2026-09-30 05:34:58 网络安全文章来源：ZONE.CI 全球网 0 阅读模式

文章总结： 本文分析大模型时代卫星数据价值变化，提出L0-L6七层价值分层框架。核心结论：数据使用者从专业解译人员扩展到模型与智能体，价值呈两端集中趋势——向下集中于面向模型的高质量原始数据（L0-L2），向上集中于行业知识（L4-L6）。三个关键信号：L1标准影像趋于商品化，L3通用嵌入免费化，L0/L1原始观测被模型直接使用。建议厂商向行业应用或模型数据供应方向延伸。 综合评分： 72 文章分类： 其他

从影像到地球状态：大模型时代卫星数据的价值变化

原创

mapxiaotu mapxiaotu

空天感知

2026年9月29日 08:50 美国

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

从影像到地球状态：大模型时代卫星数据的价值变化

写在前面

卫星遥感正从”看得见”走向”算得清”：星上算力开始承接筛选和事件提取，气象 AI、embedding等大模型把卫星观测当作直接输入。这些年做卫星数据治理、融合和产品化，感受是数据量涨得快，能供给模型、能沉淀成资产的部分并不多，问题大多不在模型，而在数据。从我自己做卫星遥感业务落地，结合多年一线厂商经历，尝试做出一些思考，计划完成系列文章，从数据供给、治理、商业化等方向谈谈遥感价值实现。有问题部分，请多指正。

「大模型与遥感」系列 · 第 1 篇 · 趋势与价值

本文讨论：当卫星数据的使用者从专业解译人员扩展到模型和智能体（Agent），数据的价值分布在哪些层级、正在向哪里移动。

▍一、卫星数据的使用者，正在从专业解译人员扩展到模型和Agent

2026 年，卫星遥感领域有三件事可以一并来看。

第一件发生在数据产品侧。2026 年 7 月，Google 把 AlphaEarth Foundations 卫星嵌入（Embedding）数据集的云存储桶改为 “provider pays”，下载方的流量费用由 Google 承担，数据实际可以免费获取。这套数据按年度覆盖 2017—2025 年，每个 10 米像元是一个 64 维向量，采用 CC BY 4.0 许可。同月 29 日，Google Maps Platform 发布 Custom Satellite Embeddings 的私有预览，按客户指定的区域和时段生成嵌入，时间间隔最短 5 天。把 64 维向量按颜色映射回地图，就是图 1 这样的嵌入场。

图 1　AlphaEarth 嵌入场的可视化：不同地表的 64 维特征被映射成伪彩色，山地、农田、红树林由此变得可比较。来源：Google DeepMind 博客（2025-07-30）

第二件发生在商业运营侧。Planet 在 2027 财年第二季度（截至 2026 年 7 月）实现营收 1.16 亿美元，同比增长约 58%。管理层在电话会上介绍，AI 应用已进入公开测试，目标是让全球历史档案”可以通过自然语言查询”。

图 2　Planet 的”鸽群”（Dove）。来源：NASA

第三件发生在科学应用侧。2026 年 3 月，复旦大学推出的”伏羲”端到端气象预测模型体系入选 2025 年度”中国十大气象科技进展”。按复旦大学的介绍，这一体系”打通了从原始观测数据到预报结果生成的完整链路”，AI 可以直接从卫星遥感数据中提取信息并预测天气演变。

三件事分布在三个领域，指向同一个变化：卫星数据的使用者，正在从专业解译人员扩展到模型和智能体。

这个变化之所以发生，是因为通用大模型进入物理世界时缺了一类输入。大模型的知识主要来自互联网文本、图像和视频，它们对地球状态的描述是间接的、滞后的、不连续的。2025 年以来，DeepMind 的 Genie 3、Meta 的 V-JEPA 2 等”世界模型”相继发布，学习材料仍然以互联网视频和仿真数据为主。

与此同时，Agent开始参与巡检、调度、核保、能源交易这类物理世界决策，它们需要可持续更新的定量观测：哪里变了、变了多少、什么时候变的。在所有数据源里，卫星是唯一能以全球尺度、按一致规格持续提供这类观测的一个。

这里说的”地球状态”，指可量化、可比较、带时间和位置的地表与大气状态变量，例如地表温度、土壤水分、作物长势、太阳辐照度。

本文用一个分层框架讨论：当使用者变成模型、智能体和非专业用户，卫星数据的价值分布在哪几层，正在向哪里移动。

▍二、按景计价的前提，是用户自己会解译

商业遥感数据长期按景、按面积、按分辨率计价，订阅服务也多以覆盖面积和重访次数为计量单位。

这种计价方式隐含一个假设：用户具备解译能力，数据的价值由用户自己实现。数据方交付影像——用户负责把影像变成业务判断。

图 3　一景标准的 Sentinel-2 影像：巴西中东部农田。在欧盟开放数据政策下，这类影像免费获取。来源：ESA/Copernicus，CC BY-SA 3.0 IGO（经 Wikimedia Commons）

