1. 这不是选“最好”的算法而是选“最不拖后腿”的算法在地球观测领域干了十多年我经手过从Landsat到Sentinel再到国产高分系列的上百个遥感项目也带过不少刚毕业的硕士生做地表覆盖分类、作物长势监测、城市热岛分析这些活儿。每次开项目启动会总有人一上来就问“老师这个任务用ResNet还是ViT要不要上SAM做分割”——这种问题问得我直摇头。不是技术不重要而是地球观测从来不是算法竞赛而是一场和数据缺陷、物理约束、业务时效、算力现实死磕的持久战。你手里那张20米分辨率的Sentinel-2影像云遮了35%边缘有辐射畸变大气校正参数是默认值训练样本只有87个农田地块标注还混进了几块刚翻耕的裸土……这时候讨论Transformer层数就像给一辆漏油的拖拉机换碳纤维方向盘。“Deciding What Algorithm to Use for Earth Observation”这个标题表面看是技术选型实则是一套完整的工程决策链它必须同时回答五个硬问题——这数据到底“干净”到什么程度要解决的物理问题有没有明确的数学表达业务方能等几天出结果现有服务器能不能跑得动最后出来的图基层农技员能不能一眼看懂我见过太多团队花三个月调参把U-Net的mIoU从78.3%刷到79.1%结果交付时发现乡镇平台连GeoTIFF都打不开最后全靠手动截图发微信。所以这篇不是教你怎么调参而是带你走一遍我们团队在云南咖啡种植区做病害早期识别、在内蒙古草原做退化评估、在长三角做工业用地动态监测时真正踩着泥巴做出来的算法决策路径。核心关键词就三个数据可信度、物理可解释性、部署可行性。适合两类人细读一是手握真实遥感数据却卡在“不知从何下手”的一线工程师二是正被导师催着写“算法创新点”却对业务落地毫无概念的研究生。别急着抄代码先搞清你面对的到底是“一道数学题”还是一堆需要经验判断的现场约束。2. 算法决策不是技术比武而是五维约束下的生存博弈2.1 数据维度当影像质量成为第一道生死线地球观测数据从来不是理想化的矩阵。我拿手头正在做的长江中游洪涝淹没监测项目举例卫星过境时间固定但6月长江流域云量平均达72%。我们拿到的Sentinel-1 SAR影像虽能穿透云层但存在严重的斑点噪声speckle noise信噪比SNR实测仅8.3dB。这时候如果直接上深度学习模型相当于让一个近视500度的人去辨认显微镜下的细胞结构——再好的网络架构也救不了输入端的先天不足。我们做过对比实验同一组SAR影像用Lee滤波预处理后输入U-NetIoU提升12.7个百分点而若跳过滤波直接训练模型很快过拟合噪声验证集loss曲线像心电图一样乱跳。更致命的是辐射一致性问题。去年在东北做大豆种植面积统计客户提供了2023年5-9月共14景Landsat 8 OLI影像。乍看数据很全但仔细检查元数据发现其中3景的太阳天顶角超过75°导致阴影区辐射值严重偏低另2景因传感器增益调整DN值整体偏高15%。如果强行拼接训练模型学到的不是“大豆光谱特征”而是“不同拍摄角度下的阴影模式”。我们最终放弃端到端训练改用辐射定标归一化后的NDVI时序曲线作为输入配合随机森林分类准确率反而比盲目上CNN高4.2%。这里的关键逻辑是当数据质量波动幅度超过算法鲁棒性阈值时任何复杂模型都是在拟合噪声。我的经验法则是先用ENVI或Google Earth Engine跑一遍基础质检——云覆盖率30%、辐射校正失败标记5%、空间配准误差1.5个像素这三类数据必须先隔离别想着“数据增强能解决”。2.2 物理维度脱离地学机理的算法就是空中楼阁遥感本质是物理反演过程。植被指数NDVI之所以百年不衰不是因为计算简单而是它直接关联叶绿素吸收与近红外反射的物理机制Lambert-Beer定律。而很多新算法恰恰忘了这点。比如用Transformer做土地利用分类注意力权重图显示模型重点关注影像边缘的纹理但实地核查发现那些“关键纹理”其实是田埂上的灌溉渠阴影与土地类型毫无关系。这暴露了纯数据驱动的风险——模型在学“怎么猜”而不是“为什么这样”。我们团队在青藏高原冻土退化监测中吃过亏。