文章总结： 文档分析美国国家地理空间情报局(NGA)将卫星分析外包给私营企业的趋势，核心是Luno项目通过AI分析商业卫星数据提供成品情报。文章指出NGA成立快速能力办公室以缩短采购周期，并揭示其与太空军的地盘竞争。同时提供开源情报分析的五步实操方法，包括卫星数据获取、变化检测技术、多源信息融合等可操作指南。 综合评分： 87 文章分类： 威胁情报,技术标准,解决方案,数据安全,安全工具

---

当美国情报局把卫星分析外包给硅谷

原创

DMT DMT

情报分析师

2026年5月21日 12:29 辽宁

在小说阅读器读本章

去阅读

美国当地时间2026年5月3日，科罗拉多州奥罗拉。GEOINT研讨会的主厅里，美国国家地理空间情报局（NGA）副局长布雷特·马克汉姆走上讲台。

这是美国地理空间情报界最重要的年度聚会，满场都是卫星公司的工程师、国防承包商的高管和穿便装的情报官员。

马克汉姆说了一句话，整个行业都听进去了——

“计算机视觉和数据分析方面的创新，越来越集中在私营部门，包括初创企业和小型企业。现在NGA正在努力扩大对这些项目的获取。”

这不是官方客套话。这是一个已经运转了几十年的情报机构，正式宣告自己的核心能力路线图正在被重写。

让我来告诉你这意味着什么，以及作为一个从事开源情报的人，你应该怎么看这件事、怎么用这扇正在打开的窗口。

这件事到底有多大？先看数字

NGA是美国情报界鲜为人知的”幕后眼”——它不抓人、不打电话、不渗透组织。

它盯着地球看。

从天上拍的每一张图，从这张图里读出的每一条情报——军事设施在哪儿、港口里停了几艘船、某个核工厂最近有没有新建筑都是NGA的业务。它的客户是总统、战区指挥官和整个美国情报界。

过去，这种能力大部分靠国家侦察局（NRO）的”国家技术手段”——也就是那些极度机密的间谍卫星。

NGA的人坐在密室里看图，写评估报告，送给决策者。整套系统是封闭的，高度保密的，也是极度昂贵的。

现在发生了什么变化？

第一，天上的眼睛多了到爆炸。 公开信息显示，截至2026年初，商业低轨卫星已经超过1300颗，预计到本十年末还会大幅增加。

Planet Labs、Maxar、BlackSky、Ursa Space这些公司，每天的重访频率已经能做到”几乎任何地点每天都能拍到”。分辨率也高到令人咋舌——有些商业卫星能达到30厘米级别。

第二，处理数据的AI能力，已经不在政府手里了。 马克汉姆承认的这一点，其实是最关键的结构性转变。

过去十年，计算机视觉、变化检测、目标识别这些技术，突破主要发生在OpenAI、谷歌、Palantir这类公司，不是发生在政府实验室。 美政府已经错过了第一班车。现在它选择买票上车，而不是自己去造车。

第三，商业卫星地球观测AI分析市场本身，已经是一个价值数十亿美元的产业。 2025年，全球商业卫星对地观测及AI分析市场估值达到58亿美元，预计到2034年增长至132亿美元，年复合增长率约9.45%。 这个市场不需要等NGA来带动，它自己在跑。

Luno是什么？把它讲清楚

你会经常在报道里看到这个名字，但很少有人把它说透。

“Luno”直译是月亮（拉丁语），不过在这里它代表的是NGA商业化转型的核心采购架构。理解它有一个关键点——Luno买的不是图，买的是答案。

传统上，情报机构向商业卫星公司买的是原始影像——一张图，你自己去解读。Luno反过来了：NGA告诉供应商”我要知道这个设施有没有变化”，供应商用AI处理完，把结论直接交给NGA。这叫”成品情报产品”。

整个Luno项目分为两条线：

Luno A

专注基础设施监控和变化检测，合同总价值2.9亿美元，2024年9月选定了10家供应商。 已经落地的任务订单包括：Maxar Technologies负责”设施监控”，专门追踪目标地点的重大变化； 一家名为Electromagnetic Systems Incorporated（EMSI）的小公司拿到了”地物识别”订单，专门制作海岸线、地形等精细地图； Ursa Space Systems则拿到一个价值1380万美元的”全球石油感知追踪器”合同，通过商业SAR卫星图像分析全球石油生产和储存设施。

