一、3万景是个什么量级
先感受一下这个数字。
相关平台向各地推送的高分辨率影像，累计接近三万景。一景影像覆盖的面积通常在几百到几千平方公里，三万景叠起来，是一个相当可观的覆盖量。
这个量级说明一件事：数据源的问题基本解决了。基层不用再自己去找影像，直接从平台领用就行。
但领到影像之后呢？说白了，这才是真正花钱花时间的地方。
一块地里长的是什么、有没有受灾、面积多少，这些结论不会自己从影像里跳出来。从"手上有一批影像"到"得出每块地的结论"，中间还有好几道工序。
二、影像不等于结论
这句话值得展开说。
一张卫星影像，本质上是若干波段上的一堆数值。它包含了信息，但信息是原始的、未组织的。
要把影像变成"这块地正常、那块地受灾"，得逐步往上叠加处理。
第一步是把影像本身弄干净。辐射校正、几何校正、去云去影、镶嵌拼接，这些都是基础处理。做不好，后面的分析全部失真。这一步通常由技术单位做，基层拿到的一般是处理过的产品。
第二步是提取地块。影像上有绿色的东西，但它不是天然被框成一块一块的。地块边界要靠人工勾绘或者算法提取，再跟确权数据对齐。边界错一点，后面算出来的面积就错一片。说白了，地基没打正，上面盖什么都不稳。
第三步是识别内容。这块地种的是水稻还是玉米，长势是正常还是偏弱，这些要通过光谱分析、时序对比、模型判别来得出。这一步是技术的核心，也是最容易出偏差的地方。
第四步是核验。算出来的结论要抽样到实地验证。核验发现的问题，回过来修正模型和数据。
四步走完，才算从影像走到了结论。
三、四道工序，各自容易卡在哪
第一道，基础处理。卡在云和影。云检测不准，把云当成了地物；阴影没处理干净，被认为是低长势区。山区的地形阴影尤其麻烦，同一面坡，向阳和背阴的长势在影像上差很多，不校正就会误判。
第二道，地块提取。卡在碎地块。平原地区地块方正，边界清楚，自动提取效果好；山区丘陵地块小而碎、形状不规则，自动提取容易粘连或者断裂。这种地方往往需要人工勾绘，工作量成倍增加。
另外还要跟确权数据对齐。影像上勾的边界，和确权登记的地块边界，经常有出入。这个出入不一定是错，可能是田埂改造造成的，但要对得上，否则数据没法挂接。
第三道，内容识别。卡在样本。模型是靠样本训练出来的，样本不贴当地，判读就准不了。一个新区域，前一两年的效果通常不如老区域用过几年的地方。这也是为什么作业里强调"人工核验结果要回流"——回流回来的是最贴近当地的样本。
还有作物混种的问题。一块地里套种、间种，或者一垄菜一垄粮，这种情况模型往往只能给一个主要类型，细节信息会丢。
第四道，核验。卡在比例和位置。核验比例定低了，问题发现不了；定高了，工期和成本顶不住。位置也很关键，核验点要放在判读不确定的地方，而不是随便挑好走的田。
四、几个关键参数
整条链路上，这几个参数要提前定。
解译精度：公开信息里提到作物识别准确率超过九成，但这是区域平均水平。实际作业要按当地情况设定目标，山区可能要打折扣，同时把"可接受的误差范围"写清楚。
核验比例：一般按判读结果的百分比抽取，比例跟精度的要求挂钩。判读置信度低的地方，比例要高一些。
地块最小上图面积：多小的地块纳入统计，这个要提前约定。太小了数据量爆炸，太大了会漏掉实际存在的耕地。
交付单元：是按村、按乡镇还是按地块交付，直接影响后处理的工作量。按地块交付的数据量大，但下游应用最方便。
处理周期：从影像获取到成果交付，通常要留出几个工作日。这条链条上一个环节拖延，交付时间就顺延。
这些参数里，哪几个最容易吵架？我的经验是核验比例和最小上图面积。前者关系到钱，后者关系到数据长什么样。这两样如果在合同里写得含糊，到了交付阶段一定会有来回。
举个具体数：一景影像覆盖几百平方公里，一个县按影像算可能就十几到几十景。但拆到地块，一个县几万到几十万块不等，数据量差三个数量级。所以交付单元的约定，实际上决定了后处理的工作量。
五、一次作业的复盘
去年我们接过一个县的遥感测量任务，覆盖面积不小，前后做了六周。
第一周做数据准备。从平台领了影像，做基础处理。发现有一批影像拍摄时间集中在同一个窗口，覆盖到全县不同区域的时间差了好几天。这对作物识别有影响——同一作物在不同时间的样子不一样。最后的处理是按乡镇分批做，尽量让同一区域内的影像时间接近。
第二周开始地块提取。平原地带进展顺利，算法自动提取的效果可以接受。丘陵片区就慢了，边界粘连，人工改了不少。这一段比原计划多花了将近一周。
第三周进入识别。模型在平原区表现稳定，进了山区就掉。追下来是样本问题：原来训练用的是平原样本，山区的复合种植形态没见过。
第四周调整。当地补了一批山区样本进去，同时把几类不好判的作物合并成一个大的类别先出结果，细节留到核验阶段解决。这个折中的做法，牺牲了一点精度，换来了工期可控。
第五周核验。按不确定度排序抽点，重点抽山区和边界区域。核出两个比较典型的问题：一类是把坡度较大的旱地判成了林地；另一类是几处田埂改造后的地块，边界还用的老底图。
第六周修正交付。同时把核验发现的样本整理入库，用于后续的模型优化。
这次作业最大的收获不在于交付，在于搞清楚了这套东西在山区到底能到什么程度。这个认识比一份报告更有用。
六、这笔账怎么算
对使用方来说，这条链路的价值在两点。
一是人力的替代。纯人工跑地块、登记作物，一个县的工作量是几百上千人天。用遥感先做全域解译、人工只做核验，工作量能压到原来的三到四成。
二是数据的可用性。产出的地块级数据可以直接挂到后续的业务里——补贴发放、灾情统计、项目安排，都能用。一次投入，多年复用。
成本的分摊也有讲究。3万景影像这种集中保障，把数据采购的成本摊薄了；剩下的成本主要在解译和核验的人工上。所以真正的降本空间，在解译效率和核验比例的优化上，不在数据源上。
七、几条要提醒的
第一，别把准确率当成一个统一数字。同一套方法在平原和山区，效果差得很远。方案里要分区域说明，别拿平均数字去承诺。
第二，核验不能省，也不能乱省。省核验等于把误差直接交给下游，后面要花更多力气去解释和修正。
第三，样本库要长期建。每个项目产生的核验结果都可以回流，攒到一定量，本地模型的准确率是能明显提升的。
第四，交付口径要提前谈。按地块还是按村、最小上图面积多大，这些在开工前就要定死，不然交付时会有反复。
八、我们在做什么
时维遥感做农业遥感与农业数据服务。从影像获取与处理，到地块提取、作物识别、变化分析，再到外业核验和成果交付，这条链路是我们日常在跑的事情，服务对象包括农业主管部门、农业统计调查机构和涉农保险机构。
九、最后一句
3万景影像解决了"有没有数据"的问题，没解决"数据变成结论"的问题。中间那四道工序，每一道都省不掉。影像越容易拿到，后面那些手上功夫就越值钱。
时维遥感——遥感+AI，让农业更智慧
热门跟贴