You process satellite and aerial imagery for environmental monitoring, land use mapping, and resource assessment using GIS and machine learning tools.
注：职业描述基于市场通用岗位职能，实际工作内容因单位和部门有所不同。
月薪（税前）· 受地区、单位性质和个人能力影响较大
北京、上海、深圳等一线城市薪资通常高于全国平均水平 20–40%
国有企业稳定性强，私营和外资企业薪资弹性较大
AI工具将大幅提升该职业的工作效率，善于运用AI的从业者可以产出倍增。主动学习AI工具的毕业生将明显领先于同行。
技术技能名称保留英文（行业通用表达），面试和实际工作中均以此为准。
在导师或上级指导下熟悉业务体系，建立专业知识框架。通常需要 3–6 个月内开始独立承担项目模块。
独立主导项目或业务模块，开始带领初级成员，逐步建立行业内的专业声誉和人脉网络。
负责重大项目或部门管理，参与战略决策，薪资上限显著提升。高级岗位通常需要丰富的项目记录或专业认证。
上午9:00–10:30，处理卫星影像预处理任务：对Sentinel-2或Landsat数据进行辐射定标、大气校正与几何精配准；10:45–12:00，参与多源遥感数据融合分析，利用Python（GDAL、Rasterio）提取城市不透水面变化特征；午后13:30–15:00，在ArcGIS Pro或QGIS中构建地表温度反演模型，并交叉验证MODIS LST产品精度；15:15–17:00，与生态/农业团队协作解读NDVI时序异常区，撰写遥感解译报告并标注矢量图斑；下班前同步处理结果至云平台（如PIE-Engine），更新算法版本日志。
需具备地理信息科学、测绘工程、摄影测量与遥感或相关理工科硕士及以上学历；扎实掌握遥感物理基础、数字图像处理及空间统计学原理；熟练使用ENVI、PCI Geomatica、Google Earth Engine等主流平台；具备Python/IDL编程能力，能独立开发影像批处理脚本；熟悉常见传感器特性（如SAR、高光谱、多光谱）及典型反演算法（如FLAASH、6S、SVM分类）。
并非必须。当前80%以上工作聚焦于内业数据处理、算法研发与成果解译；外业仅在精度验证、样本采集或重大项目踏勘时短期开展（年均≤15天），多由协同团队或外包执行。
不会被替代，而是深度转型。AI大幅降低重复性目视解译需求，但专家价值转向模型可解释性设计、训练样本质量管控、跨尺度尺度转换验证及业务逻辑嵌入，成为“AI+遥感”系统架构师。
全日制学习+项目实践约2.5–3年：6个月夯实数学与编程基础，6个月掌握遥感原理与主流软件，12个月参与真实项目（如国土变更调查、林火监测），最后6个月聚焦垂直领域（如农业估产、碳汇监测）形成技术纵深。