Развитие искусственного интеллекта (ИИ) на борту космических аппаратов ДЗЗ, космические дата центры (ЦОД)

Высокотехнологические компании дистанционного зондирования Земли (ДЗЗ) начали тестировать и запускать первые аппараты размещения систем искусственного интеллекта (AI-ИИ) и дата-центров в космосе, на орбите.

В парадигмах дистанционного зондирования, происходит переход от традиционного «пассивного сбора данных с наземной постобработкой» к новой модели «активного зондирования и обработки в реальном времени на орбите», обеспечиваемой интеллектуальными спутниками.

В настоящее время спутники ДЗЗ вступили в новую эру комплексного развития и широкого применения, с значительным числом высокоразрешающих спутников ДЗЗ и созвездий, запущенных подряд (10-15 КА). Однако быстрое распространение спутников ДЗЗ, предоставляя человечеству всё более обильные наблюдательные данные, также создало ряд острых проблем. Во-первых, значительное увеличение числа спутников наложило значительную нагрузку на телеметрию, отслеживание и управление спутниковыми операциями. Во-вторых, экспоненциальный рост объёма данных на орбите усилил конфликт между массовой генерацией данных и ограниченными ресурсами хранения на орбите и ограниченными каналами передачи данных спутник на землю. В-третьих, растущий спрос на временно-чувствительные миссии сделал традиционную модель «постобработки и распространения» спутников ДЗЗ недостаточной для удовлетворения требований быстрого, точного и гибкого сбора данных ДЗЗ и генерации информационных продуктов, доведения их до конечного потребителя в реальном времени.

Для решения этих проблем внедряются операционные и сервисные парадигмы для спутников ДЗЗ, глубоко интегрируя передовые технологии, такие как искусственный интеллект, крупномасштабные модели, облачные вычисления и периферийные вычисления. В результате страны с развитыми технологиями ДЗЗ активно разрабатывают и внедряют спутники ДЗЗ с передовыми интеллектуальными функциями, которые теперь широко признаны как интеллектуальные спутники ДЗЗ.

Реально, элементы «интеллектуальности» на орбите начались с 2000 года. В основном такая обработка была сконцентрирована на сжатии изображений и распознавании целей. Практически связанные системы обработки ИИ, получения продуктов ДЗЗ на орбите и доведения до потребителя начались с 2026 года. Конечно, Китай и США были и остаются в передовиках этого направления.

Потребители, как всегда, гражданские и военные. Например, на рисунке представлена простая схема понимания вопроса «интеллектуальных» спутников ДЗЗ, которая будет реализована в ближайшие 10-15 лет, с учётом наработанных технологий.

На орбиту собираются (доставляются по каналу связи) все данные от наземных и воздушных сенсоров, которые по технологии ИИ корректируется по данным космических сенсоров ДЗЗ на орбите. А процесс передачи данных ДЗЗ на орбите между спутниками в зону заказчика идёт по лазерным (с 2035 года – квантовым) каналам связи или сбрасывается в онлайн режиме.

Как вариант, существуют проекты - космическое облако ДЗЗ с использованием распределенных ресурсов хранения и вычислений ИИ на нескольких спутниках LEO, находящихся на орбите. Собранные со спутников наборы данных объединяются в пул облачных ресурсов. Пользователи отправляют свои запросы в центр управления спутниками через наземную сеть. Центр управления загружает данные о полетах в спутниковое облако по каналам наземной спутниковой радиосвязи. Совместное вычисление орбиты осуществляется по каналам межспутниковой связи.

В чём зерно работы на орбите, вычислений и представлений продуктов?

На земле затраты на обработку и создания продуктов ДЗЗ как правило требуется не менее 1-2 суток и более.

На орбите можно обеспечить более 100 Тера операций в секунду (TOPS), на земле есть центры ДЗЗ, но не более 10 Тера операций в секунду, а КА на орбите создают с ИИ продукт со скоростью десяток минут. Китайские КА с ИИ на орбите уже выдают 700 TOPS.

По существу, мгновенный сброс продукта потребителю на ПК, Ноутбук или смартфон.

