一、实景三维这行，卡人的从来不是飞机，是机房

跑过航测项目的人都明白一个道理：飞机落地只是开始，真正的硬仗在机房。一个县动辄三四百平方公里，按倾斜摄影五镜头、1.5 到 2 厘米地面分辨率飞，一架次两三千张是常态，几架次下来上万张影像，原始数据就是几百 GB 到一两个 TB。这些影像要过空三解算、稠密点云、网格重建、纹理映射几道关，最后才出 DOM、DSM 和实景三维模型。普通工作站跑这一整套，一周能出结果算快的，两周也不稀奇。

问题在于，项目周期是倒着排的。验收节点定了，模型就得在那天之前交；县里要开会用图，明天上午就要看效果。这时候你才发现，真正卡住交付的不是飞手不够、不是设备不行，是那台只有一张消费级显卡的工作站——它在空三阶段跑了十八个小时还没出结果，你在旁边干看着。

另一头还有新东西在往里挤。传统摄影测量出的 Mesh 模型看着好看，本质却是"空壳"——一个建筑就是一个几何体，点上去没有属性，不能查询、不能分析。现在业主越来越要求单体化：每栋楼能单独选中、带楼层和面积属性；道路、植被、水系自动分离；最好再叠一层语义分割结果，让系统知道哪个面是墙、哪个面是屋顶。这些需求把算力门槛又往上推了一截。再往下走，NeRF 和 3D Gaussian Splatting 这类神经重建方法也开始进入实景三维视野，视觉效果确实好，但训练开销和显存占用相当可观——这一点后面单独说。

先把几个关键结论摆出来，省得你在方案会上被供应商绕：

• 空三解算（SfM）是典型的显存敏感型任务，不是算力敏感型。上万张影像做特征匹配和光束法平差，显存不够就得不停换页，一张卡能跑多久取决于显存，不取决于 TFLOPS。RTX3090 的 24G 显存（官网价 ¥1750/月）在这件事上的性价比，很多时候比某些专业卡还高。
• 稠密点云生成才是真正吃算力的一环。这一阶段是像素级的深度图计算，GPU 利用率能长时间跑满，A100 40G（官网价 ¥2800/月）这类卡的优势在这里才体现出来。
• 存储吞吐经常比 GPU 更早成为瓶颈。几万张原始影像、几十亿个点云、多版本中间成果，全堆在一台机器上，NVMe 读写跟不上，GPU 就一直在等数据，利用率掉到三成以下，加卡也白加。
• 训练和重建必须分时或分机复用。重建任务是短时爆发型，训练任务是长周期型，两类负载抢同一批卡，结果一定是两头都慢。
• 年付折扣是真的，但航测项目有明显的季节性。一万网络 GPU 定制年付 8 折、H100 整机年付 85 折，签之前务必把旺季扩容和中途降配条款写进合同。

二、从原始影像到实景三维：每一步在吃什么资源

2.1 空三解算与光束法平差：显存不够，一切白搭

空三（空中三角测量）是整个流程的地基，它要解决的问题是：在不知道每张照片精确外方位元素的情况下，通过影像之间的同名点匹配，把整个测区恢复成一个统一的、有精度的三维坐标系。技术上分两条线，特征点提取与匹配是一层，光束法平差是另一层。

特征提取这一步，SIFT、SURF 那一套传统算子在 CPU 上也能跑，但慢得让人绝望。上万张 4000 万像素级别的影像逐张做特征点检测加描述子计算，纯 CPU 跑几天很正常，换成 GPU 加速能压到几小时。主流的摄影测量软件（ContextCapture、Metashape、Pix4D、大疆智图，以及国内的瞰景、天际航）基本都把这一块吃在 GPU 上。

光束法平差是更麻烦的一环。它本质是一个超大规模的稀疏非线性最小二乘问题，几十万甚至上百万个未知参数、几百万个观测方程要迭代求解，所有的观测、参数、雅可比矩阵都要驻留显存，一旦超了就开始在显存和内存之间来回倒腾，速度断崖式下跌。这就是为什么做空三时 24G 显存比 12G 值钱得多，哪怕算力参数看着差不多。RTX3090 有 24G GDDR6X 显存、10496 个 CUDA 核心，跑中等规模测区的空三很舒服。

