一张遥感影像拍摄完成后，可能还要在卫星上等待合适的数传窗口，才能回传地面进行处理。如果影像受到大面积云层遮挡，或者用户需要的只是其中某一类目标信息，完整数据的传输与处理便会占用额外资源。随着遥感卫星星座规模扩大，将部分数据筛选和信息提取工作提前到星上，正在为遥感服务效率的提升提供新的技术路径。

10月28日，在深圳举行的2026 AI算力场景应用与产业融合论坛上，长光卫星技术股份有限公司（以下简称“长光卫星”）经营发展部负责人张晓磊参与了“从计算中心到产业现场，AI算力规模化应用需要怎样的产业协同”高峰圆桌。他结合“吉林一号”星座的运营实践，分享了AI在商业遥感领域的应用进展，以及卫星数据处理对芯片、算法和产业链协同提出的新需求。

长光卫星经营发展部负责人 张晓磊

从“天数地算”到星上预处理，改变遥感数据处理方式

长光卫星围绕“吉林一号”工程，逐步建立了覆盖卫星研发制造、在轨运营及遥感信息服务的业务体系。目前，“吉林一号”工程累计已有161颗组网卫星送入太空，面向农业、林业、水利、生态环保以及自然资源等领域提供遥感信息服务。

在传统遥感业务中，卫星完成成像后，影像通常通过数传链路送至地面，再由处理系统完成图像校正、目标识别和信息提取。对于高分辨率遥感卫星而言，一次成像便可能产生大量数据，而卫星经过地面站的时间有限，数据下传需要结合通信窗口进行安排。

张晓磊在圆桌上介绍，长光卫星从2020年起便开始探索星上智能处理，希望将原本由地面完成的部分分析任务提前到卫星上执行。

云层识别是其中较为直观的应用。在光学遥感任务中，云层遮挡可能使部分影像难以满足实际使用需求。通过在星上提前识别云量、筛选影像，可以减少部分低价值数据的下传，使有限的通信资源更多地用于有效信息。

长光卫星在这一方向上已经积累了实际工程经验。其早期“吉林一号”卫星便配备了星上智能处理系统；近年来，随着星载计算设备和人工智能算法的发展，相关技术进一步拓展到更加复杂的图像识别任务。

2025年，长光卫星研发团队发表了一项基于国产Atlas 200 AI模组的星载遥感影像智能处理研究，将图像采集、存储、压缩及AI识别功能进行集成，并在“吉林一号”星座多颗卫星上完成在轨搭载验证。相关试验涉及船舶、飞机等目标的识别，为国产AI计算设备在真实空间环境中的应用积累了测试数据。

从云量筛选到目标识别，星上智能处理的任务正在逐步丰富。不过，卫星上的计算和存储资源仍然有限，地面系统也具有更加完整的处理能力。张晓磊所讨论的技术方向，是根据任务需求合理分配星上与地面的计算工作，让有限资源发挥更高效率。

从拍得清楚到交付及时，AI拓展遥感应用价值

遥感信息服务的价值，除了影像本身的清晰程度，还与数据获取频率、交付时效以及目标识别精度密切相关。张晓磊在圆桌中谈到，长光卫星希望利用星载AI，进一步缩短部分高时效任务从影像获取到信息交付的周期。

例如，在车辆、船舶等动态目标识别中，用户可能更关注目标的位置、数量及变化，而非每次都需要完整的原始影像。如果卫星能够在轨完成初步识别，并在满足通信条件后优先传输相关结果，后续业务系统便可以更早开展分析。

火灾等突发事件同样对遥感信息的时效性提出了更高要求。卫星能够提供大范围观测数据，但完成拍摄后未必立即进入地面站覆盖区域。若利用等待数据回传的时间提前开展信息筛选，便有机会压缩后续处理所需的时间。

随着卫星间通信和星座协同技术持续发展，星上处理结果还可能通过不同卫星之间的数据链路进行传递，为更灵活的信息交付创造条件。相关能力需要结合星座通信条件、计算资源和具体业务需求逐步实现。

张晓磊同时强调了遥感信息提取精度的重要性。长光卫星已经具备0.5米级高分辨率光学遥感卫星产品，但影像分辨率与最终业务识别精度并不是同一个指标。

以农业监测、资源调查以及目标数量统计等应用为例，卫星首先需要获取足够清晰的影像，后续还要利用图像处理和识别算法，将地物信息转化为业务系统能够使用的数据。即使影像具备较高空间分辨率，不同地物之间的形态差异、环境干扰以及目标遮挡，仍然会影响识别结果。

对于长光卫星而言，持续改善光学成像能力与发展AI图像处理技术，可以从不同环节提高遥感信息的应用价值。前者提供更加精细的观测数据，后者则帮助用户从数据中提取实际需要的信息。

随着商业遥感应用不断深入，用户对数据产品的要求也会更加具体。如何在规定时间内完成信息交付、提高特定目标的识别准确性，以及根据实际任务选择合适的数据处理方式，将成为卫星技术与AI算法持续协同的重要方向。

AI真正进入太空，还需要芯片与算法共同适配

将地面成熟的AI算法移植到卫星，并不能简单地理解为更换计算设备。卫星内部的供电、散热、存储和通信资源都有明确约束，算法运行环境也与地面服务器存在较大差异。

张晓磊在圆桌中指出，当前AI芯片已经形成多种技术路线，不同计算架构拥有各自的软件工具和开发环境。对于商业航天企业，选择适合的计算平台之后，还需要完成模型移植、算子适配以及运行优化，而这些工作又会随着硬件和模型升级不断变化。

长光卫星希望产业链能够提供更多面向航天应用的轻量化模型，以及具有更好兼容性的软件工具，减少算法从地面平台迁移至星载设备时的重复开发工作。

这一需求已经在实际工程中有所体现。前述国产AI模组在轨处理系统，采用适合星载资源条件的目标检测网络，并将成像、存储和计算模块进行一体化设计。系统在完成图像获取后调用识别算法，将处理结果存储并传输至后续通信环节，使图像处理任务能够在卫星内部完成。

除了算法效率，张晓磊还特别关注星载AI芯片的可靠性。与地面设备相比，卫星需要长期承受空间辐射、温度变化以及其他特殊环境条件。一旦计算设备发生故障，维修和更换往往难以实施，因此芯片的抗辐照能力、功耗水平、宽温适应性及长期运行稳定性，都需要在设计和验证阶段充分考虑。

这也对芯片企业、软件开发者和航天系统供应商提出了协同要求。计算芯片需要满足星载环境的基本条件，算法需要适应有限资源，整星设计还要考虑不同载荷之间的数据交换、任务调度和可靠运行。各个环节共同配合，才能使AI能力稳定进入实际航天任务。

长光卫星近年来持续推进“吉林一号”星座建设，并在高分辨率成像、星上智能处理以及遥感信息应用等方向积累了工程经验。随着AI技术逐步进入更多卫星任务，星载计算能力与遥感业务需求之间的联系也将更加紧密。

从影像筛选、目标识别到面向高时效任务的星上预处理，张晓磊在圆桌中分享的应用实践和产业需求，展现了商业遥感领域发展星上AI的一条具体路径。对于芯片、算法和电子系统产业链而言，围绕真实卫星任务改善性能、可靠性与适配效率，也将为AI算力在商业航天领域的应用创造更多机会。