Die besten kommerziellen Satelliten erfassen 30 cm pro Pixel. Die KI-Modelle, die Roboter und AR antreiben, benötigen Details, die 10-mal feiner sind.
Yuichiro Chino / Getty Images
Google $GOOGL Earth sieht detailliert genug aus, um Autos auf einem Parkplatz zu zählen. Das lässt einen natürlich fragen, warum Unternehmen, die KI für Roboter, autonome Fahrzeuge und erweiterte Realität entwickeln, nicht einfach Satellitenbilder verwenden können, um ihre Modelle zu trainieren.
Die Antwort liegt in einem technischen Konzept namens Bodenzellenabstand, das die physische Entfernung misst, die jedes Pixel in einem Bild darstellt. Spexi, ein Unternehmen, das an diesem Problem arbeitet, liefert Drohnenbilder mit einer Auflösung von 2,8 Zentimetern pro Pixel. Die besten kommerziellen Satelliten bieten eine Auflösung von etwa 30 Zentimetern. Diese Zehnfach-Lücke ist der Unterschied zwischen dem Erkennen eines Risses im Gehweg und einem grauen Fleck.
Die Auflösungsgrenze für kommerzielle Satellitenbilder wurde sowohl durch Vorschriften als auch durch Optik geprägt. NOAA, die US-Regulierungsbehörde, die die kommerzielle Fernerkundung überwacht, hat lange die Auflösung von kommerziell verfügbaren Satellitenbildern beschränkt — das Bundeslimit wurde gelockert von 50 Zentimetern auf 25 Zentimeter im Jahr 2014..
Die kommerziellen Satelliten mit der höchsten Auflösung im Orbit spiegeln diese Geschichte wider. Maxars WorldView-3 sammelt 31-Zentimeter-panchromatische Bilder. Die SkySat-Konstellation von Planet Labs erfasst Bilder mit bis zu 50 Zentimetern pro Pixel. Die täglich überwachtende PlanetScope-Konstellation von Planet, die jeden Tag die gesamte Landoberfläche der Erde abbildet, arbeitet mit einer Auflösung von etwa drei Metern pro Pixel.
Im März 2025 startete Albedo Space Clarity-1, einen Satelliten, der für eine sehr niedrige Erdumlaufbahn entwickelt wurde. Das Unternehmen besitzt eine NOAA-Lizenz zur Erfassung kommerzieller Bilder mit Auflösungen von 10 cm panchromatisch und 40 cm multispektral. Clarity-1 bewies die Machbarkeit von nachhaltigen VLEO-Betrieben, lieferte jedoch keine kommerziellen Bilder in großem Maßstab und diente als Wegbereiter anstelle eines Produktionssystems. Dennoch würde das Auflösungsziel, wenn es in großem Maßstab von zukünftigen Satelliten in der Konstellation erreicht wird, die Lücke zu Luftdaten erheblich verringern. Aber selbst 10 cm pro Pixel bleiben etwa viermal gröber als das, was standardisierte Drohnenflüge produzieren.
Für das KI-Training ist Konsistenz genauso wichtig wie Klarheit. Ein KI-Modell, das auf Bildern trainiert wurde, die von verschiedenen Sensoren, in unterschiedlichen Höhen, unter unterschiedlichen Lichtverhältnissen und mit unterschiedlichen geometrischen Verzerrungen aufgenommen wurden, wird diese Inkonsistenzen als Merkmale der Welt lernen und nicht als Artefakte der Datenerfassung. Jede Variation führt zu einer Domänenverschiebung, bei der sich die statistischen Eigenschaften der Trainingsdaten von denen der Inferenzdaten unterscheiden, was Zuverlässigkeitsprobleme schafft.
Laut Forschungen, die von Kili Technology veröffentlicht wurden, stellt die Empfindlichkeit eines Modells gegenüber der Bodenprobenentfernung eine der bedeutendsten technischen Barrieren im geospatialen KI-Bereich dar.. Ein Modell, das mit 30-cm-Bildern trainiert und auf 3-cm-Bildern eingesetzt wird, sieht sich einem zehnfachen Unterschied gegenüber, was jedes Pixel repräsentiert. Objekte, die im Trainingsdatensatz einen einzigen Pixel einnahmen, erstrecken sich nun über hundert Pixel. Das Modell hat keinen Rahmen, um diesen Unterschied zu interpretieren.
