從被發明以來，衛星成像技術一直都有一個目標，那就是對地球環境以及人類活動進行穩定的監測。得益於近年大量的民用觀測衛星的入軌，不論是對人類活動的觀察還是對商業行為的測量，人類可使用的衛星成像及其應用數據的存量呈井噴式增加。循環影像衛星指的是一類在一段時間內週期性反復檢測地球同一區域的衛星。這類衛星通常擁有較低的像素和較大的監測區域用來負責檢測大塊的地表面積。派遣衛星影像指的是按照指令要求對特定區域進行單次圖像獲取的定製化衛星影像服務，一般通過更高的成本生成較高像素的圖像數據。隨著近年來機器學習技術的快速發展，低成本的循環衛星影像也能通過機器學習的加持來產出種類豐富的商業信息來輔助商業決策。

循環衛星影像在實踐中開始受到關注

因其週期性觀測的特點，循環衛星影像觀測交通、油氣資源的儲存、以及監控特定區域某種材料（煤炭或者垃圾）倉儲的存量和堆積形態在時間段上的變化。與此同時，由人類活動造成的地貌改變也可被視作重要的觀測目標，比如工地施工進度、糧食收貨情況、森林火災傳播面積、難民營數量、以及自然災害所波及的區域等等。循環衛星影像對於地球的這等周期性的、頻繁的、全覆蓋的觀測提供了海量的圖像數據，而深度學習分類相關算法能夠快速高效地執行識別、分類、動態變化監測等任務，最後得到的結果可以幫助從業者更高效地分析市場行情。這種航天科技與人工智能相結合的平台可以被用來緊密追蹤各種大宗商品的倉儲存量和轉運情況，從一個周期性變化的視角為從業者提供宏觀和微觀經濟方面動態變化。基於以上特性，市場已有眾多數據服務企業選擇為客戶提供基於循環衛星影像和人工智能相結合轉化而來的貨流監測服務。例如，中國大陸地區有「我的鋼鐵網」，全球領先的大宗商品及相關產業數據服務商（https://www.mysteel.net/），可為客戶提供中國大陸境內海運貨流檢測數據。

循環衛星影像在現實中的應用

工業活動監測：AI監測循環衛星影像在商界中潛在應用是非常廣泛的，比如人們可以通過由DSM (Digital Surface Model，數碼地面模型，一種由3D電腦圖形表示的地形數據) 組成的時間序列地表圖像數據來有效地監測工業活動行為，比如監測相關區域貨物的庫存量。通過AI特徵識別技術的幫助，從業者可以預估目標物體積、高度等數據在單位時間內的變化，從而利用這類數據監測，實時地了解供應端/消費端的動態，來做出更好的套利決策。假設我們想要了解最近半年南非理查德灣煤礦（RBCT），一個擁有1.6平方公里面積大型煤礦倉儲，在半年内的庫存增減情况，我們可以利用SkySat L1B衛星拍攝的循環影像來生成DSM。如果在這半年的週期内我們獲得了40個不均勻分佈在這6個月時間上的衛星循環影響，那麼最終生成的DSM就可以體現這40天中每天煤炭庫存的離地高度，並最終換算成庫存體積。如下圖所示，顏色越深代表著煤堆離地高度越高。有了以上信息，單位時間內該煤礦的平均庫存量、最低/最高庫存量、平均出清速度等等信息都能被輕鬆得到，進而有利於預測期貨實物交割價格、現貨採購價格、以及後續成品的定價。

石油庫存測量：首先利用現有光學定位油罐，再處理合成孔徑雷達（SAR）圖像，經過定位、配准、深度學習算法特徵提取等流程，根據油罐在SAR圖像中獨特的反射特徵確定其位置與狀態，最後計算油罐內液體體積，為石油市場分析提供全球範圍實時獨立數據。以美國舉例，其原油庫存是受OPEC的生產決策、其國內政治事件、稅率變更、以及其他多方影響而定，而原油庫存量會影響其國內的原油價格，更高的原油庫存量普遍導致更低的原油價格。美國是2023年世界第一大產油國和2022年世界第二大石油進口國，其國內存在大量石油進口企業和出口企業。若是能結合衛星影像與AI技術得到美國國內石油庫存量，再對比往期數據便可知曉當前美國國內油價處在高位還是低位，從而選擇是否看多/空其石油進口/出口企業來獲得套利。

車輛檢測與經濟活動評估：在更高像素衛星圖像（如Pleiades, WorldView等拍攝）上，用深度學習算法檢測車輛，雖然面臨數據集標註成本高、數據需求多樣、算法選擇困難等難題，但能通過監測工廠附近停車場車輛估算汽車產量，評估商業區域人氣或辦公區活躍度；中像素PlanetScope衛星圖像則通過分析停車場像素密度特徵，利用高斯混合模型估算停車佔有率。以上信息對商業規劃和企業研究方面的從業者助力甚多：一方面，確定商業區域人氣能夠幫助商業品牌在店舖選址方面進行更好的決策；另一方面，對商舖人氣較為精準的預估，結合平均客單價可以得到一個非官方的銷售數據，通過對比官方的銷售數據可以嘗試判斷該企業是否存在財務造假的情況，進而決定是否在金融市場做空該企業來獲利。

循環衛星影像未來應用的展望與挑戰

商業領域中循環衛星影像結合深度學習算法的應用還有很多可能性尚未被發現，仍有巨大潛力等待挖掘。像利用人工智能算法來分析低像素的循環衛星影像來低成本地統計港口中閒置的船隻數量、船隻吃水深度、噸位等信息，以查看具體航線閒置運力的情況，反映租船市場供求動態，輔助租船和金融決策等等，任何需要識別物體又要求保留時間序列上信息的需求都可以通過循環衛星影像結合深度學習特徵提取算法來輔助決策制定，只不過目前在數據集標註成本，數據多樣性，以及算法精確度等方面還需要等待後續的發展。儘管如此，循環衛星影像和人工智能的發展對企業在決策制定以及尋找套利機會等方面，還是潛力巨大的。通過不斷優化模型與算法來提高特徵提取和分類的精確度和效率，結合AI的循環衛星影像能夠讓企業對市場的變化永遠反應迅速，快人一步。

參考文獻：

[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.

在此感謝InnoHK、香港特別行政區政府及人工智能金融科技實驗室（AIFT）對本文的支持。
（AIFT竭力但不能保證內容之準確和可靠，亦不會承擔因任何不準確或遺漏而引起的任何損失或損害。 )