企业官网建设流程全解析

简介：面向河湖治理、水利监管及遥感应用相关从业者的一份PPT资源，系统展示航天宏图（PIESAT）针对河湖“四乱”问题的卫星遥感监管方案。内容围绕乱建围、乱采动、乱占、乱堆四类监管对象展开，涵盖政策背景、技术路线、案例介绍等模块，重点讲解基于PIE Ortho的影像处理、人机交互解译、专题信息提取，以及深度学习驱动的AI自动提取技术，并附牡丹江穆棱市、内蒙古、南京高淳区等项目案例。资源为单个pptx演示文稿，大小41.02MB，内容结构完整，可直接用于汇报参考或方案学习。已有562人浏览学习。通过这份PPT可快速理解卫星遥感在河湖监管中的落地路径，掌握AI自动识别水体、采砂场、临河建筑等对象的方法，适合作为智慧水利、河湖长制相关工作的参考资料。

1. 让卫星遥感盯住河湖四乱：一份不算昂贵的监管方案

一条50公里的河道，基层河长办两个人要徒步巡一周，汛期前还不一定走得完；一颗过境卫星一次成像，能覆盖整条河的管理范围。航天宏图这类“整治河湖四乱”卫星遥感监管方案，核心就是把乱占、乱采、乱堆、乱建四类问题先从影像里找出来，形成疑似图斑清单，再交给人去现场核查，而不是让人先跑一遍野地。整个方案通常用一份pptx讲清楚技术路线与数据底座。这篇文章不评价汇报材料本身，只拆解它背后可复现的监管链路：数据怎么选、算法怎么搭、参数怎么调、现场怎么闭环。适合三类人看：水利信息化集成商、遥感应用算法工程师、被要求“用卫星看河湖”的业务管理人员。

2. 先把监管对象拆开：四类问题在卫星影像里长什么样

2.1 乱占：岸线边界上的新增硬质地面

“乱占”主要指河道管理范围内的违建房屋、码头、厂房、堆场等硬质地面。遥感识别它的核心不是识别“房子”，而是识别“不该出现的硬化地表出现在管理范围内”。常见做法是用0.5米到2米分辨率的光学影像，提取不透水面，再与管理范围线做空间叠加。难点在于农村地区的彩钢棚、防雨布颜色多样，光谱特征不稳定，单纯靠阈值提取很容易漏。

实战中更稳的做法是双时相对比：上一期没有硬化地面，下一期出现了硬化地面，同时位置落在管理范围内，基本就能判成疑似乱占。这里有个容易被忽略的细节：硬化地面不等于是建筑物，停车场、晒谷场、临时工棚都会造成同样的光谱变化，所以图斑类型要写成“疑似乱占”，留给现场核查的人去定性。

2.2 乱采：移动采砂船与浑水扩散的联合证据

非法采砂在影像上有两条线索：一是采砂船和砂石传送带、砂石堆是移动的，位置不固定，单期影像很难定性；二是采砂扰动河床，会在下游形成浑水羽流，水色呈黄褐色，与周边正常水体差异明显。光学影像看水色，但下雨天和多云天气光学影像基本报废，这时候就需要SAR（合成孔径雷达）数据。

SAR不受云雨影响，夜间也能成像，采砂船这样的金属目标在SAR影像上是高亮散射点。常见的落地做法是“光学初筛 + SAR复核”：光学影像先圈出浑水区域和疑似船只，再用SAR影像确认目标是否还在原地。这个组合对移动式、夜间作业的非法采砂特别有效。不过SAR影像的噪点很多，肉眼解译门槛高，建议只在重点河段用，别全省铺开。

2.3 乱堆：裸土堆与固废堆的波谱和纹理区分

乱堆最常见的是渣土、煤矸石、生活垃圾和建筑垃圾。这些堆体表面裸露，光谱上接近裸土，NDVI（归一化植被指数）明显低于周边植被覆盖区。难题在于怎么和正常的农田裸土、河滩沙地、施工场地区分开。

经验上有三个判据：一是位置，堆体如果紧挨管理范围线，或者在行洪区内，优先级立刻提高；二是形态，固废堆边缘不规则，有明显的人工堆弃痕迹，而自然河滩地边界是平滑的；三是时间，正常农田裸土在一个生长季内会被植被覆盖，固废堆不会。所以对乱堆的监管，单期影像只能发现“疑似”，双期或多期影像才能判断“是不是长期堆着没动”。

