當一筆 200 萬美元的洪水理賠，取決於分辨水與陰影
第一次真正對我產生衝擊，是在接近午夜時，我盯著第二台螢幕上的一張單色灰階影像。那是一幅 Sentinel-1 雷達影像——洪水工作中人人起步都會用到的免費歐洲衛星資料——而那幅影像裡的某處有一場洪水。雷達把平滑的水面呈現為暗色、幾乎全黑，因為平坦的水面會把訊號反射開，偏離衛星，而不是反射回衛星。所以我要找的就是那片暗斑。
問題是，暗斑有兩片。一片是洪水。另一片是山脊在雷達幾何中投下的陰影，那裡地形擋住了波束，什麼都反射不回來。在那個時刻的螢幕上，它們看起來就像雙胞胎。而我記得那個具體而令人不安的念頭：某處會有一位保險業者，將根據我把這兩者中的哪一片判定為水，來決定賠或不賠一筆理賠。
這就是用於參數型保險的衛星洪水情報的整個難題，被壓縮進一張影像裡。參數型保單不會等理賠員去勘查一座被淹的倉庫。它會在某個測得的觸發條件被觸發時自動理賠——衛星判定洪水達到了某個範圍，錢就撥出去。對於一個災難正在加速的世界而言，這是個美好的構想。但這也意味著衛星的分類判定就是那筆理賠。沒有一個真人站在水裡去推翻它。
一個參數型觸發條件，會把對某一顆衛星某一個像素的一次判讀，變成一筆電匯。
而衛星在兩個方向上都會判斷錯誤。
沒人想放進簡報投影片的物理現實
這部分是我花了最久才接受的，因為我一開始以為這是個我能靠工程能力解決的軟體問題。在光學衛星影像中，雲影和洪水看起來幾乎一模一樣——不是相似，而是在真正關鍵的那些波段裡一模一樣。兩者都吸收近紅外光和短波紅外光。兩者的邊界都柔和、無定形。兩者都把其下方任何東西的紋理都抹平成一片均勻的模糊。
標準的水體偵測指數——NDWI 與 MNDWI，也就是每一條洪水處理流程所倚賴的數學運算——都把兩者標記為「類似水體」，因為底層的物理現實確實相同：紅外波段整體反射率降低。在暴風雨期間拍下的單幅光學影像，無法可靠地把陰影和洪水區分開來，而再巧妙的閾值設定也無法修復一個在源頭上就真正曖昧不清的訊號。
我有一個月堅信答案是一個更好的模型。我們有深度學習的文獻站在我們這邊，而它確實令人印象深刻——在已發表的研究中，一個經過改良、餵入多極化雷達與地形資料的 DeepLabV3 網路達到了 98.4% 的整體準確率；一個帶有 transformer 注意力機制的 U-Net 則回報了 95.5%。那些數字是真的。我在早期的一次提案中引用過它們。而我沒有說出口的、因為當時我還不理解的是：那些準確率是在精心策劃的基準測試場景上測得的，而它們所學習的災難訓練集是被刻意偏置過的。
它們被偏置是出於一個人道的理由。漏掉一場真實的洪水可能會害死人，所以標籤和損失函數對漏報一場洪水的懲罰，遠比誤報要嚴厲得多。其結果是一整代系統性地「見洪就報」的分類器——當訊號模稜兩可時，它們會偏向判定為「洪水」。對於一個人道主義的預警系統來說，那正是恰當的偏置；而對於一筆 200 萬美元的理賠授權而言，那卻正是錯誤的偏置，在這裡誤報並不是一個可忽略的捨入誤差。它是一筆電匯。
把一座山標記為被淹沒的那次示範
我們先做了那個最理所當然的東西。一個單幅影像的分類器，以雷達為主導以便穿透雲層，經過重度調校，在我們挑選好的場景上示範得乾淨俐落。我對它很自豪。然後，一位真正懂得雷達幾何的同事把它拿到一個多山的測試區域上跑，它以高信心把一片山坡標記為被淹沒。不是模稜兩可的判定——而是一次充滿信心的判定。它找到了一片雷達陰影，就是那個在午夜影像上曾令我不安的同一種暗斑，並把它判定為水。
我至今仍會想起，如果那個場景是一次即時觸發，它會引發的那封假想電子郵件。一位在三個時區之外的精算師，看著我們的自動判定結果——說某片山坡正泡在兩公尺深的水下——回信問了那個唯一重要的問題：你確定那是水，而不是陰影嗎？而我們的系統除了一個它根本沒資格給出的信心分數之外，拿不出任何答案。
一個信心數字並不是證據。它是一個帶著小數點的意見。
那次失敗，換來了此後的一切。因為那個教訓並不是「把模型調得更狠」。那個教訓是：沒有任何單一影像、也沒有任何單一感測器能承載那份證明，而我一直在試圖贏一場物理現實早已判輸了的爭論。
