正文如下：

一、先分清：两个"测产"量的不是同一个东西

谈"能差多少"之前，得先承认一个前提：遥感估产和人工测产，量的从来不是同一个东西。

人工测产走的是实割实测的路：在田里选样点，收割若干平方米，脱粒、称重、测含水率，再折算成标准含水率下的亩产量。它量的是这块地这次实际收了多少。

遥感估产走的是另一条路：卫星看的是冠层的绿度、生物量、叶面积这些生理参数，模型用这些参数去推单产。它量的是基于长势推断的产量潜力。长势好是高产的必要条件，但不充分——灌浆期的干旱、收获前的连阴雨、倒伏，都会让"看着好"的地块收不上来。

还有两个口径差常被忽略。一是含水率：人工测产要折算到标准含水率，遥感模型如果不做这层折算，两者天然差一截。二是收割损失：机收有落粒损失，人工测产如果按田间穗数推算而不扣除损失，数字会偏高；遥感估的产量潜力更是完全不含损失项。把这几个口径差算清，差距已经消掉一大半；剩下的才是真正的"误差"。

二、遥感侧的五类误差来源

遥感估产的误差，主要来自五个地方。

第一是混合像元。一个像元几米到几十米见方，里面混着作物、田埂、道路、树影、裸土，长势信息被稀释。地块越小越破碎，混合越严重，这就是为什么连片大田区的估产精度普遍高于丘陵小田。

第二是云污染。光学影像靠天吃饭，关键生育期被云一挡，时序数据出现断档，模型只能靠插值补，补出来的曲线和真实长势就有偏差。雷达不受云影响，但对长势的敏感度不如光学，两者融合又会引入新的不确定。

第三是模型区域外推。估产模型多用某个区域的样本训练，拿到品种、耕作、气候都不同的区域去用，误差会放大。模型没有跨区通用性，换区域就得重新标定，这是一条被反复验证的经验。

第四是物候错配。估产的关键参数多在特定生育期取样——比如灌浆期的生物量与最终产量的关系最稳。如果影像时相没卡在关键窗口，用的是灌浆前或成熟后的数据，推出来的产量会系统性偏离。

第五是地面样本的代表性。模型训练用的地面数据如果只来自交通便利、长势好的地块，模型对差地、边角地就没有解释力，整体精度被高估。

三、人工侧也没那么"准"

把遥感单方面拉出来批不公道，人工测产同样有误差，而且这些误差会以"真值"的名义混进对比里。

一是抽样误差。人工测产本质是抽样调查，样点选在哪里、选几个，直接决定结果。样点顺手选在地头好走的地方，而地头长势往往与田中不同，结果就偏。二是操作误差。取样面积偏小、边界收割不齐、脱粒不净、称重没校秤，每个环节都漏一点。三是折算口径不一：有的按标准含水率折，有的直接报湿重；有的扣机收损失，有的不扣。两个口径不同的数放在一起比差距，比出来的"误差"其实是口径差。

所以规范的对比评估，要求两边先把口径对齐：统一折算标准含水率、统一损失扣除方式、统一面积定义。否则谈"差多少"没有意义。人工测产给出的也不是绝对真值，而是一个带着自身误差的参照值。

四、到底差多少：量级区间

口径对齐之后，经验上的量级大致是这样的。

在大范围、连片种植、模型经过本地标定的条件下，区域尺度的遥感估产与实割实测结果相比，偏差通常在一成以内，这是多年业务化运行后的常见水平。落到县乡尺度，偏差会大一些，多数情况能控制在一成上下。

条件变差时误差迅速放大：破碎地块、混种套种、时相被云打断、模型跨区外推，这些情况叠加，偏差到两成并不罕见；极端年份——比如大旱、大涝把长势和产量的关系打乱——偏差可能到两成甚至更多。因为这类年份里，"长势好不等于收成好"的假设被破坏，模型的推断基础动摇了。

反过来，越是常规年份、越是本地标定过的模型、越是区域总量层面，差距越小。遥感估产精度不是一个固定数字，而是随尺度、年份与标定程度浮动的能力区间。拿一个尺度的精度去承诺另一个尺度，是估产项目最容易踩的坑。

五、校准路径一：样方回归与实割实测

缩小差距的第一条路，是用地面实测给模型"校表"。

做法是在监测区内按长势分层布设样方，覆盖好、中、差各档，收获期做抽样实割实测，拿到真实的亩产；再把样方位置对应的遥感参数——关键期的植被指数、生物量反演值——与实测亩产配对，建回归关系。样本必须覆盖各长势档位，只拿好地建模型，差地的产量一定估高。

样本量与布点方式有讲究：按地块破碎度和长势变异程度加布，破碎区多布；样方位置用定位记录，保证影像像元能准确对上。实割实测本身也要按规程来：取样面积、含水率测定、损失扣除，每一项都有口径，口径不统一，回归系数就带毒。

这条路的边界也要清楚：回归关系建立在当年、本区域的样本上，换年份要重新验证，换区域要重新标定，一套系数用十年，是精度失控的常见根源。

六、校准路径二：分区建模与多年时序约束

第二条路不靠加密地面样本，靠改造模型本身。

分区建模是把一个大的监测区按种植制度、品种、水热条件切成若干相对均质的区，每区单独建模型或单独标定参数。混在大区里互相抵消的误差，分区后各自暴露、各自处理，整体精度通常能提一档。

多年时序约束是利用历史年份的遥感参数与实际产量数据，让模型先学会"这个区域正常年份长势与产量的关系长什么样"。有了这条基线，当年长势偏离基线多少、对应产量偏离多少，判断起来就稳得多；尤其是极端年份，时序基线能防止模型大幅跑偏。

两条路往往组合使用：分区解决空间上的异质，时序解决年份间的波动，地面样方留一部分做独立检验——注意是检验样本，不参与建模，否则精度评价会自我美化。这套组合做到位，区域尺度一成以内的偏差才是可持续的水平，而不是碰运气。估产模型校准做得越扎实，两种测产方式互相对表时，讨论的才越是真问题。

结语

遥感估产和人工测产能差多少，取决于三件事：口径有没有对齐、误差源有没有控制、模型有没有本地校准。口径差——实收产量对产量潜力、含水率、收割损失——先消掉一大截；剩下的误差来自混合像元、云污染、区域外推、物候错配与样方代表性。

量级上，标定到位的区域估产偏差通常在一成以内，条件差或极端年份可能放大到两成左右。遥感估产精度不是承诺出来的，是靠抽样实割实测标定、分区与时序约束一层层校出来的。差距可控、来源可查、校准可做——把这三句落到实处，两种测产方式就能互相成为对方的校验器。

时维遥感——遥感+AI，让农业更智慧