2.4 乱建：两期影像之间新冒出来的建筑物

乱建是新增建筑物，最依赖多时相变化检测。通常做法是把前后两期影像分别做NDVI或NDBI（归一化建筑指数），然后求差，差值超过阈值的地方就是潜在新增地物。比起单期分类，双时相差分能自动过滤掉老建筑、老道路这些“本来就存在”的地物。

但这里有个坑：农业大棚、新修公路、农田灌溉渠在差分结果里和违建长得很像。我一般会在差分之后加一个形状约束——建筑物图斑的矩形拟合度较高，长宽比也有规律，而大棚和道路的长宽比极端，可以先按形状筛一道。更稳妥的办法是引入更高分辨率的影像叠加查看，0.5米影像上，民房和工具棚的屋顶纹理差异肉眼看得很清楚。

3. 从影像到疑似图斑：一条可复现的技术路线

3.1 第一步：统一空间基准，拿准管理范围线

河湖监管的法律依据不是“河面”，而是批复的河道管理范围线（蓝线和红线）。拿不到这条线，遥感图斑就失去执法依据。常见做法是把水利普查或河湖划界成果里的shapefile导入PIE-Engine，转成FeatureCollection，再做空间叠加。坐标系统一用CGCS2000 / 3度带高斯投影，这一点必须提前确认，否则后面所有图层叠加都会错位。

// 读取管理范围线，并打印第一条要素做校验 var manageZone = pie.FeatureCollection("users/case/hanjiang_manage_zone"); print(manageZone.first());

这段代码只做一件事：验证划界数据能不能被平台正确读取。实际项目里，划界成果经常是ArcGIS的gdb或shapefile，需要先用QGIS或ArcGIS转成GeoJSON再上传。我习惯转完以后用QGIS打开看一眼，检查有没有飞线、断面、坐标值超出合理范围的情况。坐标系统一这个步骤看着基础，却是后面所有叠加分析的地基，这里翻了车，后面全盘皆输。

3.2 第二步：影像配准和辐射归一化，别让两期影像产生“假变化”

不同期影像可能来自不同传感器，也可能同一传感器不同季节。不消除成像条件差异，NDVI差分出来的全是噪声。常见做法有两种：绝对定标，把DN值转成地表反射率；相对归一化，以较早一期影像为基准，对后一期做线性回归匹配。对河湖监管这类业务，我一般用相对归一化，简单且够用。

// 以基准影像为参考，对目标影像做线性回归归一化 var gains = {'B4': 0.92, 'B8': 0.95}; // 增益，由全影像回归统计得到 var offsets = {'B4': 0.01, 'B8': 0.005}; // 偏置 var targetReg = target.multiply(gains).add(offsets);

代码里的0.92和0.01不是拍脑袋定的，是用两期影像的重叠区域逐波段回归出来的。具体做法是在影像上均匀取几千个样本点，把两期同名波段的像元值做散点图，拟合一条直线，斜率是增益，截距是偏置。这个过程在PIE-Engine里可以用采样点和线性回归算子完成，不需要把影像下载到本地。这里很容易踩的坑是：只对可见光波段做了归一化，红外波段没做，导致NDVI差分结果在某些区域整体偏移。

3.3 第三步：选变化检测算法，三种思路各有代价

差值法最简单，NDVI或NDBI后一时相减前一时相，超过阈值就是变化区域。计算量小，适合快速摸底，但季节差异大的地区误报率很高。比值法处理后时相除以前时相，对辐射归一化的误差更敏感，但能突出低值区的细微变化。分类后比较要先分别分类再比较类型变化，准确率高，但需要大量训练样本，工作量翻倍。

我一般这样选：如果只做季度监测，用差值法加形态学后处理就够；如果做月度监测，建议上分类后比较，因为月度影像的物候差异大，简单阈值很难压住误报。选算法的本质是选“误报容忍度”，河湖四乱监管的现场核查资源有限，误报超过50%会影响整个业务信心，所以宁可漏一点，也要保证图斑的准确率。这个权衡要在项目启动时就和业务方确认清楚，否则算法做完了再改方向代价非常大。

3.4 第四步：图斑后处理，把像元沸点变成地理对象

变化检测输出的是一堆零散像元，必须做连通域聚类，把相邻的变化像元连成图斑，再去掉小碎块，按最小面积过滤。河湖四乱场景里，我把最小面积设为200到500平方米，低于这个值的现场根本核不过来。形态学开运算半径设1到3个像元，去掉孤立噪点。

var connected = change.connectedComponents(8, 8); var sizeFiltered = connected.filterSize(200, 'pixels'); // 按像元数过滤

