的可靠性提升方法。基于算法–结果双重维度，建立涵盖完整性、鲁棒性、精细性、精确性、一致性及适用性的可靠性评估指标体系；进而，围绕完整性构建天–地–井多维立体协同监测网络，围绕鲁棒性构建多源InSAR数据融合、多源异构数据融合及形变特征识别方法，面向精细性提出融合三维空间关联与局部高程统计滤波的智能分类方法。结果表明：本文方法能够有效识别并剔除11.1%的粗差点，使形变中误差总体降低12%，并揭示了地下水开采与地表形变间存在约半年的滞后响应机制；实现了InSAR监测点的精细解译，分类精度达95%以上。研究表明其显著提升了形变监测的精确性、一致性与适用性，能够为城市地质灾害防控与基础设施安全评估提供可靠的数据支撑与技术参考。

关键词：城市形变监测；可靠性理论；可靠性评估；可靠性提升；协同感知；多源融合处理；精细化场景解译

引用格式：杨魁. 2025. 城市形变监测可靠性评估及提升方法探讨. 时空信息学报, 32(6): 653-660
 Yang K. 2025. Primary research on reliability assessment and improvement methods for urban deformation monitoring. Journal of Spatio-temporal Information, 32(6): 653-660, doi: 10.20117/j.jsti.202601009

1  引  言

近年来，随着城市形变监测技术发展迅速，重复精密水准测量、全球导航卫星系统（global navigation satellite system，GNSS）与合成孔径雷达干涉测量（interferometric synthetic aperture radar，InSAR）等技术，已成为城市形变监测的主要手段，从而为提升城市地质灾害防控能力、赋能城市高质量发展提供了重要的数据支撑（廖明生等，2020；张永红和陈军，2023；陈军等，2023，2024；杨魁，2025；易恒和孙艳情，2025）。可靠的城市形变信息是相关部门做好防灾减灾决策的重要基础数据，否则，可能导致决策失误，造成不必要的损失（史文中等，2017；王红玲等，2025）。因此，为准确评估城市形变监测结果的可靠程度，亟需系统研究其可靠性评估与提升方法。

可靠性概念最早于1957年提出，是指产品在规定条件与时间内完成规定功能的能力（史文中等，2017）。在测绘地理信息领域，可靠性理论已在摄影测量、空间信息挖掘、卫星成像质量、地理国情监测、遥感目标识别等多个方向得到拓展与应用（史文中，2015；史文中等，2017；张过和管志超，2018）。目前，针对城市形变监测的可靠性研究，主要集中在精度评价与多源数据融合方面。在精度评价方面，如赵峰等（2015）综合利用水准数据、夜间灯光数据及多种InSAR技术进行交叉验证，综合评价了监测结果的可靠性；廖明生等（2020）通过对比水准数据与TerraSAR时序监测结果，得出其绝对误差标准差为2.1 mm/a；许兵等（2024）通过选取稳定基准，得到GNSS监测站点形变值的中误差为1.7 mm，并推得陆探一号（LT-1）卫星时序InSAR分析结果的精度为3.4 mm/a。在多源数据融合方面，如李志进等（2023）通过融合GNSS网与时序InSAR数据，研究了北京地区2018~2020年地面垂直形变，有效提升了监测精度；高建东等（2023）采用Bland-Altman分析与曲面拟合方法，构建了水准、GNSS与InSAR等多源数据之间的模型关系，进一步提高了监测结果的可靠性。城市形变受自然因素与人类活动的多重耦合影响，具有多尺度、非线性、时空异质性等复杂特征。尽管上述已有较多关于精度评价与数据融合的研究，但仍缺乏系统、完整的城市形变监测可靠性评估与提升方法。

此外，结合关于人工智能应用于遥感目标可靠性识别的系统性研究成果（史文中和张敏，2021），现有城市形变监测的可靠性仍面临如下三个挑战：①客观世界存在不确定性，监测数据是否能够真实反映实际形变；②数据处理与分析方法是否满足任务目标的可靠性要求；③人机认知水平是否足以准确识别和解释城市形变特征。因此，本文通过系统引入测绘地理信息领域已有的可靠性理论与方法，拓展其在城市形变监测中的应用，重点探讨城市地表形变监测成果的可靠性评估与提升方法，具体包括形变监测影响因素分析、可靠性综合评估指标及可靠性提升方法。

