2. 雷达位移数据时间序列对齐与重采样

为什么时间戳不一致会让预警序列错位

多台边坡雷达往往由不同厂商、不同批次部署，采样间隔可能是 6 min、10 min 或 30 min，且各台设备的时钟存在秒级到分钟级漂移。若直接把两台雷达的位移序列按行号拼接或按“第 n 个点”对齐，就会出现同一时刻的位移被错配到相邻时刻，导致合成速率、阈值判定和预警等级整体偏移。本节的任务是：把多源位移序列统一到一条规则时间基准上，并给出可验证的对齐结果。

统一时间基准与重采样策略

工程上通常选一个“主基准”：以采样最密、时钟最可信的一台雷达的采样时刻作为公共时间轴，或直接构造固定步长的规则时间轴（如 10 min）。对齐分两步：

• 时间对齐：把各序列的时间戳归一到同一时区与同一格式（建议统一为 UTC 毫秒或 ISO 8601），并处理重复时间戳（同测点同一时刻取均值或保留最后一条）。
• 重采样：对规则时间轴上的每个时刻，用“前向保持（ffill）+ 最大容忍间隔”或“线性插值”取值。位移是缓变量，线性插值通常可接受；但跨越长时间断档（如设备离线）时不应插值，应标记为缺失，避免伪造位移。

可运行的 Python 实现

下面用 pandas 完成对齐与重采样。示例数据为教学构造，时间戳与位移值均为假设值，用于演示处理逻辑，不代表真实监测结果。

import pandas as pd
import numpy as np

# 教学示例：三台雷达的原始位移记录（时间戳为假设值）
raw = {
    "A": pd.DataFrame({
        "ts": pd.to_datetime(["2024-06-01 00:00","2024-06-01 00:06","2024-06-01 00:12",
                              "2024-06-01 00:18","2024-06-01 00:24","2024-06-01 00:30"]),
        "disp": [10.0, 10.6, 11.1, 11.9, 12.4, 13.0]}),
    "B": pd.DataFrame({
        "ts": pd.to_datetime(["2024-06-01 00:03","2024-06-01 00:13",
                              "2024-06-01 00:23","2024-06-01 00:33"]),
        "disp": [10.3, 11.2, 12.1, 13.2]}),
    "C": pd.DataFrame({
        "ts": pd.to_datetime(["2024-06-01 00:00","2024-06-01 00:06",
                              "2024-06-01 00:24","2024-06-01 00:30"]),
        "disp": [9.8, 10.4, 12.2, 12.9]}),
}

STEP = "10min"      # 统一时间基准步长
MAX_GAP = "20min"   # 允许插值的最大相邻间隔（2 倍标称间隔）

def align_one(df, step=STEP, max_gap=MAX_GAP):
    df = df.sort_values("ts").drop_duplicates("ts", keep="last").set_index("ts")
    # 规则时间轴：从最早到最晚，按 step 生成
    axis = pd.date_range(df.index.min(), df.index.max(), freq=step)
    # 先重采样到规则轴，再按间隔限制插值
    s = df["disp"].reindex(df.index.union(axis)).interpolate(method="time")
    s = s.reindex(axis)
    # 计算每个目标时刻与最近有效原始点的间隔，超限置 NaN
    orig = df["disp"]
    gap = pd.Series(index=axis, dtype="timedelta64[ns]")
    for t in axis:
        if t in orig.index:
            gap[t] = pd.Timedelta(0)
        else:
            prev = orig.index[orig.index <= t].max() if (orig.index <= t).any() else pd.NaT
            nxt = orig.index[orig.index >= t].min() if (orig.index >= t).any() else pd.NaT
            d = min([abs(t - prev) if pd.notna(prev) else pd.Timedelta("999D"),
                     abs(nxt - t) if pd.notna(nxt) else pd.Timedelta("999D")])
            gap[t] = d
    s[gap > pd.Timedelta(max_gap)] = np.nan
    return s

aligned = pd.DataFrame({k: align_one(v) for k, v in raw.items()})
print(aligned)

运行后得到统一 10 min 时间轴上的三列位移。雷达 C 在 00:10、00:20 两个时刻因断档超过 max_gap 被置为 NaN，而 A、B 通过时间插值补齐。这样后续速率计算与阈值判定就不会把不同时刻的位移混在一起。

对齐结果的验证要点