这里的8和8指八邻域连通、初始标识增长迭代8次，是处理中等尺寸影像的常用配置。filterSize的200指的是像元个数，如果影像分辨率是10米，200个像元就是2万平方米，这个面积门槛太大了。所以要按影像分辨率换算：10米影像下，200平方米等于2个像元，直接过滤会漏掉小图斑；0.5米影像下，200平方米等于800个像元。务必先把面积换算成像素数再写进过滤条件，这是新人最容易卡住的细节。

4. 用航天宏图 PIE-Engine 跑通最小监管流程：关键代码与参数调整

4.1 构造影像集合：时间窗、云量和空间范围一起过滤

PIE-Engine的用法与Google Earth Engine相近，先创建一个ImageCollection，然后用Filter组合条件筛选影像。河湖监管的最小流程需要一个明确的时间窗，比如“2023年10月到12月”，再加云量过滤，云太多的话后续NDVI全是噪声。

var filter = pie.Filter.and( pie.Filter.date('2023-10-01', '2023-12-31'), pie.Filter.lt('cloudCover', 10) ); var collection = pie.ImageCollection('S2') .filter(filter) .filterBounds(manageZone.geometry()); var latest = collection.sort('date', false).first(); var earliest = collection.sort('date', true).first();

这个集合构造有几个隐含细节。云量过滤设10%以内是指整景影像的平均云量，局部地区可能有云，所以还要在后续计算里再做一次云掩膜。sort排序是按影像的date属性排序，false是降序取最新，true是升序取最早。如果这段时间里影像数量很多，先做一次中值合成（median）会比直接取单景更稳，能压掉部分噪声和云影。

4.2 计算NDVI差值并提取变化区域

拿到两期影像后，分别计算NDVI，再差分，超过阈值的位置就是疑似变化。

var ndviEarliest = earliest.normalizedDifference(['B8', 'B4']); var ndviLatest = latest.normalizedDifference(['B8', 'B4']); var diff = ndviLatest.subtract(ndviEarliest).rename('ndvi_diff'); var change = diff.gt(0.15).and(diff.lt(0.5)).selfMask(); var connected = change.connectedComponents(8, 8);

阈值0.15是经验起点，不是真理。它的含义是“后一时期NDVI比前一时期高0.15以上”，对应的是植被明显变多等情况。但河湖四乱里我们更关心植被变少、裸土和建筑变多，所以diff.gt(0.15)检测的是“变绿”，实际业务里更需要diff.lt(-0.15)来检测“变秃”。这是我用这套逻辑时踩过的坑：只看正向差值，结果把秋季农田收割误判成“新增裸土”，满屏误报。业务场景里要根据四乱类型分别设定正负阈值，乱占乱建看负向变化，乱堆要结合位置和纹理综合判断。

4.3 三个必调参数：阈值、面积和形态学半径

这三个参数是整套流程里最需要反复试的。NDVI阈值建议先从0.15起步，跑完一版结果后，挑几个已知的违建点看看能不能检测出来，再慢慢调低。最小图斑面积要结合当地实际情况，比如某省要求“乱占”按图斑面积500平方米以上立案，那就把门槛设为500平方米，别为了追求“全覆盖”把自己淹没在碎图斑里。形态学半径按影像分辨率来，10米分辨率影像用1个像元左右就够，2米分辨率影像可以用2到3个像元。

4.4 导出疑似问题清单：字段设计决定业务流转效率

变化检测做完，要把图斑导出成矢量数据，交给业务系统或核查App使用。PIE-Engine里可以用reduceToVectors把栅格转成矢量，再导出GeoJSON或CSV。字段设计是这个环节的核心，我建议至少包含以下内容：

suspect_type这个字段最容易没人填。自动化识别只能给“疑似”，最终定性是现场核查人员填的，但这个字段又很关键，因为派单的时候不同的疑似类型要分给不同科室。我见过的方案里，有的用规则自动初判，比如图斑紧邻水域且形状长条形，就归为疑似乱占；有的直接全部标为“待核查”，靠人工看图斑影像再分。两种方式各有取舍，具体用哪个取决于业务系统能不能承受人工标注的工作量。

5. 避坑指南：卫星遥感监管落地的6个常见坑

5.1 数据层面的三个坑：误报、假变化和坐标漂移

坑一：农田轮作被当成违建图斑，误报率高达80%。

现象：秋季水稻收割后的裸田在影像上呈土黄色，NDVI比夏季下降明显，被算法识别为“新增裸土/疑似违建”。原因：NDVI差值法只能测“绿度变化”，无法区分是自然物候还是人工改变。解决：一是引入物候约束，比如只比较同季节影像，二是增加纹理和形状特征，农田地块边界规则、内部纹理均匀，违建堆场边界参差，两者差别很大。