2  城市形变监测的影响因素及可靠性评估指标

2.1  可靠性影响因素分析

系统分析城市形变监测中的可靠性影响因素，是实现形变可靠性评估与提升的前提。本文从数据源不确定性、认知水平局限性与算法模型局限性等维度，系统梳理城市形变监测的影响因素。

（1）数据源不确定性。客观世界的复杂性、动态变化特性及传感器性能限制与环境干扰等因素，导致形变监测数据在获取过程中存在不确定性（Wu和Madson，2024）。

（2）认知水平局限性。形变作为一种复杂的地球物理现象，形成机制、演化规律及其与周边环境的相互作用尚未被完全认知，导致对形变现象的解读与真值之间存在差异，进而影响监测结果的可靠性（周云等，2024；杨魁，2025）。

（3）算法模型局限性。尽管城市形变监测方法已发展多年，核心算法仍存在一定缺陷。例如，时序InSAR分析中的相位解缠过程易引入粗差，影响形变参数的反演精度（Yang 等，2025）。此外，传统数据融合方法多停留于数据层面简单叠加，制约了信息利用的深度与广度（Jiang 等，2024）。

2.2  可靠性评估指标

城市形变监测具有多源数据融合、多尺度表达等复杂特征，其可靠性与各环节均密切相关。因此，构建系统可量化的可靠性评估指标，对于提升形变监测成果的应用价值具有重要意义。本文在经典测量平差可靠性理论、空间数据分析可靠性理论等研究的基础上，依据城市形变监测的特点，基于算法–结果双重维度，提出适用于城市形变监测可靠性的评估指标体系，如图1所示。

算法可靠性用于评价形变监测方法本身的内在完整性、鲁棒性、精细性等。完整性是指监测方法在数据、模型与方法层面是否全面覆盖复杂场景下的多种形变模式，反映其应对多场景的能力；鲁棒性是指监测方法及成果抵抗外部干扰的能力，体现其在实际工程环境中的适应能力；精细性是指监测方法对形变信号细节的分辨与刻画能力，尤其是在建筑物等小尺度目标上的分辨精度。

结果可靠性用于评估监测成果与真实形变状态之间的一致性，涵盖精确性、一致性和适用性等定性与定量评价。精确性是指监测成果误差分布的集中程度，表征其与真实形变状态的接近程度；一致性强调监测成果在空间分布、形变量级等方面与实地调查和交叉验证数据等信息间的吻合程度，反映成果现实合理性；适用性则是指监测成果对于解决特定应用领域问题的有效性与适配程度，评估其是否满足工程决策与管理需求。

3  城市形变监测可靠性提升方法

以完整性、鲁棒性、精细性等算法可靠性指标为核心导向，本文围绕城市形变监测与处理全流程，采用多源信息与多算法融合的方法，从协同感知、多源融合处理、精细化场景解译等方面来提升监测成果的精确性、一致性、适用性。总体技术流程如图2所示。

3.1  协同感知

整合合成孔径雷达（synthetic aperture radar，SAR）、无人机及地面与地下的传感网络等多源数据，基于完整性、鲁棒性等可靠性控制指标，构建天–地–井城市形变多维立体协同监测体系，如图3所示。其可实现从地表至地下的多维度、多要素、高可靠形变信息协同感知。在平台协同方面，构建涵盖天基平台（高分辨率卫星）、地基平台（水准测量与GNSS监测点）及地下平台（分层标与地下水位监测井）的多平台协同观测网络。通过点–面结合、地上–地下联动机制，实现对城市形变关键要素的全覆盖监测，并在重叠区域实施交叉验证与互补增强（吴立新等，2021；杨魁，2025）。

在参数协同方面，综合利用多平台监测技术，协同获取地表形变等表观参数，以及土层深度、地下水位动态等地下参数。进一步地，识别地下水渗流规律与地面沉降机理等物理要素，从而为形变风险评估与防控提供多源、多维数据支撑。