在过去，这个假设是成立的。遥感数据的主要买方是测绘、自然资源、气象、农业、国防领域的专业机构，它们有自己的解译团队和业务系统，影像接进去就能用。

两类新用户打破了这个分工。

一类是非专业用户。保险、金融、供应链、能源交易行业的业务人员要的是结论，不是影像：”这块地是否发生了毁林””这条线路附近植被是否超高”。Custom Satellite Embeddings 公布的用例——欧盟《零毁林法案》（EUDR）合规、公用事业线路周边的植被与水体监测——都属于这一类。

另一类是模型与智能体。模型需要可批量读取、时空对齐、带质量信息的数据，而不是适合人眼判读的景产品；智能体需要能被程序检索和调用的数据接口。

当用户不再自己完成“影像到判断”的转换，这部分工作就要由数据方或中间方承担。转换在哪一层完成、由谁完成，决定了价值怎么分配。下一节先把层划出来。

▍三、尝试从AI使用的角度给卫星数据再分层

本文把卫星数据按”交付给用户的是什么”分为七层（表 1）。

表 1　卫星数据价值分层

两点说明。

第一，这不是数据处理级别。NASA 在 1986 年为对地观测系统制定的处理级别把数据分为 Level 0—4：Level 0 是重建后的原始仪器数据，向上逐级附加定标、地理参考、反演和网格化处理；国内业务系统同样按处理深度划分产品级别，如辐射校正、几何校正、正射、专题产品。处理级别描述数据经过了哪些加工；本文的分层描述交付给用户的对象是什么、用户离业务结论还差多少工作。两者有对应关系，不是同一回事。例如 NASA Level 2 的土壤水分产品，在本分层中可能算 L2（作为模型输入），也可能算 L4（作为业务要素），取决于用途。

第二，层级越高，用户需要自己完成的工作越少，数据方需要掌握的行业知识越多。L2 的参照系是分析就绪数据（Analysis Ready Data, ARD），CEOS 对”可直接分析、跨传感器可比”的数据集有明确的规范，本系列沿用这一口径。L3 是新出现的一层，它把原本需要遥感专业知识才能完成的特征工程，交给了预训练模型。

▍四、价值迁移的三个信号

信号一：L1 标准影像趋于商品化。中分辨率影像的开放供给在持续扩大。Landsat 自 2008 年 10 月起免费开放，这一开放政策重塑了此后十年的遥感应用生态，图 4 是 Landsat 9 传回的首批影像之一；Sentinel 系列按欧盟开放数据政策免费提供。

当全球 10 米级多光谱影像的边际获取成本接近于零，”提供中分辨率影像”可能也越来越难构成收费理由。商业影像的价值区间，向更高分辨率、更高频次和专有传感器收缩。

图 4　Landsat 9 传回的首批影像之一：美国佛罗里达州彭萨科拉沿岸。来源：NASA/USGS，公有领域（经 Wikimedia Commons）

信号二：L3 通用表征开始免费或低价提供。AlphaEarth Foundations 融合光学影像、雷达、激光测距、气候模拟等多类公开数据，把每个 10 米像元在一年内的信息压缩为 64 维向量；在 DeepMind 公布的评估中，其平均误差比对比方法低约 24%，存储约为对比系统的十六分之一。它的处理链路见图 5：多源观测进，embedding出。

图 5　AlphaEarth Foundations 的处理链路：上图为从多源观测到 64 维嵌入向量的模型结构，下图为全球嵌入场可视化。来源：Brown et al., arXiv:2507.22291 图 1（A、F 两栏裁剪拼合）

这套数据现在可以免费下载。而Custom Satellite Embeddings 又把嵌入做成了可订购的服务。对中分辨率尺度上的通用任务——土地覆盖分类、基础特征提取——用户可以在公开嵌入之上，用少量样本和简单模型完成过去需要专门团队承担的特征工程。

学术界已经开始把地球嵌入（Earth Embedding）当作一类独立的数据产品来研究。2026 年 2 月的论文《Earth Embeddings as Products》区分了”生成嵌入的模型”和”作为资产的嵌入”，梳理了现有产品的三层生态，并指出来自不同模型的嵌入在格式、分辨率上互不兼容，缺少统一的访问方式。

那么可以尝试给出一个推断：开放的embedding会首先压低中分辨率通用分类和特征工程的价格；高分辨率、高频次、专有传感器（SAR、高光谱）以及特定区域、特定行业的数据，受到的冲击较小，相对价值可能上升。

信号三：L0/L1 原始观测被模型直接使用。前两个信号发生在分层的上部，第三个发生在底部。

以 GraphCast 为代表的第一批 AI 天气模型，使用 ECMWF 的 ERA5 再分析资料（约四十年）训练。再分析是传统资料同化系统的产物，卫星观测是间接进入模型的。

伏羲端到端体系走了另一条路：从原始观测出发，把资料同化和预报合并在一个数据驱动的系统里完成。按复旦大学的介绍，其生成的全球分析场精度超过美国国家环境预报中心（NCEP）的全球资料同化系统（GDAS），中期预报优于 ECMWF 的高分辨率业务预报（HRES）。预报效果的一个直观例子是台风路径：图 6 中，伏羲系列模型对 2018 年台风”康妮”（Kong-Rey）的路径预报紧贴实况，同期 ECMWF HRES 的预报出现明显偏移。

