作者: 达摩院设计-壳恪
你了解我们的地球嘛？从眼前方寸到浩瀚星空，你是否从卫星视角看过我们的家园？随着对地观测技术的发展和数智时代的到来，我们不仅仅满足于看见地球，更想要看懂地球。原本科研工作者们需要通过ArcGIS、Envi等传统桌面软件对本地存储的卫星遥感影像进行分析处理，从而得出地球上的自然资源如何分布、我们的城市在数十年间发生了什么样的变化、生态环境的变迁会对人类造成什么样的影响，而达摩院 AI Earth 地球科学云平台为科研工作者提供了云上一站式遥感数据检索、处理分析、模型训练的服务，这大大降低了遥感数据的使用门槛并极大提高了处理分析效率 ，让看懂地球不再遥远。那么 “如何为专业用户进行复杂工具的设计”就成为我们的工作命题。下面呈现了我们的摸索过程。
我们的用户是怎样一群人？他们遇到了什么问题？
不同于需要梳理复杂业务工作流的B类设计和重体验用户群体广泛的C类设计，面向专业用户做工具设计最大的难题就是“距离用户太远，很难与用户共情”。原因有以下两点：
-
学科属性过强：设计师需要在短时间内了解专业用户几年或者十几年甚至更久的积累的学科背景，这就像让没有技术背景的设计师学习写代码一样，存在较高学习成本。
-
用户群体半封闭：地球科学研究者大多存在于科研院所或者政府机构，不易接触到实际用户。
为了解决“距离用户太远”的问题，设计师协同业务侧一起对科研群体进行了调研。我们通过不同渠道的问卷调研将用户分成了两大类：
用户类型1-学术研究型用户
“给我提供公开数据源，我通过代码自由处理得到我要的分析结果，一个好的数据处理工具就是我需要的”
这类型的用户大多是高校内的学生，他们主要通过对遥感数据的处理分析进行地球科学研究。对于遥感数据的获取不得不依赖于“科学上网”，而后续对数据的处理要么依赖于GEE（Google Earth Engine 的缩写）平台写代码处理分析（依然需要科学上网），要么就是用本地的桌面软件进行人工处理。GEE给用户最大的问题是学习成本较高，且需要科学上网 ；本地软件相对在功能全面的同时也存在着因为过于复杂导致学习成本高的问题，此外，缺少云计算环境也会导致无法进行大批量数据处理。 因此这类用户最大的痛点就是：“获取公开数据难”，“现有工具学习和使用成本高”，“本地软件处理分析效率低”。
用户类型2-行业应用用户
“我要商用高分数据或无人机数据，我需要的是快速拿到最终能被工程使用的结果”
这类型的用户分布在农业、自然资源、水利等行业公司，对于他们来说主要应用高分数据或无人机数据去进行灾害监测、土地分布情况和变化对比。“丰富的商业数据” 、“开箱即用无需学习”、“结果准确”是他们的核心诉求。
面向用户的诉求，在MVP版本功能上做了哪些取舍？
我们提取两种类型的用户的共性，诉求可以定义为“开源数据”、“低使用成本”、“高分析产能”、“低学习成本”。
开源数据
为了解决用户原本需要“科学上网”获取数据的问题，选取遥感领域最常用的Landsat、Sentinel等数据集免费提供给用户进行使用。后期根据用户诉求进行针对性增补。
低使用成本
针对原有数据获取和处理分析链路分离的问题，平台同时提供数据检索和处理分析功能，无需跨平台就能“使数据能用”。
高分析产能
提供可批量处理分析的AI解译能力，对比使用传统工具需要人工处理的流程大大提高了分析产能。
低学习成本
面向科研用户的各类复杂处理分析最佳方案仍然是提供开发者模式，利用代码完成大规模数据处理远远比通过GUI的方式更有效率。但考虑到让小白用户能够快速上手和行业用户开箱即用的诉求，我们决定在MVP版本以验证产品核心的AI处理能力为主，采用GUI的形式让更多用户可以快速的体验处理分析功能。后续再根据进阶用户的诉求，提供开发者模式。
设计目标是什么？
我们要给到专业用户的是一款公开可访问的地球科学云平台，在初期业务上需要尽快积累用户验证整个产品的可行性以供后续快速迭代，因此，设计师最核心需要解决的问题是如何让这些习惯了专业软件的用户在没有教程和说明文档的前提下“自主上手”。其次，工具产品解决的本质问题是生产力问题，“降本提效”是绝大部分工具型产品设计的底层逻辑，因此设计师也需要从链路到细节让整个产品的操作成本更低。
