当一笔200万美元的洪水理赔，取决于分清水与阴影
我第一次真正意识到这件事的分量，是在快到午夜时盯着第二块显示器上一张灰度图像。那是一帧Sentinel-1雷达影像——所有做洪水工作的人最先接触的免费欧洲卫星数据——而画面里的某个地方有一场洪水。雷达把平静的水面呈现为暗色、近乎全黑，因为平坦的水面会把信号弹离卫星，而不是反射回去。所以我要找的就是那块暗斑。
问题在于，暗斑有两块。一块是洪水，另一块是山脊在雷达几何中投下的阴影——地形挡住了波束，什么信号都没有返回。在屏幕上，在那个时刻，它们看起来像双胞胎。我记得当时那个具体而令人不安的念头：某个地方总有一家保险公司，会根据我把这其中哪一块判定为水，来决定赔或不赔一笔理赔。
这就是面向参数化保险的卫星洪水情报的全部问题，被压缩进一张图像里。参数化保单不会等理算员去查勘被淹的仓库。它在某个测量出的触发条件满足时自动赔付——卫星说洪水达到了某个范围，钱就转出去了。对于一个灾难不断加速的世界，这是个绝妙的想法。但它也意味着卫星的分类就是那笔理赔。没有任何人站在水里去推翻它。
一个参数化触发器，把对某一颗卫星像素的一次读数，变成一笔电汇。
而卫星在两个方向上都会判断错误。
没人愿意放进幻灯片里的物理学
下面这一点我花了最长时间才接受，因为我一开始就假定这是一个我能靠工程能力攻克的软件问题。在光学卫星影像中，云影和洪水看起来几乎一模一样——不是相似，是在关键波段里完全相同。两者都吸收近红外和短波红外光。两者的边界都柔软、无定形。两者都把下方物体的纹理抹平成一片均匀的模糊。
标准的水体检测指数——NDWI和MNDWI，每条洪水处理流程所依赖的数学方法——都会把两者标记为“类水”，因为背后的物理机制确实一样：红外波段整体反射率的降低。风暴期间拍摄的单帧光学影像无法可靠地区分阴影与洪水，再高明的阈值处理也修复不了一个在源头上就真正模糊的信号。
有一个月，我确信答案是一个更好的模型。深度学习文献站在我们这边，而且确实令人印象深刻——一个改进的DeepLabV3网络，输入多极化雷达和地形数据，在已发表的研究中达到98.4%的整体准确率；一个带Transformer注意力的U-Net报告了95.5%。这些数字是真实的。我在早期的一次推介里引用过它们。而我没有说出口的、因为当时还没理解的是：这些准确率是在精心挑选的基准场景上测得的，而它们所学习的灾害训练集是被刻意倾斜的。
它们被倾斜是出于一个人道的理由。漏掉一场真实的洪水可能会害死人，所以标注和损失函数对漏报洪水的惩罚，远比对误报要严厉得多。结果是产生了一代系统性地“扣扳机太快”的分类器——当信号模棱两可时，它们倾向于判为“洪水”。这对于人道主义预警系统正是恰当的偏向，而对于一笔200万美元赔付的授权则恰恰是错误的偏向——在那里，误报不是四舍五入的误差。它是一笔电汇。
那个把一座山标记成被淹的演示
我们先做了最显而易见的东西。一个单帧分类器，以雷达为主导以便穿透云层，经过艰苦调优，在我们挑好的场景上演示得干净利落。我为它感到自豪。然后一位真正懂雷达几何的同事把它拿到一片多山的测试区域上运行，它以高置信度把一道山坡判为被淹。不是模棱两可的判断——是自信满满的。它找到了一块雷达阴影，就是那种在午夜那帧影像上让我不安的暗斑，然后把它叫作水。
我至今仍会想起，如果那个场景是一次真实触发，它会引出怎样一封假想的邮件。一位精算师，在三个时区之外，看着我们的自动判定——说某道山坡淹在两米深的水下——回信问出那个唯一重要的问题：你确定那是水，不是阴影吗？而我们的系统除了一个它根本无权给出的置信度分数之外，拿不出任何答案。
置信度数字不是证据。它是一个带小数点的意见。
那次失败为它之后的一切买了单。因为教训不是“把模型调得更狠”。教训是，没有任何单帧影像、没有任何单一传感器能够承载证明，而我一直在试图赢下一场物理学早已判输的争论。