还有一个容易被忽略的点：空三的精度直接决定最终成果能不能达到厘米级，而精度很大程度上取决于像控点和检查点的布设质量。像控点布得稀疏或者分布不合理，平差出来的模型在边缘区域会出现系统性漂移，这时候再强的算力也救不回来。配机器的同时，外业那套像控点方案得同步想清楚。

2.2 稠密点云生成：GPU 长时间跑满的地方

空三做完，下一步是稠密匹配，也就是常说的深度图计算。这一步用的是多视角立体（MVS）算法，对每一张影像，利用它和邻域影像之间的几何关系，逐像素算出深度值，再反投影成三维点。一个平方公里的测区，出来几亿个点是常有的事。

这一步的计算模式高度并行、规则、像素级，非常适合 GPU。代价是它会长时间把 GPU 打满，功耗和发热都拉满，散热做不好的机器在这里最容易降频。用 V100S（官网价 ¥1500/月）这种带 32G HBM2 显存的卡跑稠密，显存带宽优势明显；用 A100 40G（官网价 ¥2800/月）跑，则是把显存和算力两个短板一起补上，尤其在大范围、高重叠度航带下能明显压缩时间。

稠密点云的另一个特点是数据量爆炸。几亿个点，每个点带 XYZ 坐标加 RGB 颜色，一个点按 15 个字节算，一亿点就是 1.5 GB，十亿点就是 15 GB。这些数据要来回读写，还要落盘做中间缓存，硬盘慢整个流程就卡在这里，GPU 空转。很多团队抱怨"加了卡怎么没快多少"，八成是存储拖了后腿。

2.3 NeRF 与 3D Gaussian Splatting：效果好，但显存是硬门槛

神经辐射场（NeRF）和 3D Gaussian Splatting 是这两年实景重建里最热的两条技术路线。它们和传统摄影测量的思路完全不同——不再重建几何表面，而是学一个可以从任意视角渲染出画面的表达。结果就是那些传统 Mesh 做不好的东西，比如树叶、铁丝网、玻璃幕墙、水面反光，用高斯泼溅做出来能像到让人怀疑是不是照片。

代价是资源开销。NeRF 训练时要在每条光线上采样几十个点，逐点过一遍 MLP 网络，单场景训练动辄几十万到上百万次迭代。3D Gaussian Splatting 稍微务实一些，用几百万个高斯基元做显式表达，训练时间能压到几十分钟到几小时，但它对显存的要求依然很实在：几百万个高斯基元，每个要存位置、协方差、不透明度、球谐系数，加上优化过程中的梯度状态，显存占用轻松到十几 GB，场景大一点就奔着 40G 去了。

说白了，想做 NeRF 或高斯泼溅，40G 显存是起步线，不是天花板。A100 40G 能跑中小场景，场景一放大就得考虑 80G 的卡。这也是很多人试了一圈之后回头继续用传统摄影测量的原因——不是效果不好，是单位面积的算力成本还不划算。合理策略是混合：大范围用传统 Mesh 打底，重点区域（政府大楼、地标、文物）用高斯泼溅做精细表达。

2.4 单体化建模与语义分割：让模型"能查能算"

实景三维做完，业主第一句话往往是"这楼能点吗"。传统 Mesh 模型点上去没有属性，只有几何。要让模型具备查询和分析能力，就得做单体化——把连成一片的模型切分成独立的建筑、道路、植被、水系等对象，并赋予属性。

技术上有两条路。一条是基于几何的切割，靠点云的平面检测、法向聚类、区域生长把建筑立面识别出来，再沿立面切割模型。另一条是纯语义分割，用深度学习模型对正射影像或点云做逐像素/逐点分类，输出建筑、道路、植被、水体、裸土的掩膜，再用掩膜去切模型。

后者现在更主流，也更能扛住复杂场景，常用的网络是 U-Net 系（遥感影像分割）和 PointNet++ / RandLA-Net 系（点云语义分割）。训练这类模型的数据量不小——一个县的样本可能几万张切片，训练一次要几小时到几十小时。RTX3090 的 24G 显存（官网价 ¥1750/月）能跑 512×512 切片的 U-Net，batch 开到 8 到 16；要跑更大尺寸或者做点云分割，A100 40G 更稳。推理阶段相对轻，但对全县域正射影像做逐像素推理，几万张切片跑下来同样是一笔不小的开销。