Если КА ДЗЗ с ИИ уже на орбите, то процесс создания на орбите дата-центров ещё в спорном обсуждении и коммерческой оценки. А для получения продуктов ДЗЗ они признаются наиболее удачным вариантом полезности их использования (на перспективу есть и другие направления). Практика покажет. Сбалансированное представление учёных и инженеров о том, могут ли космические дата-центры перейти от теоретической концепции к жизнеспособному дополнению к растущей глобальной вычислительной экосистеме сосредоточивают свой взгляд именно на ДЗЗ данных.

Отдельно стоит отметить уроки Специальной военной операции в 2026г, в частности атаки с применением БПЛА на дата-центры Yandex, VK и Сбер в РФ в октябре 2026г, и поражение дата-центров Datagroup/Vodafone, MiroHos, Hosting-UF и др. на Украине в сентябре-октябре 2026г, а также атаки на центры обработки данных Amazon Web Services (AWS) в странах Персидского залива в марте-апреле 2026г: перенос части мощностей центров обработки данных (ЦОД) на средние или высокие орбиты делает их недосягаемыми целями для большинства потенциальных участников вооруженных конфликтов на ближайшие 10-15 лет.

Здесь не рассматриваем космические условия существования на орбите таких КА и дата-центров: жесткие условия космоса (радиация) и дефицит энергии, защита чипов, жизненный цикл, весовые характеристики и т.п. Космические физики и инженеры решают их положительно.

Главное - наработки продуктов ДЗЗ в постпроцессинге в наземных центрах и компаниях, и перенос технологии на орбиту с применением ИИ.

Ещё раз, о сути ИИ. Искусственный интеллект в ДЗЗ – анализ через технологию машинного обучения всех мировых данных (БД), в Интернете, научных, гражданских и военных ДЗЗ (разведки GEOINT/SIGINT) учреждениях, сотовых телефонов, полученных с сенсоров (пассивных и активных) электромагнитного спектра (от ультрафиолета до СВЧ) изображений и физико-химических телеметрических показателей, из космоса, наземных, надводных, авиационных (вкл. БПЛА), на Земле, воздушному (до стратосферы) и космическому пространству. Исходные нейросети.

Перспективными, высокоточными будут продукты ДЗЗ, которые будут черпать на орбиту все наземные данные ДЗЗ и на их основе создавать, обновлять, улучшать многофункциональную функцию (мультимодальные данные) от космических сенсоров.

Направления работ ИИ для создания продуктов ДЗЗ

Вся цепочка обработки, от подготовки исходных данных до извлечения информации и создания тематического продукта, выполняется на спутнике, исключая промежуточные этапы, такие как избыточная загрузка данных и замедленная наземная обработка. Эта технология значительно повышает оперативность сбора и распространения информации, позволяя пользователям реагировать на критические ошибки практически в режиме реального времени, такие как обнаружение и идентификация целей, динамический мониторинг стихийных бедствий, надзор за земельными ресурсами и охрана окружающей среды. Это значительно расширяет возможности оперативного применения и повышает эффективность обслуживания космической информации.

В целом на орбиту будут перенесены традиционные работы с поддержкой ИИ:

• Геометрия (пространственное разрешение, ортофото, 3D модель, матрица высот);
• Физико-химический анализ – спектральные сигнатуры;
• Аномалии (вырубки, засуха, коррозия, заражения и т.д.;
• Мониторинг (LULC, новые объекты, ЧС (пожары, наводнения, смерчи и т.д.)
• ГИС –ИИ (картирование, геопространственная информация, тематика);
• Военная составляющая.

Получение более детального разрешения изображений и фотограмметрия с КА ДЗЗ

Технологические решения опираются на архитектуру Pushbroom-AI. В её основе — алгоритмы суперразрешения на базе глубокого обучения, например DPSR, адаптированные к строчному сканированию спутниковых камер (pushbroom). Изображение обрабатывается последовательно, строка за строкой, по мере поступления данных с сенсора. Такой подход ориентирован на работу в реальном времени при ограниченных вычислительных ресурсах и энергопотреблении бортовой аппаратуры, формируя на выходе изображение с улучшенным пространственным разрешением.