雷达被当作解药来兜售——毕竟它能穿透云层，而这正是光学传感器做不到的。但雷达后向散射在平静水面上会下降，而且在崎岖地区的地形阴影、叠掩和前缩上也会下降。它在干旱地表、在冻融循环、在工业作物中都有自己的误报，最糟的是在城市里——信号在建筑物之间的二次反射会把积水完全掩盖掉。NASA自家的全球近实时洪水产品在行星尺度上说明了这一点：其一日合成图的误报如此之多，以至于NASA拒绝在其公开的Worldview查看器里发布它。只有二日和三日合成图——那些用了时间、而非单次观测的产品——才被认为可用于运行。在那些产品里，新建的水库会被读作洪水，最长可达三年，直到永久水体掩膜跟上为止。
这个规律一直摆在那里。修复误报的办法从来不是更清晰的图像。而是第二次观测，第三次观测——同一场景跨越时间。
究竟是什么把洪水与阴影区分开来？
把洪水与阴影区分开来的，不是它在一帧里长什么样，而是它在许多帧里如何变化。一座山的雷达阴影在每一次过境时都在同一个位置，全年如此——那是几何，不是天气。洪水会在干燥的基线之上出现，然后退去。云影在下一个晴天就消失了。具有辨别力的信号存在于时间序列堆栈之中，而不是那个像素里。
于是我们不再问“这个像素是水吗？”，而开始问“这个地方是否以只有洪水才能解释的方式发生了变化，对照我们所知的它平常的样子？”这一重新表述就是我们最终所构建之物的全部架构，也是为什么我们依靠多个传感器，而不是把赌注押在其中一个上。一帧雷达用来穿透风暴云层。事发前后的光学帧用来建立干燥基线并确认水的退去。一个地形模型用来排除那种在两者中都伪装成水的几何。已有研究表明，融合雷达与多光谱光学，能使受云影和阴影影响区域的检测比单传感器方法提升超过23%——不是因为各个传感器单独更好，而是因为每一个的失效模式，都是其他传感器能够看穿的。
这就是我们在Veriprajna构建的那一层：一个卫星洪水核验系统，它用时间维度上的SAR-光学融合把阴影与水区分开来，并为每一次触发事件生成一条取证级别的证据链——不是一个裁决，而是一个你可以递给精算师或法庭的论证。
一句诚实的工程告诫，是我希望买方在签任何东西之前听到的：免费数据有一只时钟。恢复后的双卫星Sentinel-1星座提供六天的重访周期。一场在两次过境之间涨到峰值又退去的洪水，可能会被免费但缓慢的数据错过。所以这门手艺的一部分，就是知道什么时候免费的Sentinel数据够用，什么时候一次事件需要委托一颗商业雷达卫星——视分辨率和紧急程度而定，每景大约在一千到五千美元之间。那种取舍是逐事件的判断，而不是一个订阅档位。
为什么不直接买洪水报告就好？
关于这一切是否值得去做，我们内部有过一场真正的争论。反对的理由很简单：已经有公司在卖洪水报告了。为什么不转售那些？
这是个公允的质疑，而且这些供应商是真的很出色。ICEYE拥有世界上最大的商业雷达星座——60多颗卫星——在飓风Helene期间，它穿过风暴云层推送了150多张影像，并绘制了佛罗里达州8万多栋建筑。这非同凡响。但你买的是他们的产品，而不是在构建一种情报能力，而且在投资组合规模上做逐事件的取证核验，会很快撞上他们的定价。Floodbase有慕尼黑再保险公司的支持，并与Capella雷达星座合作，已经构建出一套真正端到端的参数化方案——触发设计、定价、赔付认证。但你得到的是他们的方法论，是为他们的传感器合作关系量身调优的，而不是一套贴合你自己特定业务簿册的系统。
而免费的黄金标准也有它自己的天花板。欧洲的哥白尼应急管理服务，是一整个大陆在灾害制图上所信赖的系统。然而它的快速制图服务档位只在布鲁塞尔时间上午8点到晚上8点、且仅限工作日运行。我总会回想起2024年10月的瓦伦西亚——八个小时下了一年的雨量，超过227人死亡。哥白尼花了三到四天才发布洪水范围。等它出来时，确认了15,633公顷受淹、约19万人受影响。这个延迟不是程序缺陷。最关键的头24小时落在了夜间并延续到傍晚，处在服务窗口之外。这个大陆的洪水情报系统，在它最被需要的那几个小时里，实际上是关闭的。