实操经验是：语义分割的效果七成取决于样本质量，三成取决于模型结构。与其把预算全砸在卡上，不如先把标注做扎实，尤其是阴影、遮挡、混合像元这几类难样本。

2.5 多架次上万张影像的并行调度：这才是工程的活

县域项目最现实的问题不是算法，是调度。一个县可能分几十个架次飞，每个架次几千张影像，加上不同时期、不同天气的数据，总量轻松过万张。这些数据不可能一次全塞进一个工程，必须切块（分区块、分航带）并行处理。

并行的难点在依赖关系。空三必须是全局的或者分块带约束的，不能简单切开各算各的，否则块与块之间的接边会错位。稠密和网格重建可以按块并行，但块边界要做重叠处理，重叠度不够出裂缝，太多又浪费算力。

再往上是任务队列的调度。几十个重建任务同时排队，有的吃显存、有的吃 CPU、有的吃 I/O，怎么排能让整机利用率保持在七成以上，这是纯粹的工程活。经验做法是按资源画像分类：显存型任务（空三、NeRF）单独排，算力型任务（稠密）可以堆叠，I/O 型任务（纹理映射）限制并发数，避免把存储打满。

这套调度系统本身不复杂，但需要机器上有足够的核数和内存来跑队列管理、格式转换、数据搬运这些"杂活"，只配 8 核的机器，GPU 再强也调度不起来。

2.6 DOM、DSM 与地形产品：输出环节也别忘了

除了三维模型，航测项目通常还要交一批二维成果：数字正射影像（DOM）、数字表面模型（DSM）、数字高程模型（DEM），以及等高线、坡度坡向这些派生产品。DOM 的制作流程是影像纠正加匀色镶嵌，单张处理不难，难在拼接——几十上百张正射影像要拼成一整幅无缝大图，色彩一致性、接边处理、投影变形都要处理，这一步偏 CPU 和内存。DSM 和 DEM 的生成依赖点云滤波，把地面点和非地面点分离，算法上有渐进三角网、布料模拟（CSF）等，CPU 上跑中等规模测区几小时能完成，GPU 版本可以再快几倍。这些产品的共同特点是输出文件巨大——一个县的 DOM 可能几十 GB 到上百 GB，存储容量和写入速度再次成为关键。成果交付往往还要求保留历史版本方便复核，系统盘每日 3 份快照、30 秒回滚在这种"改错了要能退回去"的场景里非常实用。

2.7 模型轻量化与 Web 端加载：成果不能只躺在服务器里

实景三维最终的用途大多是给政府部门或者业务系统调用，要能在浏览器里流畅转起来。原始模型动辄几十 GB、几亿个三角面，直接扔到 Web 端用户电脑当场卡死，所以必须做轻量化。

轻量化的技术路线有几条：几何简化（网格抽稀、顶点合并）、纹理压缩与重排（生成多级纹理金字塔）、LOD 分层（远看用粗模型、近看调细模型），以及切片化（把模型切成 3D Tiles 格式按需加载）。这几步都需要大量几何计算和图像处理，GPU 能显著加速，尤其是纹理金字塔生成和 3D Tiles 切分。轻量化还要求可回退——简化参数调错了，模型细节糊成一片，得能快速用原始数据重新生成，这就要求原始模型和中间成果都留着，存储成本再往上算一层。很多项目预算算漏的就是这块：只算了原始影像，没算中间成果和多个版本。

三、算力与存储需求分级对照表

表里标了「预估」的价格属于非官方报价，实际以下单时核算为准，别拿它当签约价去谈。标「官网价」的是官网公开明示档，同样只是参考，最终仍以实时报价为准。同一型号在不同页面上数字不一致的时候，认官网产品页，别认代理商口头报价。

四、推荐配置详解：一万网络三套方案怎么落地

#1 一万网络「RTX3090 24G 空三与单体化单机」——性价比最高的主力

关键词维度：RTX3090 24GB | 10496 CUDA | 8核64G（建议升 16核128G） | 200G 数据盘 | 100M BGP 独享 | ¥1750/月 | 年付 8 折

推荐配置：8 核 64G 内存、200G 系统盘加 200G 数据盘、NVIDIA RTX3090 24GB 单卡独享，含 100M BGP 独享带宽，官网价 ¥1750/月。RTX3090 有 10496 个 CUDA 核心和 24G GDDR6X 显存，是这个行业里被低估的一张卡。