3.2  多源融合处理

多维立体监测体系所获取形变监测数据具有多源、多尺度等特征。基于数据流视角（李清泉等，2021），本文构建多源融合处理基本流程。如图4所示，主要包括：①多源InSAR数据融合，通过冗余观测识别粗差来提升数据可靠性；②多源异构数据融合，通过融合多类传感器观测信息以提升形变监测的精确性；③形变特征识别，增强监测结果的物理可解释性。

3.2.1  多源InSAR数据融合

时序InSAR技术在城市形变监测中具有显著优势，但结果的可靠性仍面临严峻挑战，尤其受相位解缠错误等因素影响，易导致形变参数估计存在较大偏差（江利明等，2024）。基于鲁棒性指标和粗差探测理论，采用一种融合抗差最小二乘的多源InSAR数据融合方法（Yang 等，2025）。具体步骤：①多源SAR数据时序InSAR处理。针对多源SAR数据集，分别采用时序InSAR处理技术，通过影像配准、监测点提取和相位解缠等步骤，构建高密度永久散射体（permanent scatterer，PS）网络。②同名PS集生成。以某一SAR数据集为主数据集，采用平面邻近滤波方法进行同名PS集的初步筛选，并结合高程一致性滤波技术进行优化，确保三维空间位置的一致性，为多源数据融合提供空间基准。③抗差融合处理。引入抗差估计理论，融合Baarda数据探测法与统计假设检验，构建包含粗差检测与最小二乘估计的融合处理流程，实现形变参数的优化估计和异常观测值的同步识别与剔除。该方法可有效抑制相位解缠误差引起的异常波动，显著提升数据融合过程的可靠性。

选取天津滨海新区局部区域作为实验区，以验证方法有效性。实验数据包括2017年8~2018年9月从欧空局（European Space Agency，ESA）网站获取的30景升轨Sentinel-1数据和30景降轨Sentinel-1数据，以及课题组自备的17景Radarsat-2数据。其中，Sentinel-1数据地面分辨率约为15 m，Radarsat-2数据地面分辨率约为5 m。基于上述三组SAR数据集，采用上文所述方法进行分析，得到形变粗差点空间分布情况，如图5所示。粗差点约占全部监测点的11.1%；剔除粗差点后，利用相同的水准监测点进行验证分析，结果表明形变监测精度提升了约30%。

3.2.2  多源异构数据融合

上述天–地–井城市形变多维立体监测体系中，空中与地表监测手段主要包括InSAR、GNSS与水准测量，三者各具优势与局限性。从鲁棒性指标来开展点–面结合的多源数据融合，可利用其冗余信息进行互补增强，从而提高空间覆盖度与观测精度。然而，由于InSAR、GNSS与水准数据在空间密度、分布及采样频率等方面存在显著差异，难以直接集成分析（杨魁，2025）。基于地学第一定律“地理事物在空间分布上互为相关”，本文在参数空间范畴内构建了InSAR、GNSS与水准测量的数学融合模型，并采用最小二乘法对相关形变信号进行联合评价与分析，以获取高精度的地面沉降信息。以InSAR斜距向形变量、GNSS三维形变分量及水准垂直向分量为基础，构建如下多源异构数据融合模型后并进行解算：

式中，分别为监测点东西向、南北向与垂直向形变分量；为监测点空间地理位置；分别为方位向与距离向转换参数；为偏移量。

以上述Radarsat-2数据作为InSAR数据集，结合实验区的8个GNSS监测点、53个水准点来开展融合实验。图6展示了多源异构数据融合前后成果及精度对比。融合后中误差降低幅度达12%，显著提升了形变监测的精确性与空间细节表达能力。

3.2.3 形变特征识别

在天–地–井城市形变多维立体监测体系中，井下监测手段作为空中–地表–地下立体协同观测的重要组成部分，为形变特征识别提供重要数据支撑。其主要包括地下水位监测井、分层标监测设施。

实验区地下水位监测井共约111个，涉及第二、第三和第五含水层监测井。基于不同含水层组的动态监测数据进行分析，第二、第三含水层监测井水位呈现明显的周期性波动特征，如图7所示。从长期演变趋势来看，第三含水层监测井水位埋深仍呈持续下降趋势，反映了该层位存在明显的地下水超采现象。通过与地表形变监测结果进行一致性对比，表明该含水层水位下降是导致相邻土层发生压缩沉降的主要诱因。

