“十五五”时期，商业航天的核心命题已从卫星制造转向通、遥、算深度融合。本文提出“天数天算”新范式，通过“硬重构”实现算力上天与在轨处理，通过“软引擎”构建高光谱AI大模型。重点阐述了西光系列星座如何利用星上轻量化大模型、星间协同计算及激光通信技术，实现遥感数据从获取到价值的实时闭环，推动空天信息向知识密集型转型。
传统“天感地算”架构面临的实时性瓶颈
传统卫星遥感系统采用“天感地算”（太空采集、地面处理）的技术架构。在此模式下，遥感卫星作为太空观测平台，负责执行成像观测并将原始数据以卫星下传方式发送至地面接收站。地面接收站负责数据入库，随后由专业数据
处理中心进行辐射校正、几何校正、信息提取及产品服务。然而，这一架构存在明显局限：数据传输时延高、带宽压力大、实时响应能力弱。面对森林火灾、水体污染、地质灾害等高时效性应急监测与动态跟踪场景需求，传统卫星遥感系统采用的“天感地算”架构难以满足应急场景分钟级响应的实际需求。
“硬重构”构建星上边缘计算架构
1．传统遥感数据处理的时空分离局限
传统卫星遥感系统遵循“天感地算”模式，其数据链路包括：在轨采集→星上记录→数传下传→地面接收→传输至数据中心→处理。这一链条中造成时间滞后的主要原因如下：（1）星上存储/计算资源约束传统卫星遥感系统受限于卫星平台的体积、功耗、散热及抗辐射加固要求，难以在轨部署高性能处理单元。因此，原始遥感数据通常以无损压缩或轻度有损压缩格式存储，无法在轨完成特征提取、目标检测或变化检测等语义压缩操作。这导致大量冗余数据（如云覆盖区域、高相关性邻域像元）占用宝贵的星地下行带宽，进一步延长有效信息获取时间。（2）星地传输窗口限制造成的传输延迟卫星仅在过境地面接收站的短时窗口内（数分钟至十余分钟）才能进行高速数据下传。非实时中继条件下，星上存储的数据需等待卫星绕行至地面站可见弧段后才启动下传，低轨卫星此周期可达数小时（如约90分钟轨道周期但仅少数弧段可用）。（3）通信链路物理带宽与时延乘积限制星地链路数据率受限于频段（X、Ka等）、调制编码方式及链路预算。例如，低轨遥感卫星下行速率通常为数百Mbit/s至约1.2Gbit/s，单圈可下传数据量有限（假设10分钟窗口，下行速率1Gbit/s，数据量约75GB）。若星上存储累计达数百GB，需多个轨道圈次完成下传，造成数小时至半天的“数据积压”延迟。（4）地面处理串行流水线的累积耗时地面系统需依次执行帧同步、解格式、辐射校正、几何精校正、大气校正、拼接/镶嵌、反演算法等步骤。这些过程依赖高性能计算集群但仍属于后处理模式，特别是几何与大气校正需外部辅助数据（如大气剖面、数字高程模型、精密轨道参数），数据获取及匹配引入需额外等待。该传统模式的特征可归纳为数据获取与处理流程的时空分离：星上仅完成数据获取，数据处理流程在地面系统中实现。
2．星上并行处理与分布式算力网络构建
卫星遥感系统正经历从“星上采集-星下处理”串行处理模式向“星上并行处理”模式的深刻范式转变。传统架构中，数据处理依赖地面节点，呈链式串行作业特征；而新型架构通过将智能计算能力与分布式算力节点前置于卫星平台，在轨道空间部署边缘计算基础设施，构建“天数天算”新型模式。该模式的核心优势在于实现数据获取、处理、决策的全链路在轨闭环，形成“全球感知、星上推理”的能力体系。
总体而言，星座中多颗卫星可形成分布式算力网络，实现任务协同、数据融合与联合推理，解决了传统星上存储/计算资源不足的约束、避免了数据传回地面才能进行处理的串行等待；星间链路支持数据分发与计算结果即时回传,解决了星地传输窗口和通信链路物理带宽限制造成的传输延迟。这一范式转变不仅大幅压缩时延、提升响应速度，更降低了星地通信带宽压力与数据处理成本，为海量遥感数据的实时价值释放提供架构保障，标志着卫星遥感从“数据密集型”向“算力密集型”的战略转型。
3．西光系列星座的在轨智能技术实现路径
