大模型需要什么样的卫星遥感数据

原创

mapxiaotu
mapxiaotu

空天感知

2026年10月17日 17:30
美国

去阅读

「大模型与遥感」系列 · 第 2 篇 · 趋势与价值

本文讨论：读卫星数据的模型与做判读的人，对数据的要求差异在哪里；卫星数据的哪些属性需要重新排序，以及如何把模型需求写成一份可执行的数据规格。

▍一、大模型消费卫星数据的三条技术路线

在上一篇中我们提到，卫星数据的主力消费端正在从“人眼判读”向“机器建模”迁移。如果拆解当前主流的AI大模型，它们对地球观测数据的介入方式大体分化为三条技术路线，底层的数据诉求也截然不同。

第一条是生成式世界模型（World Models），代表作是 DeepMind 的 Genie 3 和 Meta 的 V-JEPA 2。

Genie 3 能够以 24 fps、720p 分辨率实时生成可交互的虚拟环境，供具身智能体在其中试错训练；V-JEPA 2 则基于上百万小时的互联网视频完成自监督预训练，服务于动作预测与物理规划。这类模型试图理解的是通用的“物理世界动态演进规律”，训练语料以第一视角视频与仿真引擎数据为主。在本系列中，这条路线主要作为参照系——它们与卫星遥感的关系更多是局部场景的“查漏补缺”，并非本文探讨的重心。

图 1　生成式世界模型路线：Genie 3 生成的可交互环境拼图

第二条是地球系统大模型（Earth System Foundation Models），主要面向气象预报、气候推演与大尺度水文模拟。

无论是华为盘古（Pangu-Weather）、DeepMind 的 GraphCast，还是复旦大学的伏羲（FuXi），这批早期标杆模型的训练底座高度统一，均建立在 ECMWF 的 ERA5 再分析资料之上。例如，GraphCast 与 FuXi 中期预报模型均采用 1979—2017 年、0.25° 空间分辨率、6 小时步长的 ERA5 数据进行训练（涵盖 20 余个核心大气与地表变量）；后续面向次季节预测的 FuXi-S2S 则将训练序列拉长至 72 年的 ERA5 逐日样本。微软推出的 Aurora 更进一步，直接将预训练语料扩展到超过 100 万小时的多源地球物理数据集——融合了 ERA5、CMIP6 气候模式输出、HRES 与 GFS 数值预报以及 CAMS 大气化学再分析数据——再通过 LoRA 针对特定下游任务做轻量化微调。根据其发表于 Nature 的评估结果，Aurora 在 92% 的测试指标上超越了 IFS 等传统数值预报业务系统。

图 2　Aurora 的技术路线：先在多源地球系统数据上预训练，再用 LoRA 针对具体任务微调。

第三条是垂直行业时空预测模型，直接服务于农业估产、新能源功率预测、洪涝演进模拟、交通流感知等具体业务场景。这类模型的显著特征是“多源遥感序列 + 行业先验数据”的紧耦合：光伏功率预测强依赖高频次的地表短波辐射与云图序列；大宗作物长势与产量模型需要输入完整物候期内的植被指数（如 NDVI/EVI）或太阳诱导叶绿素荧光（SIF）时序曲线；流域洪涝模型则需要同步同化降水估算、表层土壤水分与 SAR 水体淹没范围。它们的输出不再是一张专题图，而是直接接入电网调度、大宗商品交易或农业保险定损系统的业务决策变量。

本文重点讨论与卫星数据供给直接挂钩的第二、三条路线。恰恰也是这两条路线，对遥感数据的工程规格提出了近乎苛刻的要求。

▍二、人工判读与模型训练，数据质量评价体系的分水岭

传统的遥感数据产品体系是围绕“人”构建的。无论是目视解译还是传统交互式制图，只要单景影像的空间分辨率够高、几何定位准确、匀光匀色后的视觉层次清晰，行业用户就能从中提取出业务价值。

但大模型训练的本质是在高维空间中拟合统计规律。模型对单景影像的局部瑕疵并不敏感，它真正依赖的是海量样本在时间轴上的可比性与空间网格上的严格对齐。将这两种应用模式拆解，可以看到四组核心维度的转向。

表 1　传统遥感应用与大模型训练的数据要求对比

造成上述差异的根本原因，在于两套体系对“误差”的容忍机制完全不同。

人工解译需要具备极强的先验知识与上下文纠偏能力：单景影像里的局部薄云、条带噪声可以通过经验脑补滤除，质量过差的废片可以直接整景剔除。

而在大模型的训练过程中，零星的随机噪声会在大样本梯度更新中被平滑抵消，致命的是潜藏在数据中的“系统性偏差（Systematic Bias）”——模型会毫不犹豫地将系统偏差当作客观物理规律拟合进权重里。