Обычно классический pan-sharpening — это тяжелая математическая операция (компонентное замещение или мультиразрешающий анализ) Benchmarking of Multispectral, которую делают на Земле. Бортовые же процессоры Nvidia для работы нейросетей суперразрешения (AI-driven Super-Resolution) в реальном времени берут геометрические и текстурные паттерны с высокодетальной PAN/RGB-матрицы (субметровый диапазон) и проецирует их на низкоразрешённые матрицы SWIR и TIR.

Будет ли разрешение SWIR на уровне PAN для заказчика? С коммерческой и визуальной точки зрения — да, с физической и аналитической — нет. Для конечного заказчика здесь работает следующая логика:

• Для визуального мониторинга и дешифрации (ДА): если Вам, как Заказчику для команды ООО «ГЕО Иннотер», нужно обнаружить контуры строений в тумане или факелы выбросов, ИИ выдаст Вам готовое скомбинированное изображение, где контуры объектов будут иметь четкость субметрового PAN-канала. В этом и заключается суть маркетингового термина «1-meter class SWIR».
• Для радиометрического анализа (НЕТ): если вашей задаче требуется чистая физика — например, определить точный химический состав объекта или спектральную подпись материала по SWIR-каналу, «натянутый» ИИ-пиксель Вам не поможет. Принудительное искусственное повышение разрешения искажает исходные численные значения отражательной способности пикселя (spectral fidelity).

Раздел выделен специально, так как параметр - разрешение изображения интересует в первую очередь всех заказчиков продуктов ДЗЗ. В постпроцессенге, на земле, многие компании освоили эту технологию (AirBusDefence&Space, GEO Innoter, Vantor (MAXAR)). На орбите получение лучшего разрешения из худшего имеет свои нюансы.

Технологию программного улучшения пространственного разрешения (Super-Resolution, SR) на основе ИИ и глубокого обучения сегодня активно внедряют ведущие мировые операторы дистанционного зондирования Земли (ДЗЗ) и специализированные ИТ-компании. Это позволяет искусственно повышать детализацию снимков (например, превращать 3-метровое разрешение в 2-метровое или 40-сантиметровое в 10-сантиметровое), оптимизируя затраты на запуск тяжелой оптики КА.

Ниже приведен список ключевых компаний, которые освоили и коммерциализировали эту технологию:

• Planet Labs (США): Официально запустила продукт Planet SuperRes. Компания использует модель глубокого обучения ESRGAN (Enhanced Super-Resolution Generative Adversarial Network). ИИ обучен на базе из более чем 120 000 пар снимков со спутников SkySat и PlanetScope. Алгоритм позволяет масштабировать ежедневные снимки PlanetScope с 3 метров до 2 метров на пиксель, сохраняя радиометрическую точность и добавляя «слой уверенности» для верификации пикселей.

• Vantor (США): лидер рынка сверхвысокого разрешения использует технологию HD (High-Definition). Математические алгоритмы и ИИ увеличивают количество пикселей, что позволяет программно улучшать нативные (папхром) снимки с разрешением 30 см до 15 см HD, значительно повышая читаемость мелких объектов (разметка, автомобили, элементы инфраструктуры) и для нужд аналитиков ДЗЗ.

• Airbus Defence and Space: активно применяет алгоритмы улучшения четкости и суперразрешения для своих группировок Pléiades и Pléiades Neo. Технология интегрируется как в собственные сервисы разведки (Geospatial Intelligence), так и предоставляется партнерам для создания точных 3D-моделей.
• Superview: Для данных SuperView применяются исследования нейросетевого суперразрешения с применением генеративно-состязательной архитектуры GAN, остаточных плотных блоков RRDB и усиления контурных признаков. Такая архитектура выполняет нелинейное преобразование признаков исходного изображения и реконструирует высокочастотные компоненты — границы объектов и текстурные переходы. Метод ориентирован на повышение визуальной детализации при увеличении размерности растра.
• ChangGuang: Опубликовал метод однокадрового суперразрешения — Single-frame Super-Resolution, предназначенный для обработки оптических спутниковых продуктов высокого разрешения. Задача заключается в реконструкции изображения повышенной детализации по одному исходному кадру, без обязательного привлечения серии повторных наблюдений. Принципиальная особенность такого подхода — оценка недостающей пространственной информации на основании содержащихся в изображении признаков и используемой модели реконструкции. ChangGuang сообщают об испытании метода на реальном спутниковом продукте и возможности его включения в конвейерную обработку данных.

