單幀衛星偵測會將雲影誤判為洪水。當一筆 $2M 的參數型理賠取決於這項分類時,「大概淹水了」並不足夠。我們建構洪水驗證系統,運用時序 SAR-光學融合將陰影與水體區分開來,為每一次觸發事件產出鑑識等級的證據鏈。
$129B
2025 年全球已投保的自然災害損失
Gallagher Re,2026 年 1 月
52-56%
全球未投保的巨災損失占比
Munich Re,2025 年
70%
供應鏈中斷與洪水相關的比例
DOXA,2024 年
在光學衛星影像中,雲影與洪水看起來幾乎一模一樣。兩者都會吸收近紅外與短波紅外輻射。兩者都具有不規則、無定形的邊界。兩者都會抑制像素中的地表紋理。在洪水事件期間拍攝的單一張 Sentinel-2 影像,僅憑光譜指數無法可靠地將兩者區分開來。NDWI 與 MNDWI 這兩個標準的水體偵測指數會將兩者都標記為「類水體」,因為其底層的物理機制相同:NIR/SWIR 波段的反射率降低。在災害資料集上訓練的模型會加劇這個問題。訓練集的權重設定為對漏報洪水的懲罰遠重於誤報,因為漏掉一場真實洪水的人道成本超過誤偵測的成本。其結果是分類器系統性地過度敏感,在訊號模稜兩可時將邊緣案例標記為洪水。
西班牙瓦倫西亞,2024 年 10 月。一年份的雨量在 8 小時內降下。227 人以上罹難。歐洲賴以進行衛星災害應變的哥白尼緊急管理服務(Copernicus Emergency Management Service)花了 3-4 天才發布洪水範圍分析。結果出爐時,證實有 15,633 公頃受影響、約 190,000 人受波及。這項延遲是結構性的,而非偶然。Copernicus EMS 第 2 級服務僅在布魯塞爾時間工作日的 08:00-20:00 運作。瓦倫西亞關鍵的最初 24 小時與傍晚及深夜時段重疊。一整個大陸所仰賴的洪水情報系統,在資訊最為迫切的時段卻實質上處於關閉狀態。
印度那加蘭邦。儘管降下豪雨並確認地面發生洪水,一項參數型洪水保險方案卻未能觸發。衛星推導出的門檻相對於地面實況設定得過高。這是相反的失效模式:由觸發校準錯誤導致的漏報。參數型保險同時面臨兩個方向的失效。誤報(雲影為非洪水事件觸發理賠)會耗盡準備金並招來詐欺。漏報(真實洪水未能觸發保單)會摧毀保戶信任並引發訴訟。這兩種失效模式都會削弱參數型模型本身的可信度,使保險公司更難銷售、監管機構更難核准。
合成孔徑雷達(SAR)常被視為解決方案,因為它能穿透雲層。當雷達照射到平滑水面時,Sentinel-1 的 VV 極化後向散射會因鏡面反射而下降。但在山區,後向散射也會因雷達疊掩與前縮而在地形陰影處下降。SAR 並非萬靈丹。NASA 由 MODIS 與 VIIRS 推導出的 LANCE 近即時洪水產品,在全球尺度上展現了這個問題。其 1 日合成影像的誤報太多,NASA 甚至不在 Worldview 視覺化工具中發布它。只有運用時序持續性來濾除雜訊的 2 日與 3 日合成影像,才會發布供作業使用。新建水庫會被誤分類為洪水,長達 3 年之久,直到永久水體遮罩更新為止。誤報問題存在於每一種感測器模式之中。
對衛星洪水偵測與分析領域主要供應商、產品與方法的直接比較。
| 供應商 | 他們做什麼 | 優勢 | 缺口 |
|---|---|---|---|
| ICEYE | SAR 衛星星座 + Flood Rapid Impact 產品(機器學習驅動,6-12 小時交付) | 垂直整合:同時擁有 60 顆以上的衛星與分析能力。颶風 Helene:穿透風暴雲層拍攝 150 張以上影像,在佛羅里達州測繪 80,000 棟以上的建築。 | 其定價使得在投資組合規模下進行逐事件鑑識驗證的成本過於高昂。你買的是他們的產品,而非建構你自己的情報能力。無光學融合。 |
| Floodbase(前身為 Cloud to Street) | 搭配 Capella SAR 合作關係的多感測器參數型洪水觸發 | 端到端的參數型解決方案:定價、觸發設計、理賠認證。由 Munich Re 支持的哥倫比亞計畫。 | 提供觸發認證,而非鑑識驗證。受限於他們的感測器合作關係。你得到的是他們的方法論,而非針對你特定投資組合調校的系統。 |