在遥感数据处理与建库实践中，这类系统性偏差最常出现在三个环节：

01地面端处理算法版本切换：同一颗卫星在生命周期内更新了辐射定标系数或大气校正算法版本，导致地表反射率时序曲线在特定时间节点出现人为的“阶跃”，模型学到的实际上是地面系统的软件更新周期，而非地表物候变化。

02时相采样的季节性缺失：受限于云雨天气或任务规划，训练样本高度集中在晴空率高的特定生长季，导致模型在越冬期或梅雨季的推理能力出现结构性盲区。

03空间采样的商业偏置：商业遥感公司的历史存档数据往往高度向高价值客户所在区域（如核心城市群、特定产粮区）聚集，直接用此类归档数据训练底座模型，在跨气候带、跨地理分区的泛化测试中必然出现断崖式的性能衰减。

简言之，对于大模型而言，数据“前后不一致”带来的破坏力，远大于单景影像“不够清晰”。

▍三、卫星数据六大核心属性的优先级重排

当消费主体从人转向模型，遥感数据各项工程指标的权重可能需要重新排序。

过去被视为核心卖点的影像空间分辨率与绝对定位精度，在许多大模型场景中已退化为基础约束条件；而以下六个直接决定“时空序列可用性”的属性，则上升为决定数据价值的第一梯队。

图 3　传统单景应用与模型训练的数据属性优先序对比（笔者绘制）

1. 时间连续性与有效重访

时序模型需要的是均匀、稳定的采样步长，以及机制透明的缺测说明。在光学遥感中，卫星的“重访周期”与“有效观测频次”完全是两码事——受云雪遮挡影响，单星在多云多雨区的年有效观测往往不足十几次，根本无法支撑连续过程建模。NASA 的 HLS（Harmonized Landsat and Sentinel-2）项目之所以成为时序建模的标杆数据源，正是因为它将 Landsat 8/9 与 Sentinel-2 A/B/C 集成为虚拟星座，统一重采样至 30 米网格，将全球陆地大部分区域的有效重访间隔压缩至 3 天以内。

同时，针对不可避免的云遮挡，数据产品必须直接交付逐像元的有效观测间隔（或缺测掩膜）元数据，而非让算法工程师在训练前耗费大量算力去自行筛查统计。

2. 跨传感器辐射一致性

多星组网构建高频时间序列的前提，是不同载荷获取的物理量具备严格的跨平台可比性。不同传感器的光谱响应函数（SRF）差异、太阳—目标—传感器几何角度变化以及大气校正残差，都会引入显著的跨星系统偏差。

仍以 HLS 为例，其处理流水线专门引入了双向反射分布函数（BRDF）归一化（统一校正至星下点观测与特定太阳天顶角）以及光谱通带调整（SBA），才使得 L30（Landsat 源）和 S30（Sentinel-2 源）两套地表反射率产品能够无缝拼接在同一条时间轴上。

缺乏这一步交叉定标与辐射归一化，时序模型就会将不同卫星交替过境时的辐射跳变误判为地表剧烈变化。

3. 多模态时空基准对齐

行业大模型往往需要同时输入光学、SAR、被动微波、气象再分析以及数字高程模型（DEM）等多模态数据。

多源数据进模型前，必须在空间投影、像元网格（Grid）与观测时间戳（Timestamp）三个维度实现严格对齐。空间上，哪怕存在一两个像元的几何配准残差，在多时相或多模态叠加时也会在地物边缘产生严重的伪变化信号；时间上，若降水数据与NDVI或 SAR 淹没图的时间戳存在时区混用，模型就无法建立正确的因果响应关系。

4. 定量物理量反演与辐射定标

模型训练需要的是具有明确物理量纲的定量参数，而非仅供视觉浏览的 DN 值或 8-bit 拉伸底图。

在这方面，NASA 的 SMAP（Soil Moisture Active Passive）任务提供了极佳的示范：利用 L 波段辐射计实现全球 2—3 天重访，其 L3/L4 级增强产品直接在统一网格上交付经过严格标定的表层及根区土壤体积含水量。

由具备深厚物理建模积累的数据供给方统一完成从亮温到土壤水分的定量反演，并同步给出误差包络，远比将原始 L1B 亮温数据丢给下游几十个 AI 团队各自反演要高效得多——否则十个算法团队跑出十套口径不一的反演结果，模型之间的横向评测与特征复用将无从谈起。

图 4　SMAP 高分辨率全球土壤水分图（9 公里产品）

5. 逐像元不确定性与质量标记（QA Band）

在面向机器的数据交付中，逐像元的云、卷云、云影、积雪、水体、辐射饱和及缺测掩膜（Bitmask），连同定量反演的不确定性估计（Uncertainty），共同构成了大模型的“数据说明书”。掩膜的比特位语义（Bitwise Semantics）与分类置信度必须定义清晰。

在传统人工制图中，QA 波段往往被直接忽略；但在大模型训练流水线中，QA 波段直接参与损失函数的掩膜计算与样本加权——它决定了每个像元在反向传播中究竟是提供有效梯度，还是注入脏数据噪声。