于是这场争论自行有了结论。这些供应商在他们被打造出来去做的事情上非常优秀。但它们中没有一个是被打造成一个供应商中立的核验层——去融合事件实际所需的任意传感器，并递给你一份可为你的触发辩护的证据。那个空白，就是这家公司。
更令人痛的那种失败：那场不赔付的洪水
很长一段时间里，我把这项工作看作一个误报问题——阻止系统为没有发生的洪水赔付。然后我读到了关于那加兰的报道。
印度那加兰的一个参数化洪水方案，尽管有暴雨和地面上已确认的洪灾，却未能触发。卫星推导出的阈值相对于地面实际被设得太高了。人们被淹了。保单本应赔付。它没有。那是另一种失效模式，而以人的代价来衡量，它是更糟的那一种。
这就是行业所称的基差风险——触发器所测量的，与投保人实际经历之间的落差。误报耗尽保险公司的准备金，并招致欺诈。漏报摧毁投保人的信任，并滋生诉讼。两种失败都在攻击同一样东西：参数化模型本身的可信度——这使它更难销售、也更难获得监管者批准。你无法通过选择往哪个方向出错来解决其中一个方向。收紧阈值以阻止误付，恰恰就是你制造出一个那加兰的方式。
你不是通过选择往哪个方向出错来解决基差风险的。你是通过能够证明当时到底什么被淹在水下，来解决它的。
这就是为什么我们系统的输出不是一个是/否。它是一张带审计轨迹的逐像素置信度图——观测到了什么，由哪些传感器、在什么时间、以何种确定性观测，以及排除了什么。这些证据经得起精算审查和法律推敲，因为在这个行当里，触发决定最终总会被某个当时不在场的人拿来争辩。
为什么参数化洪水保障突然成了所有人的问题？
这一切之所以每年都变得更重要，原因残酷地简单：水在赢。2025年全球自然灾害保险损失达到1290亿美元。而保障缺口——即没有人投保的那部分灾害损失——在全球大约占52%到56%。2024年，气候灾害造成了3680亿美元的损失，其中2230亿美元未获投保，缺口达61%。在美国，独栋住宅的年度洪水损失高达244亿美元，其中约70%未获投保。
参数化保险的存在就是为了弥合这一缺口，而且它增长迅速——2026年市场规模为210亿至240亿美元，预计到2030年将逼近387亿美元——恰恰是因为它能在几天而非几个月内赔付，并触及传统保险从未覆盖到的人群。2026年3月，一个由包括AXA Climate、瑞士再保险和ICEYE在内的联合体设计的参数化洪水方案，在尼日利亚拉各斯上线，覆盖四百万人。四百万人的理赔，将由一颗卫星对水在哪里的读数来决定。
那种规模，正是把核验做对的理由。当触发器覆盖四百万人时，“大概被淹了”不是一个站得住脚的标准。横在一个参数化项目与一场声誉灾难之间的，正是能否有人逐帧证明：触发器是因为水、而不是因为一道阴影才启动的。
有人问我，AI天气预测是否让卫星这一层变得多余——那些预测性洪水模型确实越来越好了。它们并没有。预报告诉你可能会发生什么；而一次参数化赔付要求的是关于确实发生了什么的证明。也有人问，地面传感器——一些保险公司用来削减基差风险的物理水深计——是否让卫星变得没必要。在它们存在的地方，它们帮助极大，但你没法在地球上每一公里的洪泛平原上都放一个水深计。卫星就是你如何看见那些无人布设仪器的地方——而在一场灾难中，那就是大多数地方。
那帧带着两块暗斑的午夜影像，至今仍是我对这项工作最真实的写照。一块是水，一块是阴影。整门学问归结为：构建一个能告诉你是哪一块的系统——然后向那个即将动钱的人展示它的推演过程。如果你正在设计或承保一个参数化洪水项目，而那个区分让你夜不能寐，这正是我们所为之构建的问题。
水不会变得更容易读懂。证明，才是这个产品。