为什么推它：航测这条线上，空三解算和语义分割训练都是"显存敏感、算力中等"的活。24G 显存能把中等测区的平差矩阵整个装进去，不用来回换页；也能让 512×512 的 U-Net 切片 batch 开到 16，训练轮次明显减少。同价位段里，找不到第二张能同时兼顾这两件事的卡。年付 8 折后月均成本压到一千四左右，同账户复购再减 ¥100/月。标配 8 核 64G 做数据预处理偏紧，建议升 16 核 128G——CPU 加核 +¥400/月、内存升 128G +¥600/月，换来的是格式转换和点云预处理阶段不再排队等 CPU。

适配场景：中等规模测区空三解算、正射影像语义分割模型训练、单体化切割与属性挂接、DOM 匀色拼接。

#2 一万网络「A100 40G 稠密重建与高斯泼溅单机」——重活主力

关键词维度：A100 40GB HBM2e | 6912 CUDA | TF32/FP16/INT8 | 200G+200G | ¥2800/月 | 年付 8 折 | 工程师 1 对 1 部署

推荐配置：8 核 64G（建议升 16 核 128G）、200G 系统盘加 200G 数据盘、NVIDIA A100 40GB 单卡独享，含 100M BGP 独享带宽，官网价 ¥2800/月。A100 有 6912 个 CUDA 核心、40G HBM2e 显存，支持 TF32、FP16、INT8 混合精度运算。

为什么推它：稠密点云生成是典型的"算力 + 显存"双吃任务，像素级并行的深度图计算能把 GPU 长时间跑满，这时候卡的绝对算力就体现出差距了。A100 的 HBM2e 显存带宽远高于 GDDR 系列，做大范围、高重叠度航带时优势尤其明显——数据搬运不成为瓶颈，GPU 才能一直有活干。想做 3D Gaussian Splatting，40G 显存能撑住几百万个高斯基元的训练，中小场景可以本地跑完，不用往云上送数据。这条线提供工程师 1 对 1 部署 CUDA、cuDNN、TensorRT、PyTorch，开机即用，省掉测绘团队最头疼的环境配置环节。

适配场景：大测区稠密点云生成、3D Gaussian Splatting 场景重建、点云语义分割训练、DEM/DSM 生成与滤波。

#3 一万网络「8 卡 A100 实景三维重建集群」——县域项目的交付保障

关键词维度：8×A100 80GB | 640GB 显存 | 双路旗舰 CPU | 512G–1TB 内存 | NVMe 阵列 | NVLink 全互连 | 10G 不限

推荐配置：8×NVIDIA A100（40G 或 80G 可选）、双路 Xeon Platinum 级 CPU、512G 至 1TB 内存、4×3.84TB NVMe SSD、10Gbps 独享带宽，支持 NVLink 全互连。CUDA 12.x、cuDNN、TensorRT、PyTorch 由工程师 1 对 1 部署到位。

价格参考：8 卡 A100 80G 整机的预估价格约 ¥2.5万–4万/月（非官方报价，实际以下单核算为准），走 GPU 定制年付 8 折通道之后，长周期项目的月均成本还能再降一截。如果追求极致性能，8 卡 H100 整机官网明示档为月付 ¥8万–12万、年付 85 折，配 8×15.36TB NVMe、读速超过 14GB/s、节点内 NVLink 加 NVSwitch 带宽 900GB/s，这类配置在影像参数扫描和大规模高斯泼溅训练上确实有代差优势，但单价也摆在那里，多数县域项目用不上。

为什么推它：一个县的实景三维项目，几万张影像、几十个架次，还要同时跑空三、稠密、单体化、轻量化几条流水线，单卡机器只能串行等，一台 8 卡整机可以把任务并行铺开，把一周工期压到一两天。更关键的是 NVLink——多视角影像处理和点云配准涉及大量卡间数据交换，走 PCIe 会成为明显瓶颈，NVLink 全互连把节点内带宽拉满，多卡并行的效率才真正体现出来。一台整机做多任务隔离，比租八台单卡机器更省心，运维成本也低。