| Copernicus EMS | 使用 Sentinel 資料的政府快速測繪 | 免費。歐洲災害應變的黃金標準。由 ESA 支持。 | 僅限啟動式(非持續監測)。SL2 僅在布魯塞爾工作日 08:00-20:00 運作。3-4 天的處理週期(瓦倫西亞)。只有授權使用者能請求啟動。 |
| Planet Labs | 200 顆以上的光學衛星,每日全球成像 | 極高的重訪率。良好的基準監測。 | 僅限光學。在雲量 100% 的活躍風暴期間毫無用處。無法驗證雲下的洪水。 |
| Maxar | 極高解析度光學,面向災害的開放資料計畫 | 最佳的光學解析度。政府信任(FEMA、NGA)。 | 事件驅動,非持續式。與 Planet 相同的光學限制。啟動延遲。 |
| H2O.ai / NVIDIA | 多代理人洪水情報藍圖 | 由 USGS/NOAA/氣象資料驅動的預測式 AI。NVIDIA 加速。 | 是軟體框架,而非衛星資料管線。是預測,而非驗證。你仍然需要觀測層。 |
| 四大會計師事務所 / 大型系統整合商 | 氣候風險顧問、ESG 報告 | 品牌公信力。既有的企業關係。 | 他們不建構衛星分析管線。專案費用介於 $500K-$5M+,週期漫長。他們會建議你採用 ICEYE,而非為你打造客製化的驗證系統。 |
| NASA LANCE | 免費的近即時洪水產品(MODIS/VIIRS) | 免費、全球、可作業。 | 1 日產品因雜訊過多(誤報率)而無法發布。新建水庫被誤分類為洪水長達 3 年。非保險等級。 |
每個系統都是為你的風險地理、觸發參數與作業需求量身打造。
面向參數型觸發驗證
我們針對你特定的關注區域與事件時間窗,從 Sentinel-1/2 檔案庫組裝時序 SAR-光學堆疊。管線會在每個像素的時序特徵上執行陰影判別分類器:陰影以雲速(50+ km/h)移動,並在數分鐘內消失。洪水會持續數小時至數天,並順坡而下流動。輸出是一份鑑識報告,包含像素級證據、洪水範圍多邊形、持續時間估計與信賴分數。專為證據必須經得起稽核人員審查的參數型理賠決策而設計。
將衛星偵測結果與獨立資料進行交叉比對
我們建構驗證層,將衛星偵測結果與多個獨立資料來源交叉比對:DEM 坡度約束(水不會在 30 度的坡面上積聚)、河川水位計遙測、氣象雷達降水量,以及歷史永久水體遮罩。當 Sentinel-1 在陡峭地形上顯示低後向散射時,系統會標記為雷達陰影,而非洪水。當 Sentinel-2 顯示暗區但 Sentinel-1 顯示高後向散射(粗糙的乾燥表面)時,那就是雲影。每一個被抑制的誤報都附帶一條解釋鏈,說明是哪個資料來源、以及為何與洪水分類相矛盾。
追蹤觸發與實況之間的落差
參數型觸發所量測的內容與地面實際發生狀況之間的落差,是參數型保險普及的最大單一障礙。我們建構儀表板來持續追蹤這個落差。針對每一起事件,系統會將觸發量測值與地面實況代理指標(水位計資料、理賠報告、空中勘測)進行比較。隨著時間推移,這會產生核保人員精修觸發參數所需的資料,以及 IAIS/FSI 指引如今對參數型產品所要求的稽核軌跡。
活躍事件期間的小時內分析
面向需要在活躍事件期間進行小時內分析的客戶。我們建構管線,在 SAR 資料下傳後數分鐘內完成處理,疊加關鍵基礎設施圖層(醫院、疏散路線、變電站),並將影響估計推送至緊急管理儀表板。其架構以在 Sentinel-1 GFM 資料上預訓練的分類器為基準,並在需要更高解析度或更快重訪時,輔以來自 Capella 或 Umbra 的商用 SAR 任務派遣。
對關鍵物流節點的持續監看
我們在你的關鍵供應鏈節點上建構監看系統:工廠、倉庫、港口、運輸走廊。系統結合 Sentinel-1 持續監測與氣象事件期間的商用 SAR 任務派遣,根據洪水軌跡模擬產生帶有預估中斷時間軸的警報。對於由洪水造成的 70% 與天氣相關的供應鏈中斷而言,這將「我們在貨物未送達時才發現」轉變為「我們在洪水抵達設施前 48 小時就重新規劃了路線」。
從稽核到持續精修的四個階段。每個階段都會產出一項具體的交付成果,供你在繼續進行前評估。
繪製你目前的衛星資料來源、觸發參數(保險用)或監測涵蓋範圍(供應鏈用)。藉由將你現有的觸發機制套用於已具備地面實況的歷史事件,辨識誤報暴險。以具體指標量化基差風險或偵測缺口。