西光系列高光谱遥感智算星座，旨在突破传统遥感的响应时延瓶颈，通过星上轻量化大模型部署、星间协同计算及激光通信组网等关键技术的持续攻关，实现传统小时级遥感响应向秒级高效响应链路的跨越。遥感智算星座采用“天-地”二层协同的技术架构：天基层即遥感智算卫星星座，由智算星座、星间通信网络构成，完成数据采集、在轨推理、星间协同；地基层即地面站网，由地面接收站网、地面智算中心组成，完成任务调度、模型训练。
在关键技术上需要突破：1）星上轻量化大模型部署。针对空间环境下的算力资源约束，团队攻克了高光谱遥感大模型星上轻量化部署技术，在有限功耗与存储条件下实现复杂人工智能算法的高效运行。2）星间协同计算机制。通过构建多星协同计算网络，实现载荷间的任务分配与数据融合，提升整体星座的观测效率与覆盖能力。3）激光通信组网技术。采用激光通信链路替代传统射频传输，显著提升星地数据传输带宽与效率，为实时遥感应用提供可靠的数据支撑。技术指标上具有其独特的“四高二宽”（图1）。“四高”即高光谱分辨率、高空间分辨率、高信噪比、高定标精度；“二宽”即宽幅、宽谱段。针对甲烷监测，甲烷卫星的光谱分辨率可达0.1nm；针对目标识别，空间分辨率可达亚米级；针对水监测，信噪比可达250～300；此外，高光谱卫星具有几何与光谱的双高定标精度。针对大区域生态监测卫星，具有100千米级的幅宽；整个星座可覆盖可见光到短波红外的宽幅谱段范围。
与传统遥感系统相比，智算星座在多个维度实现突破性提升：1）硬件传输效率。突破星地硬件传输瓶颈，数据吞吐量显著提升。2）星上资源利用率。通过智能算法优化，大幅提升存储与计算资源的利用效率。3）时效性。遥感响应时效提升百倍级，实现分钟级至秒级数据输出。4）数据价值。突破传统数据处理的极限，释放高光谱数据的深层信息价值。
西光系列高光谱遥感智算星座主要应用于：1）矿产资源。提供高精度矿物成分反演与资源勘探支持。2）农林监测。实现作物生长状态监测、病虫害预警等精细化服务。3）为环境监测、灾害预警等领域提供服务。2026年7月，国内首颗定量高光谱智算卫星——西光贰号01星（彩云高光谱01星）成功发射，该卫星定位于“人工智能+商业航天+定量遥感”三位一体发展路径，实现高光谱遥感领域“天数天算”的历史性跨越，具备“定量遥感+即时响应”的双重突破性能力，星座的构建将为商业航天产业与数字经济发展提供关键基础设施支撑。
“软引擎”打造高光谱AI大模型
1．高光谱遥感从“以形定性”到“以波定质”
高光谱遥感技术相较于传统的光谱遥感方法，在信息获取维度上实现了质的飞跃。传统光学遥感主要依赖有限的宽波段（可见光、近红外等数个波段），侧重于地表目标的形态识别与地物分类，能够提供目标的空间轮廓、纹理特征等宏观信息，如识别森林覆盖、水体分布等。相比之下，高光谱遥感通过连续且密集的光谱采样，获取数百个窄波段（通常波段宽度小于10nm）的电磁辐射信息，形成“光谱立方体”数据结构（图2）。这种高维光谱特征如同物质的“指纹”，蕴含了目标物体的化学成分、矿物组成、生物生理状态等微观物理属性。
“软引擎”，即突破算法的提升：给数据装“大脑”，让物质有“指纹”。如果说“天数天算”是硬件重构，解决了数据获取的时效性问题，那么“高光谱遥感AI大模型”就是软件引擎，解决了数据算法的深度解析，将实现“数据平民化、应用智能化”的全面突破。每一目标单元（像元）均可获得一条连续完整的光谱曲线，该曲线犹如物质的“光谱指纹”，蕴含了其独特的物理化学特征信息。
基于光谱反射、吸收、发射等物理机制，高光谱遥感能够实现从“以形定性”到“以波定质”的技术跨越，精准识别土壤矿物组分、植被生化参数、水体污染指标等地表物质的本质属性。基于光谱特征分析，高光谱遥感能够实现“以波定质”的精准识别，不仅区分地表地物类型，更能识别具体物质成分（如植被叶绿素含量、水体富营养化指标等）。这一技术特性使其在环境监测、资源勘探、农业估产、灾害评估等领域具有不可替代的科学价值，代表了现代遥感技术向物质识别维度深化的重要发展方向。
2．高维数据处理与商业化应用的效率瓶颈