以上都是比较理性的从业务视角出发的设计判断，但是不是提供给用户一个专注提效的工具就可以了呢？唐纳德.诺曼曾在《情感化设计》中将产品设计分成三个层次：“本能层”、“行为层”和“反思层”，本能层和行为层映射在产品中主要是上方所提到的“自主上手”和“降本提效”，那么对于一款工具型产品“反思层”应该做哪些事情呢？从人性关怀来讲，设计能否让工作的过程变得更加“体面”，让工作的人更有“自我价值感”也是设计师的使命。
因此，我们将设计目标也分成三个层次：第一层“没有认知障碍，自主上手使用”、第二层“降低操作成本、提高操作效率”、第三层“让工作有仪式感，实现自我价值认同”。
于是我们做了下面的尝试
没有认知障碍，自主上手使用
专业用户在处理分析数据的时候除了使用GEE这种代码的方式，最常使用的还是ArcGIS、QGIS、ENVI这些桌面软件。传统软件上信息量庞大、页面当中大量的功能以图标形式呈现，整个系统缺乏引导，非熟练用户需要接受长期系统培训才能顺畅使用。用户来到这样的传统软件，往往不知道如何开始使用。因此，根据用户在页面浏览的动线结合现有产品的主要功能，我们最终将工作空间进行了"瘦身"。
首先，去除掉庞杂的编辑模块后整体划分为3部分，从左至右依次是“数据图层”、“数据显示画布”和“数据处理工具箱”。地球科学工作者将数据导入至工作空间后，可以直接选用右侧的工具进行表单填写，提交后生成的处理结果数据可直接呈现在画布上，用户可通过调整左侧图层显隐查看当前工作空间中的所有数据。在尊重了用户原有的习惯的情况下，将封装好的工具通过“图标+文字”的形式辅助用户快速认知主要功能，任何有过传统软件经验的人都可以迅速迁移进行使用。
其次，面对“新用户往往不知道如何开始使用”的问题，我们将页面中的行动点进行强化，使用户最先注意到“导入数据”这一个关键操作，从而顺利开启后续的处理分析流程。
此外，传统桌面软件因为功能非常丰富，界面中信息密度已经比较大，因此针对“某对象”的操作存在非常丰富的可能性，通常的做法是“单击”表示对“对象”的选中，“双击”表示进入对象，“右键” 会调出菜单展示所有可对该对象进行的操作，对于“移动”或“更换顺序”等操作一般默认用户会自主使用，且桌面软件的应用更加偏稳定的办公场景，用户能够接受工具软件的学习成本，因此大量的功能和操作不会给用户进行明显的提示。但在新的网页产品上，用户大部分首次都是来“尝鲜”的，当用户觉得功能找不到或者不好用的时候，后续放弃使用的可能性非常大，不适合让用户“慢慢摸索”，因此，我们初期将“图层调整顺序”和“菜单”进行显性化处理，确保新用户能够快速明确能够做哪些操作。
最后，AI Earth 地球科学云平台最大的特点除了数据上的开源，还有各种封装好的AI 解译工具，如何让用户快速发现并无障碍的用起来也是降低上手成本的一部分。仅仅在工作空间页面的工具箱中呈现各类工具入口不足以让用户快速发现产品功能点，因此我们通过“工具卡片”的形式提供进入对应工具的快速入口，从使用需求出发让用户快速用起来。此外，因为每个工具对于数据都有特殊的要求，因此在功能入口和数据选择控件上我们都给出提示信息，让用户明确使用要求，避免后续操作出错。
降低操作成本，提高操作效率
用户原本获取数据到处理分析的方式可以分成两种：一是通过类似USGS这样的网站进行数据下载，下载后再导入本地软件进行数据处理分析；二是在GEE通过代码的形式导入Google Drive ，再下载到本地进行处理。这两种方式都存在着“数据获取和处理分析链路分离”的问题。而且，卫星遥感数据下载耗时很长，用户在进行处理分析前不得不等待很长时间。此外，地球科学研究者需要经常进行同一地理位置的时序分析，传统的图形界面数据下载产品仅仅依赖“结果列表”进行检索，会存在需要遍历每个数据结果的情景，因此检索效率会非常低。而在处理分析过程中，传统的桌面软件操作非常复杂，不够智能，导致用户操作成本高，容易犯错。
针对“链路分离”和“等待时间长”的问题，我们期待给用户“即搜即用”的体验。在产品链路上，将“数据”和“处理分析”进行连接，用户完成检索后，可以无需新建处理分析项目即可直接将所选数据代入工作空间。同样在用户已收藏的数据列表中也放置了“处理分析”触点，使用户能够从数据直接进入到工作空间。
其次，基于地图上同一位置不同时序的卫星影像 “检索效率低”的问题，我们提案通过菜单的方式辅助用户进行快速选择，减少通过传统列表筛选效率极低的问题。
