| 方法 | 原理 | 精度 | 成本 | 适用 |
|---|---|---|---|---|
| 目视判读 | 人看影像勾画，靠经验与辅助资料 | 高（熟练判读员） | 按面积人工，最贵 | 复杂地物、样本少、要求高的成果 |
| 面向对象分类 | 先分割成对象，再用光谱+纹理+形状+上下文分类 | 中高 | 中 | 高分辨率影像、地物边界清晰的场景 |
| 深度学习提取 | 用标注样本训练模型，批量推理 | 取决于样本质量 | 前期高、后期低 | 大面积、重复性任务、有足够样本 |
深度学习不是万能。样本不足时，它比面向对象还差；地物定义模糊时（比如“荒地”怎么算），模型学不会人的判断。真正靠谱的做法是“模型初提 + 人工修正”，而不是“全自动”。
标准方法是混淆矩阵：抽一批检验样本（分层随机抽样，每类不少于 50 个），逐个核对解译结果与真实类别，算出：
只说“精度 90%”没有意义——可能是总体精度 90% 但某类用户精度只有 60%，那这一类结果基本不能用。
| 地物/任务 | 0.5 米光学 | 2 米光学 | SAR | 说明 |
|---|---|---|---|---|
| 建筑单体提取 | 好 | 差 | 中 | 2 米分不出单体；SAR 靠叠掩特征可辅助 |
| 道路网络 | 好 | 中 | 中 | 0.5 米可分出等级 |
| 耕地/林地/建设用地 | 好 | 好 | 中 | 中分辨率足够，成本低很多 |
| 作物类型 | 中 | 中 | 差 | 需要多光谱（尤其红边），高分六号更合适 |
| 大棚/光伏板 | 好 | 差 | 中 | 小目标，需要 0.5 米以内 |
| 违建/新增建设 | 好 | 中 | 差 | 要配合历史影像做变化检测 |
| 水质参数 | 差 | 差 | 差 | 要用高光谱（高分五号）或多光谱反演 |
常规路径是：机器学习初提 → 人工逐图斑修正 → 抽样精度评价 → 出报告。纯人工太慢，纯自动精度不够，这条中间路线是成本与质量的平衡点。
作业系统方面，我们有地物解译分析、土地利用解译、专题图信息智能提取三套自研系统，参数与分类体系可按项目定制，见 领先优势。
看地物和影像。0.5 米影像上提取建筑、道路，总体精度做到 90% 以上是常规水平；作物类型分类通常 80%—90%；小目标（大棚、光伏板）取决于影像分辨率和样本量。要求“100% 准确”是不现实的。
不能。实际做法是模型初提 + 人工修正。全自动在城市复杂场景下误检漏检都高，修正工作量不小。样本质量决定上限，没有好样本，深度学习不如面向对象。
通常需要。要么提供已有矢量数据作为训练样本，要么由我们采样后请你确认类别。样本的数量与代表性直接决定精度，这一块不能省。
不能。2 米是像元尺寸，一栋普通民居在影像上只有几个像素，边界无法确定。建筑单体提取至少要 0.5 米，理想是 0.3 米。2 米适合做地块级分类。
SHP（含 .prj）为主，可给 GeoJSON、GDB、DXF。属性表按分类体系设计，含图斑编号、类别编码、面积、来源影像与判读依据。
用投影坐标系算，不要用经纬度算（经纬度下 1 度对应的面积随纬度变化）。国内一般用 CGCS2000 高斯投影，算出的平方米才是真的平方米。
解译是“一期影像上有什么”，变化检测是“两期之间变了什么”。后者通常以前者的分类结果为基础，也可以用直接比较法。见变化检测页面。
提供目标区域坐标（或范围文件）与时间窗口，我们可先做存档免费检索，确认有无可用影像及云量情况，再决定采购或编程拍摄。
报价说明：亚米级高分辨率影像按平方公里计价（25 km² 起订）；中低分辨率多按景计价。具体价格随卫星、时相、云量与采购方式浮动，需按实际需求核算。详见 按面积购买规则 与 按景购买规则。