初期用3D-CNN处理多时相Sentinel-2影像想捕捉地表形变趋势。模型在训练集上表现惊艳但部署到羌塘无人区新数据时误报率飙升。后来带着光谱仪去现场采样才发现模型把春季融雪形成的浅水洼反射率类似水体和真正的热融湖塘指示冻土退化混淆了。根本原因在于3D-CNN只学到了“某类像素随时间变暗”的统计规律却没嵌入“水体在短波红外波段具有强吸收”的物理约束。痛定思痛我们重构了流程先用物理模型计算地表温度日较差ΔT再将ΔT作为特征图输入轻量级网络。结果不仅精度提升更重要的是——当某区域ΔT异常升高时系统能直接输出“该处可能存在热融湖塘扩张”而非冷冰冰的“类别3概率0.87”。物理可解释性不是学术装饰而是业务方信任的基石。下次选算法前务必自问这个模型的决策依据能否用一句初中地理知识说清楚2.3 时效维度当“快”比“准”更救命在应急响应场景“算法精度”必须向“响应速度”让路。2022年四川泸定地震后我们接到任务2小时内给出震中20公里内道路中断评估。当时手头只有震后3小时获取的0.5米WorldView-3影像但云量18%且灾区地形起伏大阴影严重。如果按常规流程做正射校正语义分割光预处理就要4小时。最后我们采用了一条“野路子”用OpenCV快速提取影像梯度幅值图强调边缘结合已知道路矢量做缓冲区分析再用形态学操作填充断裂。整个流程在笔记本电脑上11分钟跑完虽然精度只有82%专业解译员可达95%但关键道路中断点全部命中为救援队节省了黄金3小时。事后复盘这个方案胜在三点① 梯度图对云影干扰不敏感② 缓冲区分析天然适配道路线状特征③ 形态学操作比深度学习推理快两个数量级。这种“降维打击”思维在业务中极其实用。比如做城市建筑高度反演激光雷达点云精度最高但获取成本高、周期长。我们给某市规自局做的方案是用Google Earth历史影像公开建筑轮廓矢量通过阴影长度反推高度利用太阳高度角公式h L × tanα。虽然单体误差±2.3米但全市10万栋建筑的宏观分布特征完全可用且成本为零。算法选型的终极标准不是论文里的SOTA指标而是业务场景的时间价值函数。画个简单的决策树若任务窗口1小时→优先考虑传统图像处理1小时~3天→可接受轻量级深度学习3天→才值得投入复杂模型训练。2.4 算力维度服务器不是云厂商的宣传PPT很多团队在GPU服务器上跑模型却忘了看机房空调的制冷功率。我们曾接手一个省级林业局项目用U-Net做松材线虫病枯死木识别。训练时用4块V100batch size16一切顺利。但交付到地方林场时对方只有一台旧工作站GTX 1060 6GB i5-6500。模型直接OOM。重新裁剪网络后推理速度仍需23分钟/平方公里而林场要求单日处理全县2000平方公里——意味着机器要连续运转16天。最后解决方案是把U-Net的编码器换成MobileNetV2解码器简化为双线性插值CRF后处理精度损失1.8%但单图推理从47秒压到1.2秒整套系统在GTX 1060上稳定运行。这里的关键洞察是云端训练环境和边缘部署环境存在代际鸿沟。V100的Tensor Core对FP16计算加速明显但GTX 1060连FP16都不支持。我们整理了一份实战算力对照表设备类型典型配置适配算法类型单图1024×1024推理耗时注意事项云端GPU集群A100 80GB × 8ViT-L, 3D-CNN, 多模态融合0.8~2.1秒注意显存带宽瓶颈非显存容量边缘服务器T4 16GB × 2MobileNetV3, EfficientNet-B03.5~8.2秒需开启TensorRT量化移动端设备麒麟9000NPU轻量级CNN1M参数120~300毫秒必须用华为MindSpore转换无GPU工作站GTX 1060 6GBOpenCV传统算法随机森林SVM0.3~5秒取决于算法避免使用PyTorch DataLoader提示永远在目标硬件上实测我们曾因忽略T4的INT8加速特性在未开启TensorRT时模型推理慢了7倍。2.5 业务维度甲方爸爸要的不是热力图是能钉钉打卡的结论技术人常陷入“算法完美主义”但业务方真正需要的是可行动的结论。