实验区内共有一孔多标三个。由于三个分层标的分析结果具有类似规律，选取位于实验区北部区域、地表形变较大的一孔多标进行分析，结果如图8所示。根据一孔多标分层标长期监测，实验区内各土层变形总体呈现阶梯形演变规律。这与浅层地下水的季节性开采密切相关。此外，实验区枯水期多集中于每年5月，丰水期则多出现在10月左右。然而，沉降响应表现出明显滞后性：每年10月之后沉降显著增强；至次年2月逐渐趋于稳定。这表明地下水开采是诱发区域地面沉降的关键因素之一，同时反映出枯水期水位下降所引起的沉降响应存在约半年的滞后期，显著短于传统研究中普遍认为的更长周期（如数年至数十年）。研究结果为区域形变机理的深入认识和精准防控提供了新的依据。

3.3  精细化场景解译

针对城市场景时序InSAR形变监测中所存在的相干点与地物目标映射关系不确定、形变信号来源难以精确归因等关键问题，本文从精细性指标出发，采用融合多源三维空间关联分析与局部高程统计滤波的InSAR监测点智能分类方法，以增强形变监测结果的精细化解译能力。具体步骤：①InSAR监测点与GIS数据库的空间关联建模。为实现InSAR监测点与地物目标的精确匹配，基于地理编码误差的先验信息，构建监测点与高精度GIS数据库之间的几何–物理关联模型（图9（a））。②基于局部高程统计滤波的异常点剔除。结合地形场景知识与粗分类结果，采用融合三维空间位置与地物类型的局部高程统计滤波策略，识别并剔除因多次散射、相位解缠错误等因素引起的高程异常点（图9（b）），以显著提升InSAR点云数据的空间位置可靠性。

选取实验区石油新村为研究对象，进行精细化场景解译，InSAR监测点分类实验结果如图10所示。本方法能够有效分离出来自不同地物，如道路、地面等形变信号；其中，对城市主要地物类型的分类精度达95%以上。总之，通过精确关联形变信号与其物理来源，显著增强了形变监测成果在城市基础设施健康诊断与安全评估中的适用性。

4  结  论

城市形变监测是城市安全与可持续发展的重要保障，其可靠性直接关系到地质灾害防控等决策的科学性。然而，现有研究多侧重于精度评价与数据融合，尚缺乏系统性的可靠性评估体系与提升方法，制约了形变监测在城市精细化风险防控中的应用。

本文首先系统分析了城市形变监测的可靠性影响因素，基于算法–结果双重维度，提出了涵盖完整性、鲁棒性、精细性、精确性、一致性及适用性的可靠性评估指标。其次，基于完整性指标，构建了天–地–井多维立体协同监测体系，通过融合多平台、多源数据，实现了从地表至地下的多维度形变信息协同感知。再次，在鲁棒性方面发展了融合抗差最小二乘的多源InSAR数据融合方法，构建了InSAR、GNSS与水准测量的融合模型；结合地下水位与分层标监测数据，揭示了地下水开采与形变之间的响应规律。最后，围绕精细性，提出了融合多源三维空间关联分析与局部高程统计滤波的InSAR监测点智能分类方法，实现了形变信号与地物目标的精确匹配。研究表明，在天津滨海新区的典型区域应用中，本文方法有效提升了形变监测的精确性、一致性与适用性，从而能够为城市地质灾害风险评估等提供可靠的数据支撑。

尽管本研究在可靠性评估与提升方面取得了一定进展，但仍面临不足之处。一方面，多源数据融合的智能化水平有待提升，尤其在实时监测与动态更新方面；另一方面，形变机理与多物理场耦合机制的认识尚不充分。由此，进一步研究将聚焦于：结合人工智能与机器学习方法，发展自适应、强鲁棒性的形变信息提取与融合算法；深化形变机理研究，构建多源数据驱动的地表–地下耦合模型，推动形变监测从“表象描述”向“机理揭示”的转化。

参考文献（References）

陈军, 王艳慧, 武昊, 刘万增. 2023. 时空信息赋能高质量发展的基本问题与发展方向. 时空信息学报, 30(1): 1-11[Chen J, Wang Y H, Wu H, Liu W Z. 2023. Basic issues and development directions of high-quality development empowered by spatio-temporal information. Journal of Spatio-temporal Information, 30(1): 1-11 (in Chinese)]