Luno B

专注”人类域监控”和更广义的态势感知，合同总价值2亿美元，2025年1月启动，选定了13家供应商。 这条线更有意思——它不只是看基础设施，而是看人的活动模式。供应商名单里有Airbus、BAE Systems、Booz Allen Hamilton、BlackSky、BlueHalo、CACI、Deloitte、Planet Labs Federal等。

2025年7月，NGA同时宣布了三个Luno的新任务订单：Ursa Space的TrueSight项目获得2100万美元，专门做”目标变化和移动检测”；BlueHalo拿到2440万美元的”设施和目标监控2″订单；另有一个450万美元的Almanac订单。

整个Luno项目合同总价值约5亿美元，但这只是IDIQ（不定量交付）合同的框架上限，实际任务订单会持续增加。

快速能力办公室：它存在意味着什么

马克汉姆在讲话中特别提到NGA成立了一个”快速能力办公室”（Rapid Capabilities Office，RCO），这个细节值得单独拿出来讲。

RCO于2025年10月1日正式成立。 它的任务非常直接：绕过传统政府采购那套”需要多年才能签下一个合同”的流程，把新兴商业技术在”数周甚至数天内”投入运营使用。

马克汉姆给出的具体目标：把采购时间从”数年或数月”缩短到”数周或数天”。

这句话的潜台词是：原来的流程有多慢？政府采购的标准流程，从需求提出到合同签署，往往需要18个月到3年。等到技术拿到手，市场上新一代产品已经出来了。这是政府技术落后的根本原因之一。

RCO重点关注的领域包括：快速原型化商业AI工具，特别是计算机视觉系统和大型语言模型——后者能够自动化”时间敏感型分析任务”。

这里面有一个微妙的地方需要注意：

RCO的成立，部分是对特朗普政府行政命令的直接回应。2025年1月23日，特朗普签署第14179号行政命令”消除美国人工智能领导地位的障碍”，明确要求各机构扩大私营部门工具的使用，以在技术竞争中保持优势。

NGA的动作，是这个政策大方向的具体落地。

一场没有硝烟的内部地盘战

有一条线索，大多数报道都没有讲清楚——在NGA推进商业化的同时，美国太空军也在干同样的事情，而且这两家机构之前打了两年的”地盘架”。

太空军2023年启动了一个叫”战术监视、侦察与追踪”（TacSRT）的项目，允许作战指挥官直接从商业卫星公司购买情报产品，绕过NGA。

这直接踩到了NGA的核心职能——按照现行政策，NGA才是负责给整个国防部和情报界采购商业卫星情报的权威机构。

两年的争议在2025年5月的GEOINT研讨会上达成和解。NGA局长海军中将弗兰克·惠特沃斯和太空军作战部长萨尔茨曼将军当众签署了一份”谅解备忘录”，划清了两家机构的职能边界——太空军可以用TacSRT买东西，但要向NGA汇报、避免重复采购，数据格式也要符合NGA的国家地理空间情报标准。

这场摩擦本质上揭示了一个深层矛盾：商业卫星数据供应充裕之后，”谁有权买情报、谁有权分发情报”这个问题，已经成为一个官僚体系的政治问题，而不只是技术问题。解决这个问题，需要正式的制度安排。

与此同时，还有一个方向相反的张力——同期，特朗普政府通过预算削减了国家侦察局（NRO）为Maxar、Planet、BlackSky提供的商业卫星采购项目（EOCL），据报道FY2026预算申请对该项目削减约三分之一，约1.3亿美元，并完全取消了商业合成孔径雷达（COMSAR）采购资金。

BlackSky因此被迫下调全年营收预期，Maxar和Planet也联署公开信向国会施压。

所以这里出现了一个值得关注的矛盾：NGA在加速商业化、买更多东西，但NRO在大幅削减商业采购预算。

同一届政府内，两个方向的政策同时运行。原因可能在于：NGA买的是”分析产品”（cheaper AI outputs），而NRO买的是原始卫星拍摄时段（更贵）；DOGE的逻辑是压缩开支，但NGA的逻辑是把开支从自建转为外包，表面上也算省钱。

