从被发明以来，卫星成像技术一直都有一个目标，那就是对地球环境以及人类活动进行稳定的监测。得益于近年大量的民用观测卫星的入轨，不论是对人类活动的观察还是对商业行为的测量，人类可使用的卫星成像及其应用数据的存量呈井喷式增加。循环影像卫星指的是一类在一段时间内周期性反复检测地球同一区域的卫星。这类卫星通常拥有较低的分辨率和较大的监测区域用来负责检测大块的地表面积。派遣卫星影像指的是按照指令要求对特定区域进行单次图像获取的定制化卫星影像服务，一般通过更高的成本生成较高分辨率的图像数据。随着近年来机器学习技术的快速发展，低成本的循环卫星影像也能通过机器学习的加持来产出种类丰富的商业信息来辅助商业决策。

循环卫星影像在实践中开始受到关注

因其周期性观测的特点，循环卫星影像观测交通、油气资源的储存、以及监控特定区域某种材料（煤炭或者垃圾）仓储的存量和堆积形态在时间段上的变化。与此同时，由人类活动造成的地貌改变也可被视作重要的观测目标，比如工地施工进度、粮食收货情况、森林火灾传播面积、难民营数量、以及自然灾害所波及的区域等等。循环卫星影像对于地球的这等周期性的、频繁的、全覆盖的观测提供了海量的图像数据，而深度学习分类相关算法能够快速高效地执行识别、分类、动态变化监测等任务，最后得到的结果可以帮助从业者更高效地分析市场行情。这种航天科技与人工智能相结合的平台可以被用来紧密跟踪各种大宗商品的仓储存量和转运情况，从一个周期性变化的视角为从业者提供宏观和微观经济方面动态变化。基于以上特性，市场已有众多数据服务企业选择为客户提供基于循环卫星影像和人工智能相结合转化而来的货流监测服务。例如，中国大陆地区有“我的钢铁网”，全球领先的大宗商品及相关产业数据服务商（https://www.mysteel.net/），可为客户提供中国大陆境内海运货流检测数据。

循环卫星影像在现实中的应用

工业活动监测：AI监测循环卫星影像在商界中潜在应用是非常广泛的，比如人们可以通过由DSM (Digital Surface Model，数字地面模型，一种由3D计算机图形表示的地形数据) 组成的时间序列地表图像数据来有效地监测工业活动行为，比如监测相关区域货物的库存量。通过AI特征识别技术的帮助，从业者可以预估目标物体积、高度等数据在单位时间内的变化，从而利用这类数据监测，实时地了解供应端/消费端的动态，来做出更好的套利决策。假设我们想要了解最近半年南非理查德湾煤矿（RBCT），一个拥有1.6平方公里面积大型煤矿仓储，在半年内的库存增减情况，我们可以利用SkySat L1B卫星拍摄的循环影像来生成DSM。如果在这半年的周期内我们获得了40个不均匀分布在这6个月时间上的卫星循环影响，那么最终生成的DSM就可以体现这40天中每天煤炭库存的离地高度，并最终换算成库存体积。如下图所示，颜色越深代表着煤堆离地高度越高。有了以上信息，单位时间内该煤矿的平均库存量、最低/最高库存量、平均出清速度等等信息都能被轻松得到，进而有利于预测期货实物交割价格、现货采购价格、以及后续成品的定价。

石油库存测量：首先利用现有光学定位油罐，再处理合成孔径雷达（SAR）图像，经过定位、配准、深度学习算法特征提取等流程，根据油罐在SAR图像中独特的反射特征确定其位置与状态，最后计算油罐内液体体积，为石油市场分析提供全球范围实时独立数据。以美国举例，其原油库存是受OPEC的生产决策、其国内政治事件、税率变更、以及其他多方影响而定，而原油库存量会影响其国内的原油价格，更高的原油库存量普遍导致更低的原油价格。美国是2023年世界第一大产油国和2022年世界第二大石油进口国，其国内存在大量石油进口企业和出口企业。若是能结合卫星影像与AI技术得到美国国内石油库存量，再对比往期数据便可知晓当前美国国内油价处在高位还是低位，从而选择是否看多/空其石油进口/出口企业来获得套利。

车辆检测与经济活动评估：在更高分辨率卫星图像（如Pleiades, WorldView等拍摄）上，用深度学习算法检测车辆，虽然面临数据集标注成本高、数据需求多样、算法选择困难等难题，但能通过监测工厂附近停车场车辆估算汽车产量，评估商业区域人气或办公区活跃度；中分辨率PlanetScope卫星图像则通过分析停车场分辨率密度特征，利用高斯混合模型估算停车占有率。以上信息对商业规划和企业研究方面的从业者助力甚多：一方面，确定商业区域人气能够帮助商业品牌在店铺选址方面进行更好的决策；另一方面，对商铺人气较为精准的预估，结合平均客单价可以得到一个非官方的销售数据，通过对比官方的销售数据可以尝试判断该企业是否存在财务造假的情况，进而决定是否在金融市场做空该企业来获利。

循环卫星影像未来应用的展望与挑战

商业领域中循环卫星影像结合深度学习算法的应用还有很多可能性尚未被发现，仍有巨大潜力等待挖掘。像利用人工智能算法来分析低分辨率的循环卫星影像来低成本地统计港口中闲置的船只数量、船只吃水深度、吨位等信息，以查看具体航线闲置运力的情况，反映租船市场供求动态，辅助租船和金融决策等等，任何需要识别物体又要求保留时间序列上信息的需求都可以通过循环卫星影像结合深度学习特征提取算法来辅助决策制定，只不过目前在数据集标注成本，数据多样性，以及算法精确度等方面还需要等待后续的发展。尽管如此，循环卫星影像和人工智能的发展对企业在决策制定以及寻找套利机会等方面，还是潜力巨大的。通过不断优化模型与算法来提高特征提取和分类的精确度和效率，结合AI的循环卫星影像能够让企业对市场的变化永远反应迅速，快人一步。

参考文献：

[1] Franchis, C., Drouyer, S., Facciolo, G., von Gioi, R. G., Hessel, C., & Morel, J-M. (2023).”The Exploitation of Recurrent Satellite Imaging for the Fine-Scale Observation of Human Activity.”. Machine Learning and Data Sciences for Financial Markets.

在此感谢InnoHK、香港特别行政区政府及人工智能金融科技实验室（AIFT）对本文的支持。
（AIFT竭力但不能保证内容之准确和可靠，亦不会承担因任何不准确或遗漏而引起的任何损失或损害。 )