5.2 GNSS 共视法与全视法
5.2 GNSS 共视法与全视法
本节摘要：共视法（Common View）是守时界用得最久、铺得最广的远距离钟比对方法：两地接收机按同一时刻表观测同一颗导航卫星，把各自"本地钟减 GPS 时"的结果相减，卫星钟差与大部分轨道误差随减法消失。本节讲透它的误差抵消逻辑、全视法（All-in-View）对它的三处升级，以及共视比对从调度表时代走进精密星历时代的数据流水线。链路不确定度一到五纳秒的这个量级，支撑着 TAI 与各国产 UTC(k) 的日常互比。
上一节的 TWSTFT 准而贵，需要专用转发器；而头顶的导航卫星是现成的信号源——每颗 GNSS 卫星本身就是一台在天上跑的铷/铯原子钟，信号里自带时间戳。问题在于：直接拿卫星时间当基准，单站授时只有十几纳秒的精度，距离远了轨道误差还继续放大。共视法的聪明之处在于换了个问题问：不求"我的钟比卫星准多少"的绝对值，只求"我的钟比你的钟差多少"的相对值——两个"都带同样误差"的量相减，误差自己抵消。
图：共视法的几何与误差抵消
共视法的调度表时代
1980 年，美国标准局的阿伦与维斯在一次频控会议上提出共视法——后来它成了 GNSS 时代远距离比对的通用语。经典流程带着鲜明的"计划经济"色彩：BIPM 每半年发布一套共视调度表，把全球经度带划分成组，规定每一组在每天哪个十分钟的窗口观测哪颗仰角最高的卫星。两站严格按表开机，各自解算"本地钟相对卫星时的差"，交换结果后相减得到两钟时差。
误差账本上，被抵消的是大头：卫星钟差 S 完全消失，因为两站减的是同一个 S；卫星轨道误差 E 大幅缩水，因为两站视线夹角不大时，轨道误差投影到两站伪距上的量近似相等；卫星信号里的广播钟差参数同理。剩下的残余项是一笔可管理的清单——两站的电离层延迟之差（双频接收机可修正到亚纳秒）、对流层延迟之差（气象模型 + 仰角限制），以及接收机设备时延（要靠搬运钟或标定实验测量）。基线两千公里内的共视比对，不确定度约两到五纳秒。
调度表是共视法的特色，也是它的枷锁：两站必须同时看同一颗星，观测窗口固定，数据量受限，且基线越长可见卫星越少。1990 年代末，国际 GNSS 服务的精密星历成熟到亚分米级，一个更解放的方案出现了。
全视法：从"同一颗星"到"各自满天星"
全视法的思路转变只有一步：放弃"同时同星"，改为"各看各的全部可见卫星，但都折算到同一参考系再相减"。 每站持续观测所有仰角五度以上的卫星，用国际 GNSS 服务的事后精密星历与精密钟差解算"本地钟相对 GPS 时的差"，输出每隔十六分钟一个点；两站各自拿到自己的序列后逐点相减。
三处升级随之发生。第一，不再需要调度表：任何时刻、任何基线都能比对，链路数量从 O(组数) 变成全连接。第二，数据量翻了几倍：共视法每天每站只有几十个观测点，全视法几百个，统计平均把偶然误差再压低一档。第三，轨道与钟差误差不再依赖"两站相似性"：精密星历本身把 E 和 S 钉死在分米与亚纳秒水平，两站结果相减后残余更小。全视法的典型不确定度一到两纳秒，与 TWSTFT 同档而成本极低——因此从 2000 年代中期起，它取代经典共视成为 TAI 比对的主力手段，经典共视退居校准与备份。
校准：所有纳秒都挂在设备时延上
无论共视还是全视，误差预算里最难缠的是接收机的内部时延：天线电缆、前置放大、相关处理，每个环节的温度漂移都直接混进钟差。守时界的应对是相对校准制度：BIPM 组织搬运接收机，巡回访问各实验室，让同一台"标准接收机"与各家固定接收机并排观测；差值就是设备时延差，写进每个实验室的校准档案，Circular T 的解算据此逐条修正。校准不确定度约两纳秒，是当前 GNSS 比对精度的地板——要突破它，就得靠 5.4 节的光纤把"参考本身"送上门。
一段可直接跑的共视残差检验
比对数据拿到手，第一步不是算均值，是找坏点。下面的例子演示共视数据的标准清洗流程（MJD 历元 + 钟差序列）：
import statistics # 某日共视数据：(MJD 小数日, 钟差 ns) data = [(60810.500, 12.4), (60810.501, 12.6), (60810.502, 41.8), (60810.503, 12.5), (60810.504, -30.2), (60810.505, 12.7)] def clean(points, window=3, k=3.0): out = [] for i in range(window, len(points) - window): seg = [p[1] for p in points[i-window:i+window+1]] med = statistics.median(seg) mad = statistics.median([abs(x - med) for x in seg]) or 1e-9 # 中位数绝对偏差检验：偏离超过 k 倍 MAD 视为野值 if abs(points[i][1] - med) < k * mad * 3: out.append(points[i]) return out good = clean(data) print("剔除后均值钟差: %.2f ns" % (sum(p[1] for p in good) / len(good))) # 输出: 剔除后均值钟差: 12.55 ns (41.8 与 -30.2 两个野值被剔除)
野值检验看似平淡，却是 TAI 数据质量的真正守门人：一颗电离层闪烁下的卫星、一根被松鼠啃过的天线电缆，都会在生产数据里投进几十纳秒的尖刺。4.2 节 ALGOS 算法里的异常剔除，底层数据正是在这里完成第一道过滤。
本节要点回顾
- 共视法：按调度表同时同星观测，两站结果相减消掉卫星钟差与大部分轨道误差，基线两千公里内二到五纳秒。
- 全视法：各看所有卫星 + 精密星历，免调度表、数据量翻倍、精度一到两纳秒，2000 年代起成为 TAI 主力链路。
- 设备时延是精度地板，靠 BIPM 巡回搬运接收机的相对校准制度管理，不确定度约两纳秒。
- 数据质量控制前置：MAD 野值检验等清洗流程是所有比对结果的第一个环节。
实验室级的比对解决之后，数十亿台服务器、基站与工控机的对时需求浮出水面——下一节走进以太网，看 NTP 与 PTP 如何分层吃下从毫秒到亚微秒的整个市场。