去年帮某农业保险公司做玉米倒伏识别他们不要“倒伏概率热力图”而要“XX村XX地块倒伏面积≥3亩建议启动理赔”。这意味着算法输出必须结构化地块ID、经纬度、倒伏面积、置信度、时间戳。我们最初用Mask R-CNN输出掩膜再叠加矢量边界但保险公司的理赔系统只认Excel表格。最后妥协方案是在模型后端加一层规则引擎——当掩膜面积3亩且置信度0.85时自动生成标准理赔单含地块照片、坐标、面积、时间水印直接推送至保险公司OA系统。这种“最后一公里”设计往往决定项目成败。另一个案例某环保局要做工业园区排污口识别。深度学习模型能精准定位排污口但环保执法需要的是“疑似排污口周边企业名录环评文件链接”。我们不得不把算法输出接入天眼查API和生态环境部公开数据库构建了一个“识别-关联-溯源”流水线。算法只是链条中的一环而业务闭环才是价值终点。所以选型时务必确认你的算法输出格式能否无缝对接下游业务系统如果答案是否定的要么改造算法输出要么说服甲方升级系统——但后者成功率低于5%。3. 实操决策框架一张表、三步走、五验证3.1 决策起点用“地球观测算法选择表”锁定候选范围我们团队内部用一张动态更新的决策表见下表它不追求理论完备只解决“第一步该往哪走”。表格基于近五年37个真实项目复盘按数据源、任务类型、精度要求三维交叉给出推荐算法及关键限制条件。注意所有推荐都标注了“适用前提”这是血泪教训的结晶。数据源类型任务类型精度要求推荐算法关键限制条件替代方案Sentinel-1 SAR洪涝淹没监测≥85% IoULee滤波Otsu阈值形态学修复云量20%影像需经辐射定标禁用深度学习斑点噪声导致过拟合无Landsat 8 OLI土地利用分类≥90% OARFNDVI/EVI/NDWI时序特征需至少8期影像构成时序训练样本每类≥200个禁用单时相CNN易受云影干扰SVM样本少时WorldView-3 (0.3m)建筑物提取≥88% F1U-NetResNet34编码器必须做正射校正匀色GPU显存≥11GB禁用ViT小目标分割效果差DeepLabV3精度略低国产高分二号(4m)农作物识别≥82% UA1D-CNN光谱曲线输入需同步获取地面光谱仪数据校准禁用RGB三通道输入信息冗余且易受大气影响SAM需人工框选种子点多源融合(S1S2)森林砍伐监测≥93% PAConvLSTM时序变化检测时间序列需连续≥12期禁用静态模型必须加入地形坡度作为辅助特征Change Detection Network这张表的核心价值在于“排除法”。比如你手头是国产高分二号影像做水稻识别看到“禁用RGB三通道输入”这条限制就立刻明白别费劲调ResNet的预训练权重了老老实实去借一台野外光谱仪。算法选择的第一步永远是看清数据的物理边界而非挑战算法的理论上限。3.2 三步验证法用最小成本证伪错误方向在正式训练前我们坚持做三轮低成本验证每轮不超过2小时却能筛掉80%的无效尝试第一步数据可分性验证15分钟不用模型只用PCA降维散点图。取各类别样本各50个像元提取所有波段值PCA降到2维后画散点图。如果不同类别点团严重重叠如水稻和池塘在PC1-PC2平面上混成一团说明当前数据源和波段组合根本无法区分目标——此时上任何复杂算法都是徒劳。我们曾因此放弃用Sentinel-2做冬小麦/油菜分类转而采购无人机多光谱数据。第二步基线模型验证45分钟用sklearn一行代码跑RandomForestn_estimators100输入特征为经典指数NDVI、EVI、NDWI、SAVI。记录OAOverall Accuracy。如果RF能达到85%以上说明问题本质是可解的后续可尝试深度学习若RF75%大概率是样本质量问题标注错误/类别定义模糊必须返工。第三步硬件可行性验证20分钟在目标设备上跑一个简化版模型。例如计划用U-Net就先用1/4通道数、1/2分辨率的mini-U-Net测试。重点监控① 显存占用是否超限② 单图推理时间是否满足SLA③ 输出结果是否出现明显伪影如边缘锯齿、块效应。我们曾发现某ViT模型在T4上推理时因CUDA版本不匹配输出全是灰色块——这种坑必须在早期踩。注意这三步验证必须用真实业务数据而非公开数据集。