想分析这类事件该怎么做？

这才是这篇文章真正想讲的部分。

情报机构把地理空间情报商业化，同时意味着我们这些做开源情报分析的人，正处于有史以来工具最丰富的黄金时期。

NGA的供应商用的那些分析方法，其实我们都可以用公开工具复现——当然精度有差距，但基本逻辑是一样的。

下面我按照实操流程，完整讲一遍。

第一步：建立自己的卫星数据层

不要从网上随手找图。要建立一个系统化的影像获取工作流。

免费工具首选欧洲哨兵系统。 ESA的Copernicus Browser（原Sentinel Hub Playground，网址：https://browser.dataspace.copernicus.eu/）是最被低估的免费工具之一。

Sentinel-2提供10米分辨率的光学影像，全球重访周期约5天；Sentinel-1提供C波段合成孔径雷达（SAR）影像，可以穿透云层和夜间成像。

Bellingcat已经系统整理了这两个传感器在OSINT中的应用指南（https://bellingcat.github.io/RS4OSINT/）。

具体操作步骤是打开Copernicus Browser，选择感兴趣的区域，设置日期范围，勾选”Cloud Coverage”滤镜（建议设在20%以下），然后切换时间序列对比。这已经可以完成基本的变化检测。

NASA Worldview （https://worldview.earthdata.nasa.gov/）的优势是近实时数据——部分传感器可以提供几小时内的数据，适合追踪快速变化事件如火灾、洪水、大型船只动向。

USGS Earth Explorer（https://earthexplorer.usgs.gov/）有历史数据宝库——Landsat数据可以追溯到1972年，对于做长时序分析（比如某军港在过去20年的扩建历史）非常有用。

Google Earth Pro（桌面版，非网页版）的历史影像时间轴功能，是做”时间点核查”最直观的工具。重要的是：桌面版和网页版的历史档案深度不一样，桌面版往往有更多历史节点。

付费但物有所值的选项：Planet Labs的PlanetScope提供每日3-5米分辨率全球覆盖（https://www.planet.com/），这是目前商业上可获取的最高时间分辨率产品。它有教育和记者申请通道，某些情况下可以免费获取有限访问权限。SpyMeSat（https://www.spymesat.com/）允许按单张图片付费，适合你只需要某一地点某一时间节点影像的情况。

第二步：掌握变化检测的核心逻辑

变化检测是Luno A的核心功能，也是NGA最重要的商业采购内容。它的底层逻辑并不复杂：比较同一地点在不同时间点的影像，识别差异。NGA的供应商用AI大规模自动化了这个过程，但你手动也能做。

基础方法——视觉比对。在Copernicus Browser中选择”时间轴比较”模式，把同一区域不同时间的影像并排显示，或用滑动条对比。这是最直接的方法，适合大型建筑变化、水体扩张、植被损毁等明显变化。

进阶方法——SAR变化检测。Bellingcat的Remote Sensing for OSINT教程（https://bellingcat.github.io/RS4OSINT/C3_Blast.html）中，完整展示了如何用Sentinel-1 SAR数据，对黎巴嫩贝鲁特大爆炸进行爆炸损毁评估。

核心方法是对两期SAR图像做差值或比值运算，高变化区域代表地表状态发生了显著改变。

在Python/Google Earth Engine环境下，实现这个流程大概是这样的：

python

`import ee

加载Sentinel-1 SAR数据，选择VV极化，降轨

s1 = ee.ImageCollection(‘COPERNICUS/S1_GRD’) \ .filterBounds(aoi) \ .filter(ee.Filter.eq(‘instrumentMode’,’IW’)) \ .filter(ee.Filter.listContains(‘transmitterReceiverPolarisation’,’VV’))

before = s1.filterDate(‘beforestart’,’beforeend’).mean() after  = s1.filterDate(‘afterstart’,’afterend’).mean()

差值图像：正值=增加，负值=减少/损毁

change = after.subtract(before)`

这是Bellingcat研究员在实际调查中使用的方法框架。

不需要任何商业软件，只需要Google Earth Engine的免费账号（https://earthengine.google.com/）。

多光谱指数辅助。标准化植被指数（NDVI）可以检测植被损毁，在有植被覆盖的目标区域非常好用。计算公式是：NDVI = (近红外波段 – 红波段) / (近红外波段 + 红波段)。Copernicus Browser有内置NDVI可视化层，一键切换即可。工厂、机场、港口等设施附近的植被状态变化，往往是活动强度的间接指标。