6. 时空与地物采样均衡性

训练数据集在地理分区、气候带、物候季节及地物类型上的分布均衡度，直接划定了模型泛化能力的边界。

长期以来，公开对地观测数据集显著偏向北美、西欧与东亚等数据基础设施完善的区域，地理空间机器学习领域的最新综述已将“代表性与无偏性（Representativeness / Unbiasedness）”列为评估数据集质量的核心维度。对于商业遥感数据集而言，由于历史采集高度受订单驱动，空间与季节偏置更为突出。因此，在封装训练集之前，必须先建立完备的时空覆盖度统计矩阵（Coverage Matrix），通过主动补采或重采样策略抚平分布鸿沟。

▍四、把模型需求写成数据规格

完成了数据属性优先级的重排后，遥感数据工程团队与 AI 算法团队之间亟需建立一套共同语言：将抽象的“模型需求”转译为可量化、可检验的“数据规格说明书（Spec）”。

一套标准的数据规格定义流程通常包含五个闭环步骤：业务任务定义 → 核心物理变量拆解 → 时空分辨率与覆盖约束 → 质量控制与对齐准则 → 云原生交付格式。把这五步落实成白纸黑字的技术指标，能够从源头上避免传统项目里“先囤积一堆数据、再找算法团队想办法炼丹”的倒挂困境。

以流域洪涝演进预测模型为例，一份具备工程可执行性的数据规格单如表 2 所示。

表 2　流域洪涝演进预测模型的数据规格单（示例）

图 5　IMERG 降水气候态（7 月）：0.1 度、半小时一次的全球降水估计是洪涝模型的第一输入

这份规格单的核心价值，在于将每一个输入变量都锚定在现有公开卫星产品或商业星座的真实物理极限与工程指标上——0.1° 半小时步长的卫星降水、9 公里的微波土壤水分、10 米的全天候 SAR 水体监测，搭配 Zarr/COG + STAC 的云原生交付架构。

有了这份规格单，数据预处理团队可以照单构建自动pipeline，算法团队可以照单编写DataLoader与验收脚本，数据采购部门也可以照单拟定SLA。

此外，编写规格单还是一个极佳的数据能力缺口压力测试。在逐项对齐“模型理想输入”与“现有星座供給能力”的过程中，工程短板会立刻浮出水面：比如模型需要 9 公里分辨率的逐三小时土壤水分，自有商业星座无法提供 L 波段微波载荷，那就必须在立项阶段决定是降级使用粗分辨率数据，还是直接接入 NASA SMAP 或采购第三方商业产品；再如洪涝期光学卫星十天半个月拍不到影像，自有星座缺乏 SAR 能力，就必须打通 Sentinel-1 或商业 SAR 星座的准实时引接通道。把这些供给缺口暴露在算法建模之前，代价仅仅是调整数据引接方案；如果等到模型架构锁死、进入大规模训练阶段才发现数据断档，代价往往是推倒重来。

▍五、对行业的影响

大模型时代的到来，正在倒逼遥感产业链从“卖单景底图”向“供标准化时空序列”转型，上游卫星厂商、中游数据处理商与下游模型团队的角色分工也随之重构：

上游商业卫星厂商：在星座轨道设计与任务规划阶段，需要将“长时序有效重访稳定性”和“跨星辐射一致性”提升为核心工程指标，而不能仅在宣传册上比拼单景最高空间分辨率。同时，星上定标、几何定位残差与逐像元质量掩膜需要沉淀为标准化的 ARD 产品出厂，才能真正进入大模型的数据采购清单。

中游数据处理与解译服务商：多源异构数据的亚像元级配准、跨传感器 BRDF 与光谱归一化、定量物理参数反演以及高可信度的 QA 掩膜生成，正在成为具备独立商业价值的“数据中间件（Data Middleware）”服务。大多数 AI 算法团队既缺乏定量遥感物理背景，也不应把精力消耗在繁琐的底层辐射与几何预处理上，这正是专业遥感数据工程团队的护城河所在。

下游大模型研发团队：在启动模型架构设计前，应当先拉通遥感工程专家共同敲定数据SPEC。在评估外部数据集或商业采购样品时，应重点排查地面处理版本跳变、季节性缺测与地域采样偏置等系统性偏差，克制用“人眼看着漂不漂亮”来评判训练数据优劣的惯性。

这里就要多提一句，采购外部数据前，要对每景数据进行质量评估，这个按理是由卫星厂商为每份影像出具QA报告的，不过在国内商业卫星领域，我似乎不怎么看到过此类文档，大家往往还是拿到影像就库库开干。这方面老外做的要相对完善。

在理想的数据规格说明定型之后，真正的挑战才刚刚开始——下一篇我们将深入底层，探讨《多源卫星数据融合的工程难点》：当光学、SAR、微波与气象再分析数据真正汇入同一个时空Cube时，规格单上的每一行指标，都会在工程现实中遭遇哪些硬骨头。