与多个气象同行交流，也均反馈复旦的FuXi大模型在今年的台风预测中都非常准。

图 6　伏羲系列模型（FuXi、FuXi-Extreme）对 2018 年台风”康妮”的路径预报：绿、红两色紧贴实况（黑色），同期 ECMWF HRES 预报（蓝色）出现偏移。来源：复旦大学 AI³ 网站，原图引自 FuXi 论文[17]

剑桥大学团队的 Aardvark Weather 思路相同：绕过资料同化和数值模式，直接从卫星与地面观测生成全球格点预报和本地站点预报，2025 年发表于《自然》（图 7）。

图 7　Aardvark Weather 直接以气球、地面站、船舶、飞机、卫星等多源观测驱动预报和下游任务，不再经由传统资料同化与数值模式分步完成。来源：Allen et al., arXiv:2404.00411 图 1

前两天Google发布了新的天气预报系统，也是采用端到端的方式，可见原始观测数据的直接使用是一种技术上的引领趋势。

而当模型直接读取原始观测，L0/L1 的交付要求就变了。过去，定标参数、观测几何、质量标记、时间信息的完整性主要由数据处理机构内部消化；现在它们直接影响模型效果，必须成为对外交付的一部分。欧洲航天局（ESA）正在把接近 90 PB 的 Sentinel 档案从 SAFE 格式迁移到云原生格式 Zarr，Development Seed 对这种格式的描述是”把数据当作 API，而不是待下载的文件”。底层档案的程序化读取能力，正在变成基础设施。

就笔者最近处理SAR数据的经验判断，很多场景或者大部分场景，如果还守着L2数据，那会非常没有出路，难以发挥SAR本身成像的优势，也无法满足行业解译需求。所以有必要对原始数据进入解译链路进行思考（后续文章再谈）。

三个信号合起来总结（图 8）：价值不是单向上移。中间层（L1 影像、L3 通用嵌入）的通用部分被压缩；价值向上集中于行业知识（L4—L6），向下集中于面向模型的高质量原始数据（L0—L2）。

图 8　卫星数据价值分层 L0—L6 与三个信号的位置

▍五、对行业厂商意味着什么

卫星厂商。只销售 L1 标准影像的业务，价格空间可能受到压缩。延伸方向有两个：向上，结合行业场景做 L4 以上的产品；向下，把定标、几何、质量信息整理成面向模型的标准化交付，成为模型厂商的数据供应方。对高分辨率、高频次或专有传感器星座而言，数据本身的稀缺性仍是主要优势，关键是尽快形成程序化的供给能力。

图 9　Planet Insights Platform：影像目录、时序分析与开发工具在同一个平台上交付。来源：Planet 网站

遥感与AI厂商。其实可以分为两类，一是传统的遥感应用类公司，二是有意进入遥感领域的AI厂商。

中分辨率通用分类和特征工程类业务，可能会最先感受到开放Embedding的价格压力。行业知识、业务规则、样本积累，以及把解译结果组织成对象和关系（L5）的能力，是通用模型难以替代的部分。本系列文章也后续也将重点就此展开。

卫星遥感数据是大模型的重要输入，但它与互联网数据不同：它是物理测量，带定标、几何、观测条件和不确定性信息，也有权属和合规约束。直接混用未经归一/协调的多源卫星数据，容易把系统性偏差带进训练集。数据获取渠道和具备遥感专业知识的数据团队，需要提前布局。

▍六、小结

01卫星数据的使用者正在从专业解译人员扩展到非专业用户、模型和智能体，传统的数据解译流程可能将被大模型规模化替代，要做出提前研判和布局。

02本文按AI使用的逻辑将卫星数据分为 L0—L6 七层；分层按价值和交付形态划分，不是数据处理级别。

03三个信号：L1 标准影像趋于商品化，L3 通用嵌入免费或低价提供，L0/L1 原始观测被模型直接使用。

04附加价值向 L4—L6 集中，但这一层的商业模式尚待探索。

05价值变化是两端集中，不是单向上移：向下是面向模型的高质量原始数据，向上是行业知识。

下一篇预告：

《大模型需要什么样的卫星数据》

大模型需要什么样的遥感数据，分辨率、重访周期、时间一致性这些属性的优先级如何重新排序。

往期推荐：

让AI“读懂”12000+景SAR影像：开源SAR平台重大更新，接入大模型你也可以实现以文搜图

也说遥感共性产品，行业需要什么样的遥感产品？

看水利部水利遥感星座战略布局，机遇与挑战并存

Umbra开源雷达影像下载工具开发实践

NASA与微软联合推出“Earth Copilot”，“智能助手“或成为行业产品标配

笔者长期从事人工智能、遥感、大模型等业务

欢迎添加微信交流

（微信号：mapxiaotu）

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：空天感知 mapxiaotu mapxiaotu《从影像到地球状态：大模型时代卫星数据的价值变化》