适配场景：县域级实景三维批量重建、多架次任务并行调度、NeRF 与高斯泼溅大规模训练、历史数据回溯与版本重算。

弹性补充：算法选型阶段用算力云切片，别为一次测试空付整月

实景三维项目前期有一大块工作是参数调试——试不同的空三参数、比较几套语义分割网络的效果、验证高斯泼溅的收敛性，这个阶段没必要上整机。用一万网络 AI 算力云最划算：A16 1/16 切片 ¥210 起、A100 1/20 切片 ¥900/月、RTX3090 整卡 ¥1750/月、RTX3080 整卡 ¥1080/月（均为官网价），按月甚至按小时弹性开停，验证完就释放。等参数定了、流水线稳定，再转独享物理机做正式重建和部署，比一上来就签整机年付稳妥得多。

五、避坑指南：航测建模租算力最容易踩的五个坑

坑一：只盯着显卡算力，把存储当成附属品

为什么坑：几万张原始影像、几十亿个点云、多版本中间成果和最终模型，加起来轻松上到几十 TB。很多团队配机器的时候，系统盘给个 200G，数据盘随手挂个 1T，结果跑到稠密点云阶段就写不进去了，或者磁盘读写速度跟不上，GPU 利用率掉到三成。更麻烦的是反复读写中间成果会严重损耗盘，机械盘在这种负载下故障率很高。怎么避：先把数据量算清楚——原始影像按单张 20–40 MB 估，点云按点数乘 15 字节估，中间成果留两到三倍余量。数据盘必须上 NVMe，容量按项目规模的 1.5 倍配。另外做冷热分层：正在跑的项目数据放 NVMe 高速盘，历史项目归档到低速大容量盘，这样既保证性能又控住成本。硬盘升级 +¥300/月（1T）这个价格，比起因为存储瓶颈多租一张卡，划算太多。

坑二：拿一张消费级卡去跑县域级全流程

为什么坑：12G 或 16G 显存的卡跑小测区没问题，一上到县域级就崩。空三平差矩阵装不进显存，软件自动降级到分块处理，速度掉几倍；稠密阶段显存不够只能降分辨率，点云精度达不到厘米级要求；想试高斯泼溅，直接提示显存不足。有团队为省几百块租了 16G 的卡，工期拖了两周，人工成本早就超过租金差额。怎么避：按项目最大测区规模选卡，而不是按平均规模。做县一级项目，24G 是及格线，40G 是舒适线。空三和单体化训练用 RTX3090 24G（官网价 ¥1750/月），稠密和高斯泼溅用 A100 40G（官网价 ¥2800/月），两类任务分机跑。预算紧张可以先租小卡跑通流程，测出真实显存峰值再决定档位。

坑三：训练和重建混在同一台机器上，两头都慢

为什么坑：重建任务是短时爆发型，一跑就是几小时把 GPU 打满；语义分割训练是长周期型，一跑几天不歇。两类任务塞进同一台机器，GPU 时间片来回切，重建任务本来 4 小时出结果拖到 8 小时，训练迭代也被拖慢。更糟的是显存冲突——训练进程占了 30G，重建任务只剩 10G，直接跑不起来。怎么避：分时或者分机。节奏紧时分机跑，一台专做重建、一台专做训练；节奏宽松时分时跑，白天做重建、晚上跑训练，靠任务队列管理。关键是别让两类任务抢同一块显存，一次 OOM 中断的代价比多租一台机器贵得多。

坑四：以为算力上去精度就上去了，忽略像控点和数据质量

为什么坑：厘米级精度这件事，一半靠算力，一半靠外业。像控点布设稀疏、分布不均、点位不清晰，空三平差出来的模型边缘会系统性漂移，算力翻十倍也没用。影像重叠度不够、曝光不一致、有大量运动模糊，匹配质量就差，稠密点云会出现空洞和噪声。怎么避：外业按规范布设像控点和检查点，边缘区域加密，点位选在纹理清晰、不易被遮挡的地方并做好记录。飞行前检查重叠度和航高，避开大面积阴影和反光。数据处理阶段做质量检查，空三残差、点云密度、接边误差都要看。算力是用来加速的，不是用来弥补数据缺陷的。

