用开源情报工具追一次装备动向，我踩过的三个坑

去年冬天我在跟踪某型两栖装甲车在南方某训练场的动态时，用公开卫星图做了个小实验。数据量不大：2023 年 10 月到 2024 年 1 月，Sentinel-2 L2A 十米分辨率影像 24 景，覆盖约 15 公里见方的区域。现象很直接：同一片驻车场，11 月中旬开始车辆轮廓从零星几台变成整片排列，但到了 12 月初，同位置又出现大量尺寸接近、但朝向更整齐的目标。我一开始把它当成了装备集结，差点写进笔记。

我的做法分三步。先把 24 景影像用 SNAP 统一重采样到 10 米，做波段合成和大气校正后的真彩色，再用 GDAL 切出驻车场范围：

gdal_translate -of GTiff -projwin 113.45 23.10 113.55 23.02 -outsize 1024 1024 S2A_MSIL2A_20231115.tif site_1115.tif

然后用 Python 算每个像元的 NDVI 和短波红外比值，把车体和裸土的差异拉出来，最后人工在 QGIS 里叠前后时相比对。为什么这么绕：十米分辨率下车长不到一个像元，直接看轮廓很容易把棚子、堆料和车混在一起；NDVI 加 SWIR 能把金属顶棚和植被背景分开，代价是每景都要手工核阈值，而且阴天和薄云会直接让比值失真。

失效的地方很明显。第一，十米分辨率对轮式车辆几乎无效，只能看排列趋势，不能数车。第二，我忽略了训练场本身的周期性轮换：12 月初那批“更整齐”的目标后来对上了公开的场区维护记录，是临时停放的工程机械。第三，云影和太阳高度角变化会让同一车队在相邻两景里像两个目标群，我一开始没做太阳角校正，白折腾了两天。踩过最疼的坑是：只凭影像纹理就下结论，后来翻到场区周边道路的公开施工通告，才发现 11 月那段正好在修进出道路，车辆位置变化很可能只是绕行。

现在我的习惯是：卫星图只用来提假设，不下结论；每次比对至少叠一张非影像来源，比如道路通告、气象记录或者公开的招标信息，对不上就存疑。