陈军, 翟曦, 王艳慧, 阮于洲, 刘万增, 李晓波, 吴洪涛, 曹春华, 王东华, 赵鹏军, 王久辉, 王立刚. 2024. 智慧国土的基本内涵与发展方向. 时空信息学报, 31(2): 157-167 [Chen J, Zhai X, Wang Y H, Ruan Y Z, Liu W Z, Li X B, Wu H T, Cao C H, Wang D H, Zhao P J, Wang J H, Wang L G. 2024. The basic connotation and development directions of smart territory. Journal of Spatio-temporal Information, 31(2): 157-167 (in Chinese)]

高建东, 王勇, 安江雷, 姜俊狄. 2023. 一种多源地面沉降监测数据融合方法及其应用. 测绘通报,(10): 158-162, 172[Gao J D, Wang Y, An J L, Jiang J D. 2023. A multi-source land subsidence monitoring data fusion method and its application. Bulletin of Surveying and Mapping, (10): 158-162, 172 (in Chinese)]

江利明, 邵益, 周志伟, 马培峰, 王腾. 2024.智能化InSAR数据处理研究进展、挑战与展望. 测绘学报,53(6):  1037-1056[Jiang L M, Shao Y, Zhou Z W, Ma P F, Wang T. 2024. A review of intelligent InSAR data processing: Recent advancements, challenges and prospects. Acta Geodaetica et Cartographica Sinica, 53(6): 1037-1056 (in Chinese)]

李清泉, 张德津, 汪驰升, 陈智鹏, 涂伟. 2021.动态精密工程测量技术及应用. 测绘学报,50(9): 1147-1158[Li Q Q, Zhang D J, Wang C S, Chen Z P, Tu W. 2021. Technology and applications of dynamic and precise engineering surveying. Acta Geodaetica et Cartographica Sinica, 50(9): 1147-1158 (in Chinese)]

李志进, 章传银, 王伟, 徐鹏飞, 梁圣豪. 2023. 融合CORS网与时序InSAR研究北京地区地面形变. 大地测量与地球动力学, 43(11): 1123-1128[Li Z J, Zhang C Y, Wang W, Xu P F, Liang S H. 2023. Study on land subsidence by combining CORS network and time series InSAR in Beijing area. Journal of Geodesy and Geodynamics, 43(11): 1123-1128 (in Chinese)]

廖明生, 王茹, 杨梦诗, 王楠, 秦晓琼, 杨天亮. 2020. 城市目标动态监测中的时序InSAR分析方法及应用. 雷达学报, 9(3): 409-424[Liao M S, Wang R, Yang M S, Wang N, Qin X Q, Yang T L. 2020. Techniques and applications of spaceborne time-series InSAR in urban dynamic monitoring. Journal of Radars, 9(3): 409-424 (in Chinese)]

史文中.2015.空间数据与空间分析不确定性原理.2版.北京:科学出版社[Shi W Z. 2015.Principles of Modeling Uncertainties in Spatial Data and Spatial Analyses.2nd ed. Beijing: Science Press (in Chinese)]

史文中, 张敏. 2021. 人工智能用于遥感目标可靠性识别: 总体框架设计、现状分析及展望. 测绘学报, 50(8): 1049-1058[Shi W Z, Zhang M. 2021. Artificial intelligence for reliable object recognition from remotely sensed data: Overall framework design, review and prospect. Acta Geodaetica et Cartographica Sinica, 50(8): 1049-1058 (in Chinese)]

史文中, 陈鹏飞, 张效康. 2017. 地理国情监测可靠性分析. 测绘学报, 46(10): 1620-1626[Shi W Z, Chen P F, Zhang X K. 2017. Reliability analysis in geographical conditions monitoring. Acta Geodaetica et Cartographica Sinica, 46(10): 1620-1626 (in Chinese)]

王红玲, 胡祥祥, 石亚亚, 吴成永. 2025. 基于SBAS-InSAR的秦州区大型滑坡监测. 时空信息学报, 32(3): 276-287[Wang H L, Hu X X, Shi Y Y, Wu C Y. 2025. Large-scale landslide monitoring in Qinzhou district based on SBAS-InSAR. Journal of Spatio-temporal Information, 32(3): 276-287 (in Chinese)]