交付成果:含量化缺口分析與建議架構的稽核報告。
設計資料擷取、融合與分類管線。根據你的地理與重訪需求選擇感測器來源(以 Sentinel-1/2 為基準,以商用 SAR 因應突增需求)。在你關注區域內的 3-5 起歷史洪水事件上建構並驗證陰影判別模型。
交付成果:在你的 AOI 上處理真實衛星資料的可運作原型。
將管線強化至生產等級:自動化資料擷取、品質檢查、警報路由、報告產生。與你現有的系統(理賠平台、GIS、緊急管理儀表板)整合。依你的風險承受度校準分類門檻。
交付成果:具備監測、警報與效能基準的生產系統。
每一起洪水事件都是學習契機。事件後分析會將系統預測與地面實況比較,以更新模型與觸發參數。針對參數型計畫進行季度基差風險檢視。隨著新衛星發射與感測器能力演進,進行年度架構檢視。Sentinel-1C(2024 年 12 月)恢復了 6 天的 SAR 重訪。SMAGNet(2026 年 3 月)引入了開源的多模態融合。這個領域變化迅速。
從四個面向評估你組織的衛星洪水偵測能力。結果包含無論你選擇哪家供應商都能採取行動的具體建議。
研究基準將僅 SAR 的洪水偵測置於 94-95% 的 F1 分數,而在晴朗條件下僅光學約為 90-93%。SAR-光學融合可提升至 96-97%,最大的增益出現在兩種情境:植被覆蓋的氾濫平原(樹冠遮蔽了光學感測器對水體的視線,但 SAR L 波段能穿透),以及都市區域(SAR 受建築物雙重反射所擾,但光學能解析街道層級的細節)。融合帶來的準確度增益聽起來只是漸進式的(2-3 個百分點),但以參數型保險的角度來看,那些百分點代表觸發與不觸發之間的差別。在擁有數百項受監測資產的投資組合規模下,3% 的準確度提升直接轉化為更少的爭議理賠與更低的基差風險準備金。關鍵變數是時序深度。單幀融合(大致同一時段的一張 SAR + 一張光學影像)可擷取約 60% 的準確度增益。加入時序堆疊(橫跨事件的 3-5 幀)可擷取其餘部分,因為時序持續性是區分洪水與陰影最強的訊號。Sentinel-1C 於 2024 年 12 月發射,恢復了具 6 天 SAR 重訪的雙衛星星座,這意味著對於持續 48 小時以上的事件,如今可從免費資料組裝事件後時序堆疊。
一份針對參數型觸發事件的鑑識報告包含四層證據。第一,時序 SAR 堆疊,顯示事件時間窗內後向散射的變化,每次擷取都加上時間戳並地理定位至觸發的關注區域。第二,光學確認層(在有無雲幀可用時),顯示光譜指數(NDWI、MNDWI)以及區分水體與陰影的特定反射率數值。第三,誤報消除紀錄,記載每一個最初被分類為洪水、但在與 DEM 坡度資料、永久水體遮罩或雷達陰影幾何進行交叉比對後被重新分類的像素。第四,一張信賴度地圖,根據多來源一致性為每個像素指派一個機率分數。對於觸發爭議而言,關鍵要素是來源溯源鏈:哪顆衛星、哪條軌道、套用了什麼處理,以及分類門檻是如何設定的。IAIS/FSI 關於參數型保險的指引,明確要求「可驗證的觸發」與「標準化的基差風險揭露」。我們的報告就是為了符合該標準而設計。它們不僅記錄結論(淹水/未淹水),更記錄從原始資料到分類決策的完整證據路徑。
ICEYE 的 Flood Rapid Impact 是市場上以 SAR 偵測洪水範圍的最佳商用產品。如果你需要在 6-12 小時內交付一份標準洪水地圖,ICEYE 是正確的選擇。問題在於,標準產品是否涵蓋你的特定需求。客製化系統能增加價值的三種情境:第一,投資組合規模下的觸發驗證。ICEYE 的定價是按事件與按 AOI 計算。如果你經營一本擁有 200 個以上受保地點的參數型保單,且需要為每一起觸發事件進行鑑識驗證,逐事件的成本模型就會變得過於高昂。一條以 Sentinel-1/2(免費)為基準、僅在高價值事件才派遣 ICEYE 任務的客製化管線,可將資料成本削減 60-80%。第二,多來源融合。ICEYE 僅限 SAR。對於索賠方主張「你的 SAR 顯示有水,但我們的地面勘測顯示乾燥」的觸發爭議,擁有光學確認與水位計交叉比對能強化你的立場。第三,稽核軌跡的所有權。使用產品時,ICEYE 擁有方法論,而你收到一份報告。使用客製化系統時,你擁有管線、模型與完整的稽核軌跡。對於受 Solvency II 規範的保險公司而言,擁有自己的分析方法論、而非依賴供應商的黑箱,日益成為一項治理要求。
