本文来自微信公众号： 太空与网络 ，作者：老谭
过去，商业遥感经常围绕一张影像展开：分辨率多高、多久能拍一次、覆盖范围有多大。
现在，越来越多客户不再只问“能不能拍到”，而是继续追问：这张图说明了什么？我应该先处理哪里？它能不能直接进入现有工作流程？
AI的作用，就是在卫星观测和业务决策之间增加一层自动处理：识别变化、筛选风险、估计影响，再把结果交给真正负责行动的人。
国外目前较成熟的应用，大致集中在应急减灾、国防与安全、农业、保险与金融、基础设施五类场景。它们使用相似的数据，却有完全不同的付费原因。
···
一、应急减灾：客户首先购买的是时间
灾害发生后，决策者需要快速回答三个问题：发生在哪里、影响有多大、资源应该先投向哪里。
欧盟的哥白尼应急管理服务已经形成较完整的快速制图体系。遇到洪水、地震、山火或人为灾害，授权用户可以请求卫星制图服务，获得灾害范围、受影响区域和损毁情况等地理信息产品。
NASA的FIRMS系统则持续发布近实时火点数据。全球数据通常可在卫星观测后三小时内获得，美国和加拿大部分数据更快。这类系统并不等于“自动指挥救灾”，但它能帮助消防、林业和应急人员更早发现异常，把有限的巡查力量放到更需要关注的位置。
商业SAR卫星进一步补上了夜间和云雨条件下的观测能力。ICEYE会把雷达影像与水文、地形、建筑物等数据结合，在洪水发生后生成淹没范围和水深信息。该公司披露，其洪水洞察产品可以在洪峰后约24小时内提供建筑物尺度的分析结果。
这里的核心价值不是“AI比人画图更快”，而是灾害信息能够在救援窗口内进入行动流程。
···
二、国防与安全：商业能力成为公共体系的补充
国防用户长期是商业遥感的重要客户，但今天的变化不只是采购更多影像，而是把商业数据纳入持续运行的情报链条。
2022年，美国国家侦察局通过EOCL合同选择BlackSky、Maxar和Planet提供商业光学遥感能力。官方称，这批合同在未来十年的总价值达到数十亿美元，是该机构规模最大的商业影像采购项目。
这类采购首先购买的是稳定的数据供应、覆盖能力和任务响应，并不能简单等同于“购买AI分析服务”。不过，数据量快速增加后，变化检测、目标筛选和任务优先级排序自然需要更多自动化工具。
AI在这里更像分析员的第一道筛网：先从大量影像中找出可能发生变化的区域，再由专业人员结合其他情报判断其意义。
商业系统降低了获取地球观测数据的门槛，但没有消除验证、保密和责任要求。真正有价值的不是“识别出一个目标”，而是结果能否及时、可信地进入正式决策体系。
···
三、农业：从看长势走向管理生产风险
农业遥感最常见的指标是植被指数，但客户最终关心的并不是一片地有多绿，而是作物种了多少、长势是否异常、产量可能如何变化。
NASA Harvest利用地球观测、气象和地面调查数据开展作物制图、产量预测和粮食安全评估。相关研究已经证明，机器学习可以结合长期Landsat等公开数据识别作物类型，并在收获前预测产量。
Planet等商业公司则提供高频影像和标准接口，让农业软件企业把卫星时间序列接入田块管理、灌溉和保险核验工具。
这个场景有一个常被忽略的限制：模型离不开地面数据。田块边界、作物品种、播种日期和实际产量如果不准确，再高频的卫星影像也难以变成可靠预测。NASA Harvest也把缺少地面验证数据视为小农场景推广的重要瓶颈。
所以，农业AI不是用卫星取代田间调查，而是用卫星扩大调查覆盖，再用地面样本校准判断。
···
四、保险与金融：把灾害信息变成可验证的风险信号
保险公司希望更快判断灾害影响，并减少逐户查勘的成本。ICEYE与Descartes Underwriting等机构合作，把洪水范围和水深数据用于参数保险产品设计。
参数保险不是等定损人员逐项核算损失，而是在事先约定的指标达到阈值后触发赔付。卫星观测可以帮助确认洪水是否发生、影响到哪里以及严重程度如何。
它的优点是速度快、规则明确，但也存在基础风险：指标触发并不一定与每一位投保人的实际损失完全一致。因此，AI和卫星数据能提高观测效率，却不能替代保险产品设计、地面核验和公平性评估。
金融机构也会把港口、油库、农田和工业设施的遥感变化作为另类数据。但这一市场高度不透明，真实合同金额和投资收益很少公开。更稳妥的判断是：卫星数据可以提供新的观察角度，却不能保证形成持续的信息优势。
当越来越多交易者使用相似数据时，单一信号的价值也会迅速下降。
···
五、基础设施：最稳定的价值来自风险排序
铁路、管道和输电线路分布范围广，完全依靠人工巡查既昂贵，也很难保持统一频率。
德国公司LiveEO利用卫星影像和AI分析植被侵入、树木倒伏等风险，并与德国铁路公司合作监测超过3.3万公里的铁路网络。系统不是替代所有现场巡检，而是帮助养护团队确定哪些路段更值得优先检查。
这类产品的价值可以概括为“先排序，再派人”。AI负责从长距离资产中筛出异常区域，现场人员负责确认原因并完成处置。
基础设施客户通常不会因为一张识别结果直接付费。他们更关心系统能否接入资产管理平台、减少无效巡检、留下合规记录，并真正降低中断和事故风险。
因此，这类市场看起来不如国防或灾害响应醒目，却更容易形成持续服务关系。
···
六、五个场景背后，其实是同一条价值链
五类场景的共同点并不是都使用卫星，也不是都使用AI，而是它们都在处理“不确定性”。
应急减灾需要更快确认灾害范围；
国防安全需要从海量数据中筛选重要变化；
农业需要判断生产状态和未来风险；
保险金融需要形成可验证的风险信号；
基础设施需要决定有限巡检资源先投向哪里。
客户购买的不是一个模型，而是一项更快、更稳定、更容易执行的判断。
AI+航天真正成熟的标志，不是模型在实验数据上识别得多准，而是识别结果已经进入客户每天使用的流程：有人据此派出救援队、调整承保范围、安排维修计划，并愿意持续为结果负责。
下一篇，我们继续拆解这门生意：同样是把卫星数据转化成判断，为什么有的客户按年订阅，有的按灾害事件付费，还有的必须经过数年采购和验证？
主要参考资料
欧盟哥白尼应急管理服务
NASA FIRMS与NASA Harvest公开资料
美国国家侦察局EOCL合同公告
ICEYE洪水监测与参数保险合作资料
Planet农业遥感产品资料
LiveEO与德国铁路合作案例