吴立新, 李佳, 苗则朗, 王威, 陈必焰, 李志伟, 戴吾蛟, 许文斌. 2021. 冰川流域孕灾环境及灾害的天空地协同智能监测模式与方向. 测绘学报, 50(8): 1109-1121[Wu L X, Li J, Miao Z L, Wang W, Chen B Y, Li Z W, Dai W J, Xu W B. 2021. Pattern and directions of spaceborne-airborne-ground collaborated intelligent monitoring on the geo-hazards developing environment and disasters in glacial basin. Acta Geodaetica et Cartographica Sinica, 50(8): 1109-1121 (in Chinese)]

许兵, 朱焱, 李志伟, 易辉伟, 胡妙文, 陈琦, 韩焜, 杜洵. 2024. 国产卫星时序InSAR形变监测精度分析. 测绘学报, 53(10): 1930-1941[Xu B, Zhu Y, Li Z W, Yi H W, Hu M W, Chen Q, Han K, Du X. 2024. Analysis of InSAR time-series deformation monitoring accuracy of domestic satellite. Acta Geodaetica et Cartographica Sinica, 53(10): 1930-1941 (in Chinese)]

杨魁.2025.时序InSAR可靠性研究与典型应用.武汉：武汉大学出版社[Yang K. 2025.Research on Time Series InSAR Reliability and Typical Applications. Wuhan: Wuhan Universtiy Press (in Chinese)]

易恒, 孙艳情. 2025. 星载InSAR形变监测技术的发展与展望. 时空信息学报, 32(4): 350-363[Yi H, Sun Y Q. 2025. Developments and prospects of spaceborne InSAR deformation monitoring technology. Journal of Spatio-temporal Information, 32(4): 350-363 (in Chinese)]

张过, 管志超. 2018. 卫星成像质量可靠性研究初探. 武汉大学学报(信息科学版), 43(12): 1954-1961[Zhang G, Guan Z C. 2018. Primary research on reliability of satellite imaging quality. Geomatics and Information Science of Wuhan University, 43(12): 1954-1961 (in Chinese)]

张永红, 陈军. 2023. 我国地面沉降状况及其对国土空间规划的影响探讨——以北京市为例. 时空信息学报, 30(4): 465-473 [Zhang Y H, Chen J. 2023. Discussion on the ground subsidence status in China and its impact on national spatial planning: A case study of Beijing. Journal of Spatio-temporal Information, 30(4): 465-473 (in Chinese)]

赵峰, 汪云甲, 闫世勇. 2015. 时序InSAR技术地表沉降监测结果可靠性及沉降梯度分析. 遥感技术与应用, 30(5): 969-979[Zhao F, Wang Y J, Yan S Y. 2015. Analysis of the reliability and subsidence gradient for the subsidence monitoring result of time-series InSAR. Remote Sensing Technology and Application, 30(5): 969-979 (in Chinese)]

周云, 陈建炜, 邹少豪, 郝官旺, 周晓枫, 朱诗琪. 2024. 基于星载InSAR技术的城市建筑群变形监测与安全风险评估研究综述. 土木工程学报,1-25. https://link.cnki.net/doi/10.15951/j.tmgcxb. 24080654.[2024-11-22] [Zhou Y, Chen J W, Zou S H, Hao G W, Zhou X F, Zhu S Q. 2024. A review of urban building complex deformation monitoring and safety risk assessment based on spaceborne InSAR technology. China Civil Engineering Journal, 1-25.https://link.cnki.net/doi/10.15951/j.tmgcxb.24080654. [2024- 11-22] (in Chinese)]

Jiang H N, Balz T, Cigna F, Tapete D, Li J N, Han Y K. 2024. Multi-sensor InSAR time series fusion for long-term land subsidence monitoring. Geo-spatial Information Science, 27(5): 1424-1440

Wu Y Y, Madson A. 2024. Error sources of interferometric synthetic aperture radar satellites. Remote Sensing, 16(2): 354

Yang K, Yan L, Liang J, Wang X Y. 2025. A unified fusion framework with robust LSA for multi-source InSAR displacement monitoring. Remote Sensing, 17(20): 3469