Angesichts der spezifischen Natur von Geodaten ist die Standardisierung und Anpassung von Daten entscheidend für die Erstellung genauer GeoAI-Modelle — Daten müssen zuverlässig, normalisiert und einheitlich im Format und in der Struktur sein, laut einem umfassenden GeoAI-Überblick veröffentlicht auf arXiv. Satellitenbilder, die von verschiedenen Anbietern, zu unterschiedlichen Zeiten und mit unterschiedlichen Sensoren gesammelt werden, verletzen diese Anforderungen. Traditionelle Luftaufnahmen stellen ähnliche Probleme dar: Die Daten stammen von verschiedenen Auftragnehmern, die unterschiedliche Ausrüstungen unter unterschiedlichen Bedingungen verwenden.
Dies ist der Kontext für den breiteren Wandel in den AI-Trainingsdaten. Die Datenschicht, die geospatiale AI-Unternehmen benötigen, die hohe Auflösung mit standardisierten Erfassungsmethoden kombiniert, existierte nicht. Unternehmen wie Spexi versuchen, sie aufzubauen, indem sie ein Netzwerk von mehr als 10.000 Drohnenpiloten einsetzen, die Missionen in einer Höhe von 80 Metern mit einheitlicher Ausrüstung und automatisierten Flugplänen fliegen. Die Orthomosaiken des Unternehmens erfassen 2,8-cm-Bodenmusterabstandsbilder, die vollständig kalibriert und standardisiert sind und bereit für die Integration in Modellierungs-Pipelines, laut einer Ankündigung vom Februar 2026 von seinem Vertriebspartner, SkyWatch.
Die Nachfrage nach diesem Detaillierungsgrad kommt von einer bestimmten Reihe von Anwendungen. Große geospatiale Modelle werden es Computern ermöglichen, nicht nur physische Räume wahrzunehmen und zu verstehen, sondern auch mit ihnen zu interagieren. Sie bilden eine kritische Komponente für AR-Brillen und darüber hinaus, einschließlich Robotik, Inhaltserstellung und autonome Systeme, laut Niantic.
Niantic Spatial, das geospatiale KI-Unternehmen, das im Mai 2025 vom Pokémon Go-Ersteller ausgegliedert wurde, hat sein Visuelles Positionierungssystem auf mehr als 50 Millionen neuronalen Netzwerken mit über 150 Billionen Parametern aufgebaut, was den Betrieb an über einer Million Standorten ermöglicht. Das Large Geospatial Model des Unternehmens basiert auf einer proprietären Datenbank von über 30 Milliarden posierten Bildern. Dieses System erfordert eine Positionierungsgenauigkeit auf Zentimeter-Ebene, ein Detailgrad, den Satellitenbilder nicht liefern können.
Die Anwendungsfälle machen die Anforderungen an die Auflösung konkret. Laut PetaPixel kann Niantic Spatial den genauen Standort eines Benutzers auf einer Karte bis auf wenige Zentimeter genau bestimmen, basierend auf Wahrzeichen und Gebäuden im Sichtfeld einer Kamera. Ein Lieferroboter, der auf einem Gehweg navigiert, muss zwischen einem Bordstein, einem Pflanzkübel und einer Bank unterscheiden können. Eine AR-Anwendung, die digitale Objekte auf einer realen Straßenszene überlagert, benötigt eine Ausrichtung im Subzentimeterbereich. Ein 30 cm Satellitenpixel würde alle drei Objekte als denselben undifferenzierten Blob darstellen.
Satelliten behalten klare Vorteile. Wenn es um die Abdeckungsfläche geht, übertrifft Satellitenbilder die von Drohnen bei weitem, was sie zur bevorzugten Wahl für großflächige geografische Analysen macht. Satelliten können alle geografischen Standorte unabhängig von extremem Gelände oder Wetterbedingungen erreichen. Für die Verfolgung der Abholzung, die Überwachung der Gesundheit von Pflanzen über Regionen hinweg oder die Beobachtung der Ausbreitung von Städten im kontinentalen Maßstab bleiben Satellitendaten das richtige Werkzeug.
Aber die KI-Anwendungen, die die nächste Nachfragewelle antreiben, müssen nicht alles auf der Erde in niedriger Auflösung sehen. Sie müssen spezifische Umgebungen in einem Detailgrad sehen, der zu den Aufgaben passt, die Maschinen dort ausführen werden. Das ist ein anderes Produkt, und keine Menge an Satellitenabdeckung kann es ersetzen. Die Frage für den geospatialen KI-Markt ist, ob die standardisierte, bedarfsgesteuerte Drohnenaufnahme schnell genug skalieren kann, um die Nachfrage zu decken.
Schließen Sie sich über 500.000 Lesern an, die ihren Tag mit Quartz beginnen.
Mit dem Abonnieren stimmen Sie unseren Nutzungsbedingungen und unserer Datenschutzrichtlinie zu.