Sentinel-1A+1C 如今在大多數陸地區域提供 6 天的 SAR 重訪。對於事件後鑑識分析(參數型觸發驗證、理賠調查)而言,這已足夠,因為事件通常持續 48 小時以上,且時序堆疊可從檔案庫回溯組裝。對於活躍事件期間的即時監測,6 天顯然太慢。我們透過分層架構來因應。持續性基準使用 Sentinel-1 GFM(Copernicus 全球洪水監測),它會在 8 小時內自動處理每一次 SAR 擷取。當氣象事件觸發監測門檻(豪雨預報、上游水位計飆升)時,系統會升級至透過 Capella Space 或 Umbra API 派遣商用 SAR 任務。商用衛星星座任務派遣提供 24 小時以內的重訪與次公尺解析度,但每次擷取的成本介於 $3,000-$15,000,視解析度與緊急程度而定。當你監測一組明確的高價值資產、且僅在機率超過門檻時才升級至商用資料,這套經濟模型便能成立。對大多數參數型計畫而言,80% 的觸發事件可用免費的 Sentinel 資料驗證。需要商用資料的那 20% 是爭議案件,在這些案件上投資於更高解析度,能直接降低爭議成本。
都市洪水是衛星洪水情報中最棘手的問題。SAR 訊號會從建築物牆面反彈並返回感測器(雙重反射),產生高後向散射,掩蓋了建築物之間街道上的低後向散射水體訊號。在鄉村氾濫平原上訓練的標準 SAR 洪水演算法,會系統性地低估都市淹水。我們以三種方法因應。第一,極化分解。如果 SAR 資料包含雙極化(VV+VH),當雙重反射下方的地表從乾燥變為潮濕時,同極化與交叉極化後向散射的比值會發生位移。這個訊號很細微,但用專門以都市訓練資料(UrbanSARFloods 資料集:橫跨 20 種土地覆蓋類別的 8,879 個影像塊)訓練的模型可偵測得到。第二,雲隙期間的光學確認。即使在風暴事件中,雲量也很少持續 100%。我們封存事件時間窗內的每一次光學擷取,並利用即使部分晴朗的幀來確認街道層級的淹水。第三,代理訊號。交通速度資料(來自 TomTom 或 HERE 等彙整商)在淹水街道上會降至零。停電資料能確認變電站淹水導致連鎖故障的區域之淹水狀況。這些非衛星訊號並不取代 SAR,但在 SAR 單獨最不可靠的都市區域,它們能確認或否定 SAR 的分類。
歐盟《人工智慧法》(法規 2024/1689)並未明確規範地球觀測或衛星監視系統。存在一個監管缺口:該法涵蓋醫療、就業、執法等領域的高風險 AI 系統,但以衛星為基礎的環境監測落在所列舉的高風險類別之外。然而,如果你的洪水偵測系統會觸發自動化的參數型理賠(保險)或自動化的緊急應變(疏散令、基礎設施關閉),它所支援的下游決策可能落入高風險分類。該法要求訓練資料必須「相關、具充分代表性、無錯誤且完整」。對於在 Sen1Floods11(11 起事件,大多為鄉村)上訓練的洪水模型而言,這項代表性要求是個問題。都市洪水、降水型事件,以及由熱帶氣旋驅動的暴潮都代表性不足。稽核人員可主張該模型並非以能代表其所分類事件的資料訓練。我們建構具備完整資料譜系的系統:使用了哪些訓練資料集、其地理分布為何、涵蓋哪些事件類型,以及已知缺口存在於何處。我們產出的偏差稽核文件涵蓋地理代表性(是否涵蓋熱帶洪水型態?)、時序代表性(訓練集是否同時包含緩發型河川洪水與速發型暴洪?),以及感測器代表性(在 Sentinel-1 與商用 SAR 之間切換時模型是否劣化?)。若該法的適用範圍在未來修訂中延伸至 EO 應用,這份文件能讓你的系統處於有利地位。
這個解決方案頁面背後的研究,探討衛星影像中光譜欺騙的物理機制、時空融合架構的數學原理,以及生產等級洪水情報管線的工程實作。
技術分析:為何單幀衛星分類在洪水驗證上會失敗,以及時序 SAR-光學融合如何化解這項模稜兩可。
參數型觸發爭議的法律與補救成本平均介於 $200K-$2M。
無論你是在再保險投資組合中驗證參數型觸發、為緊急應變建構快速洪水情報,或是針對洪水暴險監測供應鏈節點,我們都會建構針對你的風險地理與觸發參數量身打造的衛星分析管線。