Kaggle上的EuroSAT数据再漂亮也救不了你手头那批云遮了40%的影像。3.3 五维交叉验证确保算法在真实世界站得住脚模型训练完成后我们拒绝只看验证集指标而是进行五维交叉验证每维对应一个现实约束① 时间维度验证用训练期外的数据测试。例如训练用2022年数据必须用2023年同区域新影像测试。我们发现某水稻分类模型在训练年份OA92.3%但在2023年骤降至76.1%——原因是当年气候异常导致水稻生育期推迟12天模型学到的“抽穗期光谱特征”完全失效。② 空间维度验证跨区域迁移测试。在A省训练的模型必须在B省同类型地貌如都是平原水田测试。某次在江苏训练的模型到湖南测试时精度暴跌根源是两地土壤背景反射率差异大模型过度依赖土壤-作物混合光谱。③ 传感器维度验证换数据源测试。用Landsat训练的模型必须用Sentinel-2同区域影像测试。我们发现NDVI计算公式差异Landsat用R/NIRSentinel-2用NIR/R会导致0.05~0.12的系统性偏差必须做辐射归一化。④ 业务维度验证请最终用户盲测。把模型输出图和专家解译图混在一起让县农业局技术员标注“哪个更准”。曾有模型IoU达89%但技术员反馈“模型把灌溉渠标成河流我们没法按这个发通知”。这直接推动我们在损失函数中加入“水系拓扑约束”。⑤ 部署维度验证全流程压力测试。从原始影像下载→预处理→模型推理→结果导出→GIS平台加载记录每个环节耗时。某次发现90%时间耗在GDAL重投影上最后改用rasterio的Warp API整体提速3.2倍。这五维验证不是形式主义而是把实验室成果拽回泥土里的安全绳。每次项目结题报告我们都会附上五维验证结果表让甲方看到这不是纸上谈兵而是真刀真枪扛过现实考验。4. 典型场景拆解从云南咖啡园到长三角工厂的算法抉择实录4.1 场景一云南普洱咖啡园病害早期识别小目标弱信号业务需求在叶片出现肉眼可见病斑前7-10天识别炭疽病早期感染以便精准喷药减少农药用量30%以上。数据现状无人机多光谱影像5cm分辨率含绿、红、红边、近红外4波段单景覆盖10亩共采集23景病害样本仅47个因早期症状极不明显。算法抉择过程数据维度5cm分辨率下单片病叶仅占3-5个像素属典型小目标。传统滑动窗口CNN感受野不足易漏检。物理维度炭疽病早期导致叶绿素降解红边波段反射率异常升高文献证实田间光谱仪验证。时效维度农户需当天获取结果无人机下午作业系统需在次日早8点前推送报告。算力维度部署在县农技推广站的旧服务器Xeon E5-2620 GTX 1070。业务维度输出需包含具体植株编号、感染概率、建议用药剂量与当地农技手册联动。最终方案放弃端到端分割采用“物理引导轻量检测”双轨制先用红边波段与红波段比值RENDVI生成异常指数图阈值设为1.8经田间标定在异常区域用YOLOv5s检测病斑输入为RGBRENDVI四通道图模型参数量压缩至1.2M后端关联GIS数据库输出带坐标的Excel报告。实测效果单景处理时间8.3分钟达标早期识别准确率81.4%专家评估农药减量34%。关键心得小目标检测的突破口不在网络结构而在物理特征增强。我们试过ViT虽mAP高2.1%但推理慢17倍且对光照变化更敏感——田间上午拍的影像下午模型就失效。4.2 场景二内蒙古锡林郭勒草原退化评估长时序低信噪比业务需求评估2015-2023年草原退化趋势划分轻/中/重度退化区支撑生态补偿资金发放。数据现状Landsat系列TM/ETM/OLI30m影像共127景云量15%-65%不等部分年份影像缺失地面验证点仅32个稀疏且分布不均。算法抉择过程数据维度长时序但质量参差深度学习需大量高质量标签此处不可行。物理维度退化核心指标是植被覆盖度FVC和生物量可通过NDVI时序曲线的振幅、积分值、变异系数量化。时效维度年度评估无严格时限但需保证结果可追溯。算力维度在阿里云ECS8核16G上离线运行可接受较长计算时间。业务维度结果需符合《草原资源调查技术规程》输出必须是栅格图统计报表各等级面积、变化率。