Специализированные разработчики ГЕО-ИИ и сервисные компании:

• LuxCarta (Франция): разработала коммерческий движок LuxCarta SuperRes. Продукт обеспечивает 4-кратное увеличение разрешения (boost) для оптических снимков от Sentinel-2, Maxar, Airbus и Planet. Технология сохраняет строгую геометрическую точность для картографии и ГИС-систем. ИИ преобразует стандартные входные данные в более чёткие, чёткие и детализированные данные — готовые для рабочих процессов визуализации с помощью ГИС, CAD и 3D.

• GammaEarth (Германия): cпециализируется на методах Deep Resolution для общедоступных и коммерческих данных. Их ИИ-модели способны улучшать пространственное разрешение снимков европейских спутников Sentinel-2 с 10 метров до 1 метра на пиксель, параллельно удаляя облачность, дымку и тени.
• GEO Innoter (Россия): специализируется на цифровой обработке и повышении детализации общедоступных данных Sentinel и коммерческих данных Jilin, SuperView, Legion и Pleiades. Компания развивает методы сенсорно-адаптированного сверхразрешения и HD-улучшения спутниковых изображений. Разработанный подход сочетает моделирование характеристик съёмочной аппаратуры — функции рассеяния точки и передачи пространственных частот (PSF/MTF), остаточные свёрточные нейросети и контроль согласованности восстановленного изображения с исходными данными. Контроль качества предусматривает оценку резкости, анализ пространственных частот и обратное приведение HD-изображения к исходной пиксельной сетке для проверки внесённых изменений.

• AetoSky (США): поставляет масштабируемый ИИ-движок Super Resolution Engine. Нейросети компании «налету» (on-the-fly) обрабатывают мозаики базовых карт PlanetScope и снимки SkySat, улучшая нативное разрешение в 2, 4 или 10 раз для тактических задач и мониторинга в реальном времени.

Внедрение технологии Super-Resolution на орбите решает важнейшую проблему — ограниченность каналов связи между спутником и Землей. Передавать огромные массивы сырых («тяжелых») снимков сверхвысокого разрешения через радиоканал долго и дорого. Намного эффективнее применить ИИ прямо на борту, чтобы оптимизировать данные, либо сжимать их с гарантией последующего восстановления качества.

А создание продуктов ДЗЗ (ортофотопланов (фотограмметрия), 3D-моделей и матриц высот) с помощью искусственного интеллекта прямо на орбите — это активно развивающийся тренд космических технологий, известный как Edge AI (бортовые вычисления в космосе). Вместо традиционной схемы передачи терабайтов «сырых» данных на Землю для последующей обработки, современные спутники выполняют фотограмметрические и аналитические операции прямо на борту с помощью специализированных ИИ-ускорителей.

Да, эта технология не просто планируется, а уже активно тестируется и внедряется непосредственно на борту космических аппаратов. Перенос ИИ-алгоритмов апскейлинга со сверхмощных наземных серверов на сам спутник (концепция Edge Computing in Space/периферийные вычисления в космосе) — один из главных трендов современного космоса.

Бортовое ортофото (ортотрансформация)

В сырых космических снимках всегда есть искажения из-за угла наклона камеры, рельефа местности и кривизны Земли:

• нейросети на борту автоматически находят опорные точки (Ground Control Points - GCP) и связующие точки (Tie Points), сопоставляя новые кадры с эталонной картой в памяти
• алгоритмы (например, от компании CATALYST / PCI Geomatics или архитектура FarEarth Edge) мгновенно устраняют геометрические искажения, выдавая готовый ортофотоплан с точной географической привязкой

Матрицы высот (DEM/ЦМР)

ИИ на орбите кардинально ускоряет и упрощает расчет высотных характеристик местности:

• монокулярная оценка глубины