雷達被當成解方來兜售——畢竟它能穿透雲層，這是光學感測器做不到的。但雷達的後向散射不僅在平滑水面上會下降，還在崎嶇地形的地形陰影、疊掩和前縮效應上也會下降。它在乾旱地面、在凍融循環中、在工業作物上都有自己的誤報，而最糟糕的是在城市裡，訊號在建築物之間的二次反彈可能會完全遮蔽住積水。NASA 自家的全球近即時洪水產品在行星尺度上證明了這一點：它的單日合成影像有太多誤報，以至於 NASA 拒絕在他們公開的 Worldview 檢視器中發布它。只有兩日和三日的合成影像——也就是那些運用了時間、而非單次觀測的影像——才被視為可用於實務運作。在那些產品中，新建的水庫會被判讀為洪水，長達三年之久，直到永久水體遮罩追趕上為止。
這個模式一直就擺在那裡。修正誤報的方法從來都不是一張更銳利的影像。而是第二次觀測，還有第三次——同一個場景跨越時間的觀測。
究竟是什麼把洪水和陰影區分開來？
把洪水和陰影區分開來的，不是它在單幅影像中看起來如何。而是它跨越許多幅影像時的表現方式。一座山的雷達陰影，一年到頭每一次通過都在同一個位置——那是幾何，不是天氣。洪水是在一個乾燥的基線上出現，然後消退。雲影到了下一個晴天就消失了。那個具鑑別力的訊號存在於時序堆疊之中，而非那個像素裡。
於是我們不再問「這個像素是水嗎？」，而是開始問「相對於我們對這個地方平常樣貌的一切認知，它是否以一種只有洪水才能解釋的方式發生了改變？」那次重新框定，就是我們最終所打造之物的整個架構，也是為什麼我們倚賴多個感測器，而不是把賭注押在單一一個上。用一幅雷達影像來穿透暴風雲。用之前和之後的光學影像來確立乾燥基線並確認水位消退。用一個地形模型來排除那個在兩者中都會偽裝成水的幾何。已有研究顯示，融合雷達與多光譜光學影像，在受雲影和陰影影響的區域中，能比單一感測器方法提升偵測效果超過 23%——這不是因為各個感測器單獨來看更優秀，而是因為每一個感測器的失效模式，都是其他感測器能看穿的東西。
這就是我們在 Veriprajna 所打造的那一層：一個衛星洪水驗證系統，它運用時序 SAR-光學融合把陰影與水分辨開來，並為每一次觸發事件產出一條達到鑑識等級的證據軌跡——不是一個判決，而是一個你可以交給精算師或法庭的論證。
那個誠實的工程告誡，也就是我會希望買家在簽任何東西之前都聽到的：免費資料是有時間限制的。重建後的雙衛星 Sentinel-1 星座提供六天的重訪週期。一場在兩次通過之間漲到峰值又退去的洪水峰值，可能會被免費但緩慢的資料所遺漏。所以這門手藝的一部分，就是知道什麼時候免費的 Sentinel 資料就足夠，而什麼時候一個事件需要調度一顆商業雷達衛星——依解析度和緊急程度而定，一幅影像大約要花一千到五千美元。那個取捨是逐一事件的判斷，不是一個訂閱方案等級。
為什麼不乾脆買現成的洪水報告就好？
關於這一切究竟值不值得打造，我們內部有過一場真正的爭論。反對的理由很簡單：已經有公司在賣洪水報告了。何不轉售那些就好？
這是一個合理的質疑，而那些供應商也確實很優秀。ICEYE 擁有全世界最大的商業雷達星座——超過 60 顆衛星——在颶風 Helene 期間，它推送了超過 150 幅穿透暴風雲的影像，並繪製了佛羅里達州超過 8 萬棟建築物的地圖。那是非凡的成就。但你買的是他們的產品，而不是在打造一項情報能力，而且在投資組合規模上進行逐一事件的鑑識驗證，很快就會撞上他們的定價。Floodbase 有慕尼黑再保險公司作後盾，並與 Capella 雷達星座合作，它打造了一套真正端到端的參數型解決方案——觸發條件設計、定價、理賠認證。但你拿到的是他們的方法論，是針對他們的感測器合作關係調校的，而不是一個依你自己特定業務內容量身打造的系統。
而那個免費的黃金標準也有它自己的天花板。歐洲的哥白尼緊急管理服務（Copernicus Emergency Management Service）是一整個大陸賴以進行災害測繪的系統。然而它的快速測繪服務層級只在布魯塞爾時間上午 8 點到晚上 8 點運作，而且僅限工作日。我一再想起 2024 年 10 月的瓦倫西亞——八小時內下了一整年份量的雨，超過 227 人罹難。哥白尼花了三到四天才發布洪水範圍。當它終於發布時，確認了 15,633 公頃的受災面積和約 19 萬人受影響。那個延遲並不是一個程式錯誤。最關鍵的頭 24 小時落在深夜並延續到傍晚，都在服務時段之外。這個大陸的洪水情報系統，在它最被需要的那幾個小時裡，功能上是關閉的。