第三步：快速移动目标的追踪——SAR的特殊用法

这是很多分析师没有意识到的进阶技能。

SAR传感器在拍摄过程中，同一物体的信号会被不同时刻采集——这造成了快速移动目标（飞机、大型船只）在图像中出现”重影”或”偏移”现象，学术上叫做”多光谱错位”。

Guerillamap的分析框架（https://guerillamap.com/geosint-geointosint-ukraine-example/）展示了通过测量SAR图像中飞机在各光谱通道的空间偏移距离，可以计算出目标的移动速度和方向。

这是纯粹开源、完全免费、但极少数人掌握的分析方法。

第四步：把影像情报和其他OSINT源融合

这才是真正产生情报价值的步骤。单独一张卫星图，通常只能说明”发生了变化”，无法说明”为什么变化”和”谁在里面”。

融合的标准流程：

配合AIS数据。 船舶自动识别系统（AIS）数据是公开的，Vessel Finder（https://www.vesselfinder.com/）、Marine Traffic（https://www.marinetraffic.com/）都提供免费基础查询。

当你在卫星图上看到港口有异常船只活动，立刻交叉比对AIS数据，确认船名、船旗、历史轨迹。

如果卫星图上有船但AIS上没有——这本身就是一个情报信号（可能是关闭应答器的军舰或从事规避行动的货船）。

配合开源新闻和社交媒体。 当你识别出某地有建设活动，用Google Earth查历史图，同时在X（Twitter）、Telegram上搜索该地区的本地用户发布内容进行交叉核实。

在多起冲突调查中证明了这种多源融合方法的可靠性。

配合采购数据库。 SAM.gov（https://sam.gov/）是美国政府采购公告的公开数据库——所有NGA的Luno任务订单最终都会在这里留下痕迹。

分析NGA在买什么、付多少钱、给谁，本身就可以反推出NGA的情报重点在哪里。这是顶级的OSINT”元情报”——分析一个机构在买什么能力，来推断它正在关注什么问题。

第五步：建立系统化的监控工程

单次分析是新闻，持续监控才是情报。

设置定时提醒。Planet Labs和Sentinel Hub都支持某些形式的”区域变化通知”设置。对于高度关注的目标区域，建议用Copernicus Browser设置时序快照存档——每周保存一次，形成自己的本地时间序列数据库。

结构化记录。每一张图，记录拍摄时间、传感器型号、分辨率、云覆盖率、观测到的内容。这是信息与情报的本质区别——系统化整理之后的信息才是情报。借鉴ICD 203标准（美国情报界的分析标准规范，https://www.dni.gov/），对每条判断标注置信度——”高度可信””中等置信度””可能但证据不足”——不要把推断写成事实。

有几个不确定性，必须说清楚

在上面讲了很多NGA的商业化战略，但有几个地方需要明确标注不确定性：

关于Luno B的实际效果，目前公开信息仍然有限。 截至2026年5月，Luno B的大部分任务订单还没有公开可核查的细节。”人类域监控”这个定义边界模糊——它究竟在追踪什么？官方声明只说”全球经济、环境和地缘政治活动，以及监控非法、不受监管和未申报的行为”。 这个描述足够宽泛，以至于无法从公开信息中推断具体目标。

关于RCO的实际运作效果，观察时间还不够长。 它成立于2025年10月，到写这篇文章时才7个月。”把采购时间从数年缩短到数天”是个好目标，但政府采购的结构性障碍不是靠成立一个新办公室就能消除的——采购法、安全审查、承包商资质要求依然存在。有分析认为RCO的实际能力可能被高估，目前尚无充分的公开证据证明它已经实现了马克汉姆描述的速度目标。

NGA和NRO之间的预算矛盾仍未解决。 NGA在加速商业化，NRO在削减商业采购——这个内部矛盾将如何收场，目前公开信息无法证实。国会的最终预算决定将是关键变量，而NRO的预算是机密，外界无法准确追踪。

我们下一期见！

俄罗斯军机又又又又停在朝鲜的跑道上了

奥地利驱逐3名涉嫌信号情报活动的俄外交官，需注意驻外机构技术侦察与外交设施反情报防护

安东会谈背后的那盘大棋，日韩为何在这个节点走得如此之近

解密情报分析师的一天，这份工作没有你想象的那么酷，也远比你想象的更重要 ！

【深度研判】俄罗斯鲍曼大学秘密培养GRU黑客与情报人员，国家化网络人才培养模式对我网络安全生态的外溢威胁

---

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：情报分析师 DMT DMT《当美国情报局把卫星分析外包给硅谷》