最终方案构建“物理模型驱动统计验证”流水线用Google Earth Engine批量计算每年最大NDVIMaxNDVI、生长季NDVI积分IntNDVI、NDVI标准差StdNDVI将三指标输入随机森林训练样本为32个验证点专家知识规则生成的合成样本对分类结果用马尔可夫随机场MRF平滑消除椒盐噪声输出符合国标的退化等级栅格图1:轻度2:中度3:重度。实测效果与2023年地面普查结果对比总体精度89.7%Kappa系数0.82。关键心得当样本稀缺时用物理模型生成“软标签”比硬凑深度学习更可靠。我们曾尝试用CycleGAN填补缺失年份影像结果导致趋势误判——GAN生成的“假数据”放大了噪声而物理指标计算天然抗噪。4.3 场景三长三角某市工业用地动态监测高精度强监管业务需求每月监测全市工业用地变化识别新增厂房、拆除地块、违规硬化地面误差≤0.5亩结果用于自然资源执法。数据现状国产高分一号2m高分六号16m融合影像月度更新存在大量相似干扰如停车场vs厂房屋顶、水泥路vs违规硬化。算法抉择过程数据维度2m分辨率下厂房轮廓清晰但需区分材质金属顶vs彩钢顶反射率差异小。物理维度工业用地核心特征是几何规则性长方形/正方形光谱稳定性金属顶近红外反射率高且稳定。时效维度每月10日前完成允许3天处理窗口。算力维度市级大数据中心GPU集群A100×4算力充足。业务维度结果需对接“国土调查云”系统输出必须为带属性的矢量面含变化类型、面积、时间。最终方案“多尺度特征融合规则后处理”用HRNet提取多尺度特征捕获厂房轮廓材质细节解码器输出三类新增建筑、拆除地块、硬化地面后处理强制注入规则① 新增面必须邻接道路缓冲区分析② 面积0.5亩自动过滤③ 硬化地面需满足“近红外波段反射率0.25且变异系数0.08”。实测效果变化图斑召回率94.2%虚警率6.3%执法部门接受阈值为8%矢量面平均偏移0.8米满足0.5亩精度。关键心得在强监管场景算法必须接受业务规则的“硬约束”而非追求纯粹数据拟合。我们曾去掉规则后处理虚警率升至15.7%大量把大型广告牌误判为新增厂房——而规则引擎一句“广告牌不邻接市政道路”就解决了。5. 血泪教训总结那些让我们彻夜难眠的算法陷阱5.1 “数据增强幻觉”陷阱当旋转翻转创造的不是鲁棒性而是虚假自信新手最爱用Albumentations做数据增强随机旋转、水平翻转、亮度抖动……我们团队曾在一个山地果园分类项目中把训练集增强10倍模型验证集IoU飙到91.3%。交付时甲方用新采集的影像测试精度断崖式跌到63.2%。排查三天才发现增强时用了“随机旋转”但果园梯田是沿等高线修建的真实影像中果树行列永远平行于坡度方向。模型学到的不是“果树光谱特征”而是“某类纹理在特定角度下的排列模式”。当新影像因飞行姿态微小偏差导致角度偏移2°模型就彻底懵圈。避坑指南山地场景禁用旋转增强改用“沿坡向裁剪高程图融合”城市场景禁用随机缩放因建筑高度导致的透视畸变有固定规律所有增强操作必须有物理依据比如SAR影像可加Speckle噪声模拟真实斑点但绝不能加高斯模糊真实SAR没有此噪声。5.2 “预训练权重依赖症”陷阱当ImageNet的猫狗成了遥感解译的绊脚石很多团队直接加载ResNet50的ImageNet预训练权重认为“迁移学习万能”。我们在黄河三角洲湿地鸟类栖息地识别项目中栽过大跟头。用ImageNet权重初始化的模型在训练集上收敛极快但泛化极差。可视化特征图发现模型重点关注影像中的“纹理粗糙度”而湿地鸟类栖息地的关键判据是“水深梯度”和“挺水植物密度”——前者需NDWI指数后者需红边波段。ImageNet权重学到的“纹理感知”能力反而抑制了模型学习水体光谱特征。避坑指南遥感专用预训练用大规模无标签遥感影像如EuroSAT、UC Merced自监督预训练波段适配ImageNet是RGB三通道遥感常为4-10波段必须重写第一层卷积如将3通道扩展为4通道权重按比例分配宁可从零训练小模型也不用错位的大模型。我们后来改用EfficientNet-B0从头训练虽收敛慢但最终精度高出3.7%。5.3 “端到端迷思”陷阱当执着于“一张图输入一张图输出”却忘了中间过程才是业务价值某次做城市热岛效应分析客户明确要求“输出地表温度分布图”。