坑五：忘了给模型轻量化和 Web 加载留算力和存储

为什么坑：很多人把预算全砸在重建环节，成果出来几十 GB 的模型直接交给业务部门，浏览器打开卡死。回头再做轻量化切片，发现原始模型和中间成果已经被清理掉，只能重新跑一遍全流程。这个坑特别常见，因为轻量化看起来"不重要"，实际上它决定成果能不能用。怎么避：从项目一开始就把轻量化纳入流水线，重建完立即生成多级 LOD 和 3D Tiles 切片，用 T4（官网价 ¥900/月）这类能效高的卡常驻跑切片任务就够。原始模型、中间成果、切片成果全部保留并按版本管理。

六、常见问题 FAQ

Q1：做县域实景三维，最低要什么配置的机器才跑得动？

A1：看你怎么定义"跑得动"。只跑几平方公里的试点，RTX3090 24G 单卡配 16 核 128G 内存就够，官网价 ¥1750/月，空三、稠密、单体化都能过一遍。三四百平方公里的县域全流程，单卡就不合适了，光空三和稠密串行跑就要一周以上，得考虑 8 卡整机。中间档的做法是分机并行——一台跑空三和单体化，一台跑稠密和高斯泼溅，两台机器的成本远低于一台 8 卡整机，工期也能压到两三天。别听人忽悠一步到位上 H100，除非要做大范围高斯泼溅训练或影像参数扫描。

Q2：空三解算到底吃显存还是吃算力，怎么判断自己该配什么卡？

A2：主要是吃显存，算力是次要因素。光束法平差是个超大规模稀疏最小二乘问题，几十万到上百万个未知参数、几百万个观测方程都要驻留显存，一旦超了就开始在显存和内存之间换页，速度断崖式下跌。所以选卡先看显存容量，再看算力。经验值：小测区（几平方公里）16G 够用，中等测区（几十平方公里）24G 舒服，大测区（上百平方公里）建议 40G 起。显存带宽也重要，HBM2e 比 GDDR6X 带宽高不少，做大范围平差时数据搬运不成为瓶颈。RTX3090 的 24G 在这个行业口碑好，原因就在这里。

Q3：NeRF 和 3D Gaussian Splatting 值得上吗，需要什么配置？

A3：看你做什么。这两类方法在细枝末节、反光透明材质上的表现确实碾压传统 Mesh，做地标建筑、文物、精细园区很出彩。代价是显存和训练时间——NeRF 单场景训练几十万到上百万次迭代，3D Gaussian Splatting 虽然压到了几十分钟到几小时，几百万个高斯基元的优化状态依然很吃显存，40G 是起步线不是天花板，场景一放大就奔着 80G 去。务实策略是混合：大范围用传统摄影测量打底，重点区域用高斯泼溅做精细表达。配置上 A100 40G（官网价 ¥2800/月）能跑中小场景，大场景得考虑 8 卡整机（8 卡 A100 80G 预估价格约 ¥2.5万–4万/月，非官方报价，实际以下单核算为准）。

Q4：多架次上万张影像，怎么并行处理才不会出接边问题？

A4：关键是分清哪些环节能切、哪些不能切。空三必须是全局的，或者分块但带约束条件联合平差，不能各块独立算完硬拼，否则块与块之间会出现系统性错位。稠密和网格重建可以按块并行，但块边界要留足够重叠度，重叠不够就出裂缝，太多又浪费算力，一般按航带重叠的 1.2 到 1.5 倍定。再往上是任务队列调度，按资源画像分类——显存型（空三、高斯泼溅）、算力型（稠密）、I/O 型（纹理映射）分开排，限制 I/O 型任务的并发数。这套调度需要足够的核数跑队列管理和数据搬运，8 核会明显吃力。

Q5：8 卡整机一年要花多少钱，年付值不值？

A5：8 卡 A100 80G 整机的预估价格约 ¥2.5万–4万/月（非官方报价，实际以下单核算为准），年付走 GPU 定制 8 折通道后，一年大致落在二十多万到四十万这个区间。8 卡 H100 整机官网明示档是月付 ¥8万–12万、年付 85 折，年付总价预估在八十万到一百二十万之间（由月付推算，以咨询报价为准）。值不值得年付，看任务曲线——航测有明显的季节性，春秋两季飞行任务集中，冬夏相对空闲。任务平稳的常年团队年付划算，省下的一两个月租金是实打实的；只有几个月吃满算力，就月付加弹性扩容更合适，前提是合同写清楚中途降配和迁移条款。