於是這場爭論自己有了結論。那些供應商在他們被打造來做的事情上都很出色。但沒有一個是被打造來當一個供應商中立的驗證層，去融合事件實際所需的任何感測器，並交給你一份為你的觸發條件辯護得住的證據。那個缺口，就是這家公司。
更令人痛苦的那種失敗：不理賠的那場洪水
有很長一段時間，我把這項工作想成是一個誤報的問題——讓系統別為沒發生的洪水付錢。然後我讀到了關於納加蘭的事。
印度納加蘭的一個參數型洪水方案，儘管有大雨、地面上也確認了淹水，卻未能觸發理賠。那個以衛星推導出來的閾值，相對於地面實況被設定得太高了。人們被淹了。保單本應理賠。它卻沒有。那就是另一種失效模式，而就人性的角度而言，它是更糟的那一種。
這就是業界所稱的基差風險（basis risk）——觸發條件所測量到的，與保戶實際所經歷的之間的落差。一次誤報會耗盡保險業者的準備金並招致詐欺。一次漏報則會摧毀保戶的信任並滋生訴訟。這兩種失敗都在攻擊同一個東西：參數型模型本身的可信度——這使它更難銷售，也更難獲得監理機關的核准。你無法靠往另一個方向靠得更狠，來解決其中一個方向。收緊閾值以阻止誤付，正是你製造出一個納加蘭的方式。
你不會靠選擇要往哪個方向錯，來修正基差風險。你修正它的方式，是要有能力證明實際上究竟是什麼在水下。
這就是為什麼我們系統的輸出並不是一個是/否。它是一張逐像素的信心地圖，附帶一條稽核軌跡——什麼被觀測到了、由哪些感測器、在什麼時間、以什麼樣的確定程度，以及什麼被排除了。那是一份能通得過精算審查與法律檢視的證據，因為在這門生意裡，觸發決策終究會被一個當時不在現場的人拿來爭論。
為什麼參數型洪水保障突然變成了所有人的問題？
這一切之所以逐年變得更加重要，理由殘酷地簡單：水正在贏。2025 年全球有承保的自然災害損失達到 1,290 億美元。而保障缺口——也就是那份無人承保的災害損失佔比——在全球約為 52% 到 56%。2024 年，氣候災難造成了 3,680 億美元的損失，其中有 2,230 億美元未獲承保，缺口達 61%。在美國，獨棟住宅的年度洪水損失達 244 億美元，而其中約 70% 未獲承保。
參數型保險的存在就是為了彌合那個缺口，而它正在快速成長——2026 年是一個 210 至 240 億美元的市場，預計到 2030 年將邁向 387 億美元——正是因為它能在幾天之內、而非幾個月之後理賠，並觸及傳統保險從未觸及的人群。2026 年 3 月，一個由 AXA Climate、Swiss Re 和 ICEYE 等組成的聯盟所設計的參數型洪水方案，在奈及利亞的拉哥斯上線，涵蓋四百萬人。這四百萬人的理賠，將由一顆衛星對水位所在之處的判讀來決定。
那個規模，就是把驗證做對的理由。當觸發條件涵蓋四百萬人時，「大概淹了」並不是一個站得住腳的標準。橫亙在一個參數型計畫與一場聲譽災難之間的，就是有沒有人能夠一幀一幀地證明，觸發條件是因為水、而不是因為一片陰影才被觸發的。
人們問我，AI 天氣預測是否讓衛星那一層變得多餘——那些預測性的洪水模型正變得真正出色。它們並沒有。一個預報告訴你可能會發生什麼；一筆參數型理賠所要求的，是關於實際發生了什麼的證明。確實。也有人問，地面感測器——也就是某些保險業者用來削減基差風險的實體水深計——是否讓衛星變得沒有必要。它們在存在的地方幫助極大，但你無法在地球上每一公里的氾濫平原都放一個水深計。衛星就是你如何看見那些沒有人裝設儀器的地方——而在一場災難期間，那正是絕大多數的地方。
那幅帶著兩片暗斑的午夜影像，至今仍是我所擁有關於這項工作最真實的寫照。一片是水。一片是陰影。整門學問歸結為打造一個系統，它能告訴你究竟是哪一片——然後把它的推論過程，展示給那個即將要撥動這筆錢的人看。如果你正在設計或承保一個參數型洪水計畫，而那個區別讓你夜不能寐，這正是我們為之打造的問題。
水不會變得更容易判讀。那份證明，就是產品本身。
