卡尔曼滤波在 GNSS 位移监测里的误用：越"平滑"越危险

为什么 GNSS 位移数据需要处理

GNSS 单点定位的位移序列，噪声水平大致是：

• 静态基线解算（静态 PPP / 相对定位）：±2~5 mm
• 动态实时解算（RTK / PPP-RTK）：±10~30 mm
• 单点伪距定位：±1~3 m

滑坡监测关心的是缓慢累积的位移：每天几毫米到几十毫米。这个量级和 RTK 的噪声同阶——也就是说，单日位移可能小于当日噪声。这正是处理算法容易翻车的地方。

卡尔曼滤波的基本假设

标准卡尔曼滤波（KF）假设：

1. 系统模型是线性的，状态转移是已知的（匀速/匀加速等）；
2. 过程噪声 Q 和量测噪声 R 是已知常数（或已知变化规律）；
3. 噪声是高斯白噪声。

对 GNSS 位移序列，这三个假设几乎全部不成立：

• 状态模型不成立：滑坡位移不是匀速或匀加速运动，而是"长期缓慢 + 突发加速（滑移）"的混合。用匀速模型做状态转移，突发加速会被当成噪声滤掉。
• 噪声不是常数：GNSS 误差随时间、卫星几何、多路径环境变化。白天夜晚、雨季晴天，R 完全不同。
• 噪声不是白噪声：多路径效应是有色噪声（相关时间几分钟到几十分钟），违背高斯白噪声假设。

三种典型误用

误用一：把卡尔曼当"万能平滑器"

直接用 KF 滤波，参数 Q、R 凭感觉填。Q 填太小（认为过程很"稳"），滤波输出几乎完全跟随预测，噪声被压平——但真实位移也被压平。用一段已知的真实滑坡数据测试：当真实位移是"平台期 + 突然 20 mm 加速"时，Q 过小的 KF 会把 20 mm 加速摊成 5 mm/天的假趋势，报警被延迟了 3~4 天。

误用二：滤波后直接拿结果报警

滤波输出不是"真值"，是基于模型的估计。它把相邻时刻的数据关联起来了，所以滤波后序列的"噪声"变小了，看起来更平滑——但这只是估计方差变小，不是真实误差变小。用滤波后数据做阈值报警，会显著增加虚警（因为估计值被模型"锁死"在惯性上，真实跳变前会出现持续偏离）。

误用三：Q/R 只调一次，全年不动

滑坡进入加速期、或监测环境变化（树木生长遮挡、多路径恶化），噪声 R 实际变大。固定参数 KF 在噪声变大时仍然"信任"新量测，输出噪声跟着变大；在噪声变小时又过度平滑。参数必须在线估计，否则滤波性能随季节漂移。

正确做法：先想清楚"要滤什么"

处理 GNSS 位移序列前，先回答：你要保留什么样的信号，滤掉什么样的噪声？

对滑坡监测，目标是保留"缓慢累积趋势 + 突发加速事件"，滤掉"高频抖动（采样噪声）+ 短期相关噪声（多路径）"。这不是标准 KF 的目标。

工程上更稳的组合方案：

方案 A：滑动中位数 + 变化率判据

• 用滑动中位数（窗口 1~3 小时）代替均值：中位数对突发尖峰不敏感，且不会像 KF 那样"锁死"趋势。
• 报警判据用滑动窗口内的变化率（如 24 h 位移增量 > 阈值），而不是单点滤波值。
• 优点：无模型假设、可解释、现场可复算。缺点：对缓慢累积的"阶梯形"位移（如裂缝蠕滑）不如 KF 平滑。

方案 B：自适应卡尔曼（Q、R 在线估计）

如果坚持用 KF，必须做三件事：

1. 状态向量包含加速度项（匀速模型升级为匀加速/变加速模型），给突发加速留出表达空间；
2. R 在线估计：用新息序列（innovation）的方差在线更新量测噪声 R，多路径恶化时自动增大 R；
3. Q 下限约束：Q 不能小于物理下限（如位移过程噪声 ≥ 0.1 mm/√h），否则滤波"锁死"真实信号。

方案 C：多速率融合（推荐）

GNSS 位移 + 加速度计/倾斜计的融合：用加速度计的短时动态信息补充 GNSS 的低频趋势。这是真正的"信息融合"，比单序列滤波信息量大得多。Kalman 在这里的用法是多传感器融合，而不是单序列平滑——这才是 KF 的主场。

一个验收测试

无论用哪种算法，装好后做已知位移测试：在监测点上放置一个可移动的基准（如强制对中盘 + 量具），人为制造一段"10 天累积 30 mm"的真实位移，看算法输出能否还原：

• 若输出把 30 mm 摊成"无位移"或"均匀渐变"→ 滤波过度，报警能力被吃掉；
• 若输出能清晰分辨"平台期 → 加速期"的分界 → 算法可用；
• 若输出在无位移时段频繁超阈值 → 虚警过高，参数需重调。

任何处理算法，都必须在已知位移的测试数据上验证过才能用于报警。

结语

卡尔曼滤波不是"平滑器"，是"模型 + 观测"的最优估计器。在 GNSS 位移监测里，模型的错误假设（匀速、白噪声、常数 R）会让它把真实形变当噪声滤掉。先想清楚要保留什么信号，再选工具：求稳用滑动中位数 + 变化率判据，求最优用自适应 KF 做多传感器融合。平滑得越漂亮的曲线，越要问一句：真实位移还在里面吗？