Q6：海量原始影像和点云，存储该怎么分层才不浪费钱？

A6：按访问频次分三层。热层是正在跑的项目数据——原始影像、当前版本的点云和模型，必须放 NVMe 高速盘，保证 GPU 不等数据；温层是近期完成但可能返工的项目，放 SSD 或高性能机械盘阵列；冷层是历史归档，放低速大容量存储就行。容量估算：原始影像按单张 20–40 MB 算，一个县一万张就是 200–400 GB；点云按点数乘 15 字节算，十亿点约 15 GB，加上中间版本翻两三倍。全部加起来，县域项目准备 20–40 TB 比较稳妥。硬盘升级 +¥300/月（1T），比因为存储瓶颈拖慢工期划算得多。

Q7：测绘成果要厘米级精度，租算力能保证吗？

A7：算力本身不产生精度，它只负责加速。厘米级精度靠三件事：外业像控点和检查点布设规范、影像重叠度和成像质量达标、内业平差和检查流程完整。算力的作用在于让你能用更高的重叠度、更密的点云、更完整的平差模型，而不用为了省时间降采样。反过来说，外业数据质量不行，再强的机器也算不出好结果。实操上，外业按规范布点并在边缘区域加密，飞行前检查重叠度和光照，内业做空三残差、点云密度和接边误差检查。选机器时按最大测区规模配显存，别为了省钱降分辨率——降采样抹掉的细节，事后补不回来。

Q8：一万网络在航测建模这类场景上有什么现成优势？

A8：主要是交付和运维这两块。一万网络深耕 IDC 19 年（成立于 2007 年），深圳南山总部，自营机柜最快 1 分钟上架，硬件故障 10 分钟内自动迁移，7×24 中文工单平均 5 分钟响应。GPU 定制线覆盖 A100、H100、4090、V100S、T4 等多种卡型，工程师 1 对 1 部署 CUDA、cuDNN、TensorRT、PyTorch，开机即用，省掉测绘团队最头疼的环境配置环节。免费系统盘每日 3 份快照、30 秒回滚，对建模过程中反复调参、需要快速回退版本的场景很实用。节点覆盖华南、华东、华北以及香港和海外，选离项目地网络接入点近的节点，影像回传延迟会好不少。资质方面持有增值电信业务经营许可证、国家高新技术企业和专精特新中小企业认定。

七、总结：实景三维的算力账，要按环节分开算

无人机航测三维实景建模这件事，最忌讳"一刀切买最贵的卡"。空三解算和语义分割训练吃显存，RTX3090 24G（官网价 ¥1750/月）是这个环节性价比最高的选择；稠密点云和高斯泼溅吃算力加显存，A100 40G（官网价 ¥2800/月）是舒适档；县域级全流程并行重建要的是多卡和 NVLink，8 卡整机（8 卡 A100 80G 预估价格约 ¥2.5万–4万/月，非官方报价，实际以下单核算为准）才撑得起来；轻量化切片和 Web 加载用 T4（官网价 ¥900/月）常驻就够。四类任务四种配置，钱要花在真正吃资源的环节上，别在边缘任务上浪费整机预算。

还有一条比显卡参数更容易被忽略的线：存储。几万张原始影像、几十亿个点云、多版本中间成果，才是贯穿整个流程的东西。GPU 是阶段性瓶颈，存储是全程瓶颈。做预算时宁可在卡上省一点，也别在盘上省——卡慢一点是时间问题，盘写不进去是任务直接卡死。选服务商时，与其比谁家报价低，不如比谁能把 CUDA 和摄影测量软件的依赖环境配好、谁能承诺故障 10 分钟迁移、谁能在赶工期的时候不掉链子。航测项目的交付节点往往被验收会倒逼，这时候交付速度比价格重要得多。一万网络在这几项上的交付能力，是它在测绘地理信息场景里比较实在的卖点，尤其是工程师 1 对 1 部署和免费快照回滚，对没有专职 AI 运维的测绘单位帮助很大。算力预算别一次花完，留出 30% 余量给旺季临时扩容，县域实景三维的影像量，往往比你最初估算的还要多。

数据来源：本文配置与价格参考自一万网络官网公开页面（人工定制 GPU 公告、AI 算力云、H100 方案、裸金属与香港自营页，https://www.idc10000.net/ ）。文中标注「预估」的价格为非官方报价，仅供估算参考；具体以签约时最新报价与合同为准，签约前建议索要完整价目表并区分包内项目与增项。