坑二：两期影像空间配准误差导致河流边界出现“假变化”。

现象：河流沿岸出现大量细长形变化图斑，位置紧贴水边线，核查后发现什么也没有。原因：前后两期影像来自不同传感器，几何校正精度不同，河道边界偏移了几个像元。解决：先做影像配准，用影像匹配算法把两期影像对齐到亚像元精度；或者对变化检测结果加一个“距水边线距离”的缓冲过滤，30米以内的变化图斑先不派单，人工复核。

坑三：管理范围线和影像坐标系不一致，图斑飞到河对岸。

现象：叠加分析显示违建图斑落在管理范围内，现场核查人员到了位置却什么都没找到，再一查图斑在河对岸。原因：shapefile的坐标系是CGCS2000，而影像默认用了WGS84，两者相差上百米。解决：统一用CGCS2000 / 3度带高斯投影，并在导入后做一次几何校验。校验方法很简单，把管理范围线叠加到影像上，看河流中心线是否连贯、管理边界是否与岸线吻合。

5.2 业务闭环的三个坑：范围线、App与数据版本

坑四：管理范围线本身是错的，算法越准错得越离谱。

现象：部分河段的划界成果是早期手工勾绘的，与高分辨率影像明显不匹配，界线穿过了民房或农田。原因：历史划界数据精度低，遥感影像分辨率提高后，老边界经不起细看。解决：在项目启动阶段做一次管理范围线修测，用0.5米影像人工复核，把明显偏差的线段重新调整。这项工作费时费力，但不做的话，后面所有的空间分析结果都会被人质疑。

坑五：图斑導出以后，核查App里影像和矢量对不上。

现象：核查人员拿着手机到现场，App里显示“图斑在河边”，实际位置在河堤外，照片拍出来无法对应。原因：App端的地图底图用了在线影像，网络加载时自动做了投影转换，而图斑坐标是原始投影坐标系，两套系统之间精度损失。解决：导出图斑时直接转成WGS84经纬度坐标，并在App端统一使用同一套底图服务，避免二次转换。

坑六：没有数据版本管理，时间序列分析断档。

现象：上一个月还能看到历史影像序列，下一个月发现数据被覆盖了，想回看某一期时找不回来。原因：云平台上的影像集合是动态更新的，缓存策略不清，早期影像被清理。解决：重要时相的影像要在处理完成后立刻导出并归档，或者建立自己的影像库。河湖四乱的核查经常要追溯历史，几个月前的“已整改图斑”需要调原始影像比对，这一步省不得。

6. 把监管频次从季度顶到月度：时序分析与自动预警的进阶玩法

月度监管和季度监管是两套玩法。季度监测用两期影像差分就够，月度监测的核心是处理影像不连续的问题——云遮挡、传感器损坏、数据缺失都会让时间序列断档。我的做法是混合使用Sentinel-2（10米分辨率、5天重访）和国产2米卫星数据，晴天用光学影像，连续阴雨天用SAR补充。两种数据的时间基线不一致，直接拼接会产生跳变，但用于月度变化检测是可接受的，只要在导出字段里标明数据源。

进阶一点的做法是把单次差分改成连续变化检测，逐像元对时间序列做回归，当观测值偏离拟合基线超过设定阈值时，标记为变化点。这类算法的好处是能把“慢变化”也识别出来，比如砂石堆在三个月内逐步扩大，单看一期到另一期的差异可能不够明显，但时间序列的斜率变化会触发预警。对应的算力消耗也大，不建议全省跑，只对重点河段、过去发生过四乱的区域做。

自动预警规则我一般设三级：第一级，新图斑落入管理范围线内，直接生成工单；第二级，图斑面积超过设定阈值且连续两期监测均未消失，升级为“疑似新增”；第三级，三类以上疑似特征同时出现，例如NDVI下降且水体浑浊度上升，系统自动推送短信给河长。这个规则的阈值不用一开始就调得很精确，先用几个月让系统积累数据，再根据反馈迭代。

验证这套方案有没有用，最好拿历史案例回算。找过去一年里实际查处过的河湖四乱案例，把遥感影像喂给算法，统计检出率和误报率。我自己的习惯是每个季度抽20个案例做一次回算，检出率低于70%就调参数，误报率高于50%就加约束。遥感监管这个方向，技术本身不复杂，复杂的是一直跟着业务反馈迭代。有一次项目里因为春季序列没做辐射归一化，整年误报率居高不下，从那以后我每套流程启动前都先跑一遍归一化校验，这个习惯救了我很多次。希望帮到你。

本文还有配套的精品资源，点击获取