大地量子王驰：用AI解译遥感数据，打造全息数字地球

20 世纪 60 年代兴起的卫星遥感技术，正在深度学习与商业航天的双重驱动下迎来质变。

在《自然》（Nature）杂志评选的 2020 年十大科学发现中，「卫星图像绘制地球树木地图」赫然在列——多国科学家通过卫星遥感图像，精准标记出西非 130 多万平方公里内超过 18 亿棵树的位置和树冠轮廓。这类技术正被加速扩展至粮食长势监测、水污染治理及洪涝灾害应急等场景。

国内科技公司大地量子凭借在「AI + 遥感」领域的积累，连续入选国际非营利组织 Radiant Earth Foundation 发布的全球机器学习地球观测市场地图。大地量子创始人兼 CEO 王驰表示，团队的长期愿景是构建一个记录过去、观察现在并能预测未来的全息数字地球。

打造物理世界的搜索引擎

2017 年创业之初，王驰与联合创始人吕童博士萌生了一个构想：谷歌是虚拟世界的搜索引擎，他们希望做一个物理世界的搜索引擎。

这一构想最终落脚为「订阅式数字地球 PaaS 服务」。王驰解释，该模式包含两个核心要素：

• PaaS 平台能力：团队专注于底层时空数据的处理与标准化能力建设，不包揽所有终端场景，而是通过 API 将数据能力开放给合作伙伴，共同完成闭环方案。
• 高频订阅机制：地表现象始终处于动态演变中，例如森林采伐监管不可能依赖往年数据执法。订阅模式允许客户以相对可控的边际成本，持续获取按需更新的数据流。

商业航天爆发与海量数据处理挑战

遥感卫星应用在近十年的快速跃升，主要得益于两项产业红利：一是商业航天的开放与爆发，使得在轨民用卫星数量从以往的缓慢增长突破到上千颗规模；二是计算机视觉与深度学习算法的成熟，使自动解译海量非结构化影像成为可能。

目前大地量子的数据主要来自两大渠道：一是美国国家航空航天局（NASA）、欧洲航天局（ESA）及国内机构开放的开源数据；二是长光卫星、航天世景等商业遥感卫星及合作卫星数据。

在精度指标上，遥感数据涵盖两个核心维度：

1. 空间分辨率：开源数据地面采样间隔通常在 10 米左右，商业采购数据则可达 0.5 米的国内民用上限。
2. 时间分辨率：单颗极轨或太阳同步轨道卫星重访周期通常在数天至十数天。通过多源卫星数据融合，大地量子能将特定区域的数据更新频次缩短至一天以内。

数据采集之后，工程挑战随之而来。大地量子平台每日新增原始数据量达 10TB 至 20TB。由于遥感信号穿透大气层成像，算法必须先结合硬件传感器参数完成高难度的大气矫正，消除云雾与散射干扰，随后再利用深度学习识别地表地物，并测算叶绿素浓度、地表沉降、水体面积等关键物理指标。

避开伪需求，深耕产业刚需

在探索商业化落地的过程中，大地量子也经历过摸索与调整。

以农业金融为例，团队最初尝试直接为农户提供农作物长势监测服务，但随后发现国内小农户对自己田块的细节非常清楚，这项服务构成了伪需求；相比之下，人均耕地面积巨大的海外大农场才对该类服务有实际付费意愿。团队随即调转方向，与银行等金融机构合作，通过历史遥感数据评估农户种植轨迹与产出预期，以此构建风控评级模型，解决了农村信贷缺乏抵押物和历史征信记录的痛点。

除金融与农林外，应急救灾与基础设施巡查也是关键场景。在山体滑坡、洪涝灾害发生时，实时卫星解译能力可迅速为现场救援提供通行研判；而在交通基础设施运维中，算法能常态化监测铁路两侧地貌形变和公路沿线边坡安全。

王驰指出，卫星数据天然具备全球属性，全球同类企业的核心竞争壁垒并不在于单纯获取原始影像，而在于如何高效清洗、解译海量空间数据，并转化为行业能直接调用的决策依据。

面向未来，星载边缘计算与「软件定义卫星」正逐步成为探索方向。若能在卫星端完成去云或初级解译，将大幅降低下行数据带宽压力。与此同时，GPU 集群算力演进、L 波段雷达传感器普及以及物理仿真技术的发展，将进一步推高时空大数据的解析深度，加速实现数字孪生地球的构建。