团队花了两个月开发端到端网络输入RGB影像输出温度栅格。结果交付时气象局专家指着图说“这温度值没经过物理反演不能用于科研”。原来业务方真正需要的是“温度反演算法的中间产品”——大气透过率、地表发射率、辐射定标系数这些参数才能支撑后续气候模型。而我们的端到端模型把这些全黑箱化了。避坑指南强制模型输出物理可解释中间变量如热红外反演中让网络同时输出“大气水汽含量估计值”和“地表发射率图”用物理损失函数约束在温度预测损失外增加“发射率应在0.92-0.98区间”的L1约束永远问一句业务方是否需要调用中间结果如果答案是肯定的端到端就是毒药。5.4 “开源即正义”陷阱当GitHub明星项目成了生产环境的定时炸弹我们曾引入一个Star 2.1k的遥感变化检测库ChangeFormer文档写得天花乱坠。实际部署时发现三大坑① 依赖PyTorch 1.12而生产环境是1.10升级会崩坏其他系统② 默认用FP16推理但某些老旧GPU不支持③ 作者把“云检测模块”写死在代码里而我们用的是SAR影像根本不需要云检测。为修这些坑团队耗时11人日远超自研一个简化版ChangeNet。避坑指南开源项目引入前必须做“三查”查依赖兼容性、查硬件支持列表、查核心模块可替换性所有开源代码必须封装为Docker镜像并在目标环境完整测试生产环境宁用“丑但稳”的自研代码不用“美但脆”的明星项目。我们现在的标准是若开源项目修改量30%直接重写。5.5 “指标至上主义”陷阱当验证集上的99%准确率掩盖了业务场景的致命缺陷最讽刺的案例发生在某港口集装箱识别项目。模型在验证集上达到99.2%准确率交付后第一天就出事把一艘停泊的货轮识别为“新增集装箱堆场”触发错误预警。原因是验证集全是白天影像而港口24小时作业夜间红外影像中货轮甲板与集装箱堆场的热辐射特征几乎一致。模型学到的“高亮矩形区域集装箱”在夜间完全失效。避坑指南验证集必须覆盖全时段、全天气、全季节关键业务指标必须单列如“夜间识别准确率”、“雨雾天召回率”、“小目标10像素检测率”永远用业务失败案例反向构造测试集。我们后来专门收集了500张夜间/雨雾影像组成“灾难测试集”任何模型未在此集上达标一律否决。6. 经验沉淀我的个人算法选型检查清单干了十多年地球观测我给自己定了一个铁律任何算法在进入训练环节前必须通过这份清单的全部12项审查。它不是理论框架而是用无数个通宵和甲方投诉换来的生存法则。现在分享给你少走三年弯路。数据可信度审查4项□ 是否完成基础质检云量、辐射校正状态、配准误差已量化记录非“目视检查”□ 训练样本是否覆盖全时空维度如水稻分类需包含早稻/晚稻、旱作/水田、不同肥力水平□ 是否存在系统性偏差如某传感器批次的红波段响应率整体偏低需单独校准□ 数据增强是否符合物理规律禁止对SAR影像加高斯模糊禁止对多光谱影像随机丢波段物理可解释性审查3项□ 模型决策依据能否用一句初中地理/物理知识描述如“水体在短波红外波段吸收强”□ 是否嵌入了领域先验知识如城市建筑高度反演中强制加入太阳高度角约束□ 中间特征图是否可被领域专家解读如NDVI时序曲线比Transformer注意力图更易懂部署可行性审查3项□ 是否在目标硬件上实测单图推理时间非“理论计算FLOPs”□ 显存占用是否留有20%余量避免因系统进程占用导致OOM□ 输出格式是否与下游系统API完全兼容字段名、坐标系、时间戳格式逐项核对业务闭环审查2项□ 最终输出能否直接驱动业务动作如“倒伏面积3亩”触发理赔“新增厂房”触发执法巡查□ 是否有机制应对模型失效如当置信度0.7时自动转人工审核并告警这份清单没有高大上的术语每一条都指向一个可能让你凌晨三点被电话叫醒的具体风险。我建议你打印出来贴在显示器边框上。每次想跑python train.py前先拿起笔一项项打钩。地球观测的魅力不在于算法有多炫而在于你能让卫星看见的真相真正改变脚下这片土地。最后分享个小技巧当所有条件都满足却还在纠结时就选那个文档最全、社区最活跃、issue里最多人在吐槽“我遇到同样问题”的方案——因为真实世界的坑永远比论文里的多。