最后，针对传统软件中“操作成本高、容易犯错”的情况，以计算NDVI植被指数为例，用户在传统软件中需要手动输入计算公式，操作步骤冗长且容易出错，因此在产品中我们将公式直接呈现给用户，用户只需点击2次选择波段即可。后续又进一步迭代，将需要用户选择的波段优化为了自动填充，用户在这里无需任何操作即可完成原本复杂的指数计算公式的输入，将“出错概率”降低为0。
让工作有仪式感，实现自我价值认同
地球科学研究者通过对遥感数据的观测分析，分析自然资源分布情况、探索城市土地变迁形势、预测自然灾害的发生，然而他们的工作鲜为大众知晓，我们期待能够给地球科学研究群体工作的价值感，让他们在应用工具时能够形成“探索地球”的身份认同，赋予“研究过程”一种仪式感。
因此，整体界面采用暗色模式，营造专业感与神秘感。首页上将地球研究中的“地物分类”、“变化检测”、“时序图”用动态方式呈现给用户，让原本静态的分析结果更加生动的呈现给用户，吸引用户前往探索。
对比传统的二维地图检索界面，AI Earth 地球科学云平台上也采用地球形态强化“探索地球”的心智，让用户从卫星视角靠近地球，研究地球。（传统检索：USGS等采用二维地图检索 VS AI Earth云平台：自转地球逐步放大至被检索区域）
来看两个实际应用案例
如何通过 AI Earth 看城市变迁
面对下边的两张图，我们可以瞬间肉眼看出2017年到2019年杭州阿里巴巴西溪园区附近的变化 。
当我们把镜头拉远，我们会发现“找不同”的难度指数级上升，全靠肉眼已经很难快速将全部变化找出来。
利用 AI Earth 地球科学云平台中的“变化检测”工具，我们就能快速获得两张影像变化的区域，变化区域通过红色的图斑显示出来，通过卷帘工具对比查看前后期影像的差别。如果还想看到每个区域变化的大小，我们就可以通过点击单个图斑查看大致的变化面积。原本，科研工作者需要通过“目视解译”（用肉眼对比前后变化）的方式一点点圈画出变化的区域；现在，只需要将要对比的影像导入系统，AI算法就能自动识别变化的部分。这种方式大大减少了用户的时间和操作成本。
如何通过 AI Earth 看土地分布
传统情况下，如果地球科学工作者需要研究土地分布情况，第一步就是通过国内外的卫星影像数据网站检索到自己需要的数据，再通过代码的方式或者本地软件的方式进行处理。用户要么在同一个平台上通过编程的方式获得自己需要的土地分布结果，要么就需要花费大量时间跨平台操作。
通过AI Earth地球科学云平台，用户能够无需“科学上网”，也无需编程，快速获取想要分析的卫星影像。选中卫星影像后可直接带入工作空间进行分析。
在工作空间中，通过地物分类工具解析出来的结果将以不同色块呈现给用户，用户还可以查看统计图表明确各类土地的分布情况。AI Earth 地球科学云平台将原本可能需要几小时或者更长时间才能统计分析出来的结果更快、更友好的呈现给了用户。
反思沉淀与未来展望
达摩院AI Earth地球科学云平台上线后，首周用户申请使用人数破千，行业专家及高校用户自发在圈子内进行推广宣传，形成热度和话题。同时，用户们积极试用测评，项目组迅速回收到用户反馈，明确后续新增开发者体验模式 、补充数据量、优化针对公开数据的AI算法模型等迭代方向。
从设计角度来看，面向专业用户的设计最终还是要回归“专业用户本身”，前期大量的桌面研究和用户访谈必不可少，尊重用户习惯的基础上进行合理的创新，降低用户的迁移成本才能降低MVP产品初期获取用户反馈的门槛；对于工具型产品，在降本提效上可以“先整体再局部”，以整体链路通顺为前提，再着眼与细节操作体验的提升；最后，设计最终还是为“人”服务，将人性关怀渗透到设计中除了为业务提供顺畅的操作体验外，更能为业务带来“增值”。
写在最后，产品的体验离不开 @辽玥老师 AI Earth 业务团队的共同努力，感谢不仅从业务和技术视角解决专业问题，更能从用户视角协同设计师共同打磨体验。欢迎大家交流指正，谢谢~
达摩院设计团队： 定谦 壳恪 会芹 源莹
AI Earth 团队产品：今予 予路
AI Earth 团队工程：元满 明钊 舞舟 愚远 鹿奥 远青 厉青 荣业 行意 羲明 班扬 益驰 大隐 乐以 烈霖 无厚 张迈 子健 等...
AI Earth 团队算法：定行 晓雾 明择 功远 继往 等...
