再复杂和高级的科技(technology)，本质上只是更加精准的测量而已。科技本身并不是科学（science）或者知识（knowledge），而只是作为工具推动了后两者发展。从某种角度 上而言，人并没有变的比2000年前的希腊时代更加聪明，思维模式也没有更加出众，比如像埃拉托斯尼特那样测量地球半径。人只是因为有了进步了的科技而有了更加准确的测量 而已。在国外，science和technology是两个分开的部分，只不过相辅相成而已。我们不妨将知识上新探索和发现基于的是1）假设2）测量两个过程。

假设的过程是对于问题定量化的过程。这里，我们不讨论形而上的存在论问题，比如，上帝，精神（spirit）和概念（Concept）等目前超出当前科学认知的范畴的存在。这里不讨 论，是因为既无法证有也无法证伪。但是，物质（或者说，实体）都是经过不断发现才能证明其存在的，比如原子，电子等。那么，物质存在的一个基本特性是可以被感知或者观 测到。感知，是一种主观的经验主义的体验。既然是主观的，那么就融合了经验主义和神秘学的色彩。像佛教里的顿悟或者修灵等感知行为，大大依赖于修行者本身的能力。因此 ，这样一种体验是很难移到另一个人的经验上的。所以，更加令大多数人接受，或者说更稳健的存在性讨论，便是对其进行测量。

I come, I see, I measure

测量，根据牛津词典的定义：ascertain the size, amount, or degree of (something) by using an instrument or device marked in standard units or by comparing it with an object of known size。

测量设计到几个问题。一是被测的属性；就是这里的size, amount or degree of something。这是一个可以被量化的东西：如果其不能被量化，那么便不能被测量。数学上 表示为其测度不能为0。二是测量标准；牛津词典中给出，要么是根据一定的标准单位，要么是根据另外的已知物体的属性作为标准。

那么测量的结果是什么？是被测物体的定量化的属性。还有什么？是误差！

误差的存在是有其必然性的，包括系统误差和随机误差。这里不详细讨论误差的来源，但是要着重讨论一下误差的后果。其最直接的后果就是测不准！

系统误差可以通过后续的操作进行校正。而随机误差，通常的办法是取多次测量的平均值。用数学形式表达测得的属性变为了 $\overline{X}$ + $\overline{X}+\varepsilon$ $\overline{X}+\varepsilon$ $\varepsilon$ 。这里的测量，就变成了统计上的估计。因此，从另一个角度来说，每一次单独的测量都可能是不准确的。联想到考虑到著名的海森堡测不准原理：一个微观粒子的某些物理量（如速度和位置）不可能同时具有确定的数值。其中一个量越确定，另一个量的不确定程度就越大。上帝在和宇宙玩骰子！

既然一切都测不准，那么为何航天飞机照样上天，高楼大厦照样盖的起来？

不妨回归到测量的目的上，我们需要知道的测量结果是在一定程度或者尺度上的准确，而是符合我们一个大致预期的观测目的。这就意味着不是任何时候我们都必须要知道Pi的后面1百位，1千位的。建一栋楼，我们只需要精确到厘米或者毫米就可以了；航天飞机的核心材料就要精确的多；而纳米已经在化学界流行。这些对于精确度的要求都是因测量目的和对象的不同而变化。理论上说，牛顿力学是错误的，但是我们一直在用，因为在目前的人类活动范围的尺度上，其精确度是试用的。爱因斯坦是正确的，但是我们绝不会在造房子的时候用到，因为那么高的精度要求并没有意义。

这里的精度，直接反应在测量的尺度上。

回归到遥感上来，遥感并不是万能的，其主要优势在于大范围的动态测量。遥感的测量目的不是仅仅为了精确测出这一小块的地方，而是为了整体（或者较大的区域）提供估计。比如我们需要知道的是一个乡镇，一个省乃至全国的粮食估计产量，理论上需要的是最小的稳定种植地表单元。尺度过大，可能会导致土地利用分类不够精确而引入误差。如果测量尺度过小，会增加分类的复杂程度，反而会增加误差。那么适合的尺度是多大？这个问题很难一下子解决，因为不同地表特征差异性很大。

我的认知是核心应该侧重于统计方法的消除误差，而非纠结于维度复杂度上的消除误差。这里我比较倾向于马大地理Matthew Hansen的做法，即建立不同尺度的传感器之间的联系。既然观测的是同一地物，在不同尺度上观测的结果理论上应该是一致的。从高分辨的ikonos或rapideye到30m的Landsat,再到更高的MODIS。在校准了的情况下，就能利用粗象元进行大范围的估计。

I measure, I know, I advance

至于测量的维度问题，我们可以考虑分形是否最为额外的维度信息而存在？类似于地理信息数据中的源数据的概念。但是作为纯应用而言，我觉得分形几何还没有到那个阶段。分形的直接表达可以是递归函数，在不同尺度间是不是直接建立实际的联系？不知道数学界有没有新的进展。比如皮亚诺曲线，于我而言，更像是把一维的测量变换到了二维。因为涉及到无限的概念，容易让人乐此不疲而忘记了测量的初衷。 因此个人感觉这是一个很酷很炫的概念，但是真正如何利用好，还需要更多的机理性的研究。