高光谱遥感技术通过捕获目标物体在电磁波谱范围内数百个连续窄波段的光谱信息，构建出具有极高光谱分辨率的三维数据立方体（空间×空间×光谱）。然而，高光谱数据的海量性与高维特性，使其在数据处理与应用推广层面面临显著挑战：1）数百个连续波段导致数据维度急剧膨胀，单景影像数据量常达数十GB甚至数百GB级别，对存储与传输网络提出严峻要求。2）高维光谱信息中普遍存在波段间高度冗余现象，光谱曲线平滑连续，相邻波段信息重叠度高，直接增加特征提取与模式识别的计算复杂度。3）传统高光谱分类算法多依赖光谱匹配、最小距离、支持向量机等判别方法，对训练样本依赖性强，难以应对复杂地表背景下的混合像元分解问题。4）光谱校正、大气校正等预处理流程耗时较长，进一步制约了实时处理与大范围覆盖的可行性。5）高光谱卫星载荷造价高昂、发射周期长，地面站建设与运维成本巨大，导致数据获取门槛高企，难以满足商业应用与大众化服务需求。这些效率、成本与规模化障碍，长期以来成为制约高光谱遥感从科研走向工程应用的核心瓶颈。
3.“高光谱星座+AI”大模型的深度解译技术实现
中科西光航天公司携手之江实验室，共同推进高光谱遥感大模型的构建与研发。这一合作模式体现了“遥感数据优势+顶尖算法能力”的产学研深度融合创新路径。该大模型依托中科西光航天公司积累的海量、高质量自有高光谱遥感数据，形成训练样本的规模优势与质量保障。数据资源涵盖多地域、多季节、多目标类型，为模型学习提供了丰富的光谱特征样本。
“高光谱星座+AI”构建的遥感大模型，具有以下技术特点：1）模型深度融合了三个核心知识域，即光谱学原理、人工智能深度学习技术、行业领域知识。2）跨场景泛化能力提升。针对不同地域、季节、传感器平台间的数据分布差异，模型将构建域自适应学习框架，增强特征表达的域不变性，实现“一次训练、全域应用”的泛化能力，解决当前模型迁移成本高的问题。3）物理模型与数据驱动深度融合。在深度学习黑盒特性与光谱物理机制之间建立可解释性桥梁，将辐射传输方程、光谱反射机理等物理知识注入神经网络，实现数据驱动与机理驱动的协同优化，提升模型的科学可信度。4）定量化反演精度提升。从定性分类向定量参数反演深化，构建多任务学习体系，优化连续变量（如植被指数、污染物浓度、矿物含量等）的预测精度，建立不确定性评估与置信度标定机制，为科学决策提供更可靠的数据支撑。上述技术方向的突破，将推动高光谱“指纹”识别向“更高精度、更广覆盖、更优实用”的目标迈进，进一步释放遥感智能解译的产业价值。高光谱遥感大模型的构建使卫星不仅“看得见”，更能“看得懂”。在精准农业领域，该大模型通过高光谱特征提取与深度学习反演算法，实现土壤氮磷钾含量等关键营养要素的精准量化，并基于光谱异常特征提前预警病虫害风险，推动农业生产由经验驱动向数据驱动转型。在生态环境保护领域，模型突破了传统遥感“有无识别”的局限，实现“污染物类型精准判别”的智能化升级。在资源勘探领域，基于矿物光谱“指纹”特征库，大模型实现从“广域筛选”到“靶向定位”的勘探模式转变，精准圈定成矿远景区，有效降低勘探投资风险与开发成本。这些应用实践充分验证了高光谱遥感大模型在多领域深度赋能的科学价值与产业前景。
总结和展望
“硬重构+软引擎”并非单纯的技术叠加，而是对产业底层运行逻辑的深层次重构。这一融合范式推动了空天信息从技术驱动向价值驱动的范式转换，形成双轮驱动主线：其一为“硬件主线”，聚焦星上智能算力升级，实现“感知与计算一体化”的在轨处理架构，降低数据传输时延与带宽压力；其二为“软件主线”，依托行业大模型构建“应用与价值深度融合”的智能解译体系，打通遥感数据从获取到应用的价值转化通道。
“十五五”时期，商业卫星的发展将重点聚焦三大战略方向。第一，星地协同计算：构建星地协同智能计算架构，通过天地算力资源动态调度与协同优化，实现分布式边缘计算与云端训练的高效协同。第二，大模型技术：深化高光谱大模型可解释性与泛化能力研究，建立物理机理与深度学习融合的解释框架，提升AI决策的可信度与跨域通用性。第三，数据资产化：推进遥感数据资产化制度设计与技术标准体系建设，明确数据确权、交易、安全等规范，为产业规模化发展提供制度保障。当卫星具备在轨自主思考能力、当万物拥有可识别的数字“指纹”，空天信息将突破传统专业“小众领域”的局限，逐步演进为社会化的“数字基础设施”，成为数字经济时代的公共数字刚需。
文章来源：卫星应用微信公众号
