Least Squares Adjustment of Geodetic Control Network Using A Priori and A Posteriori Variance Analysis

每一张地图、每一个建筑工地，以及我们世界的每一个数字模型，都建立在一个隐藏的基础之上：一个散布在土地上的精确点网络。这些是控制点，是告诉测量员他们确切位置以及地面高度的固定锚点。如果没有它们，建筑物可能会倾斜，道路可能会偏离目标，或者城市的数字孪生体可能会发生位移。为了让这些点发挥作用，它们不仅仅要是标记物；它们必须在统计上是可靠的。这意味着科学家不仅需要知道一个点的位置，还需要知道他们对该位置的信心程度，以及用于寻找该位置的测量过程是否包含隐藏的错误。检查这种可靠性的过程被称为最小二乘平差。这是一种通过综合处理许多重叠的测量数据（这些数据自然包含微小的误差），并平衡所有数据，从而找到每个点最可能的坐标集合的方法。它还会检查网络是否足够强大，以便在出现一个坏测量值时能将其识别出来。

在最近的一项研究中，马拉维北部姆祖扎大学的研究人员在他们自己的校园内对这一过程进行了测试。该大学正在迅速扩张，新的图书馆、学习中心和基础设施项目正在拔地而起，所有这些都需要准确的空间数据才能正确建造。为了确保现有的测量点网络能够胜任这项任务，研究团队对主校区的 36 个站点了进行了严格的分析。这包括五个作为固定参考的永久控制点，以及另外 31 个需要验证位置的点。研究人员并不仅仅测量一次这些点之间的距离；他们模拟了一个包含 630 条距离观测值的庞大数据集，模拟了高精度仪器所收集的数据类型。随后，他们将这些数据输入到一个计算机模型中，该模型旨在寻找每个站点的最佳可能坐标，同时检查整个系统的质量。

平差结果令人鼓舞。数学模型平稳收敛，表明研究人员计划的测量方式是合理的。对数据质量的最终检查显示，实际达到的精度与设备规格的预期相符。未知点的调整位置非常紧凑，平均水平精度为 7.4 毫米，垂直精度为 6.5 毫米。为了直观理解，任何给定点的定位不确定性大约只有一个标准铅笔橡皮擦的宽度。研究人员还观察了“残差”，即实际测量值与模型计算值之间的微小差异。这些差异很小且分布均匀，没有出现暗示设备或方法存在系统性误差的异常模式。

除了寻找坐标之外，该研究还重点关注了网络是否能够捕捉错误。一个优秀的测量网络就像一张安全网；如果一个测量值错了，额外的数据应该能揭示这个错误。研究人员通过在模拟数据中注入两个刻意的错误来测试这一点。系统成功识别并标记了这些错误的测量值，证明该网络具有足够的冗余度来检测粗大误差。具体而言，分析表明该网络可以可靠地发现任何大于 7 厘米的单个错误。此外，研究还计算了一个未被察觉的错误会导致最终点位置偏移多少。即使在发生错误且未被察觉的最坏情况下，坐标的偏移也不会超过 3.1 厘米。这种稳定性对于监测建筑物基础或土地移动等工作至关重要。

网络本身的几何结构也被发现是非常强大的。在测量学中，点的排列方式与测量的质量同样重要。如果点过于分散或排列形状较弱，测量中的微小误差可能会放大为位置上的巨大误差。研究人员计算了一个被称为“精度稀释”的数值，该数值衡量了这种几何强度。他们网络的平均值为 2.08，这一数字表明其站点的排列非常稳健且平衡。分析还显示，不确定性在整个校园内分布均匀，这意味着网络中间的点与边缘的点一样可靠。不存在数据变得不稳定或单个测量值对最终结果产生过大影响的薄弱环节。

研究结论认为，姆祖扎大学的测地控制网络完全适用于高精度工程任务，例如监测结构变形或对齐重大基础设施项目。研究人员验证了他们的统计模型是正确的，并且该网络为大学日益增长的需求提供了一个坚实、可靠的参考框架。虽然这项研究依赖于模拟数据来测试系统的能力，但其结果为如何在发展中地区验证此类网络的质量提供了清晰的蓝图。作者建议，未来的工作应涉及收集来自多个传感器的真实世界数据，并进行跨越数年的测量，以确认长期稳定性。不过目前来看，该分析确认了该大学拥有一个精确、可靠且在统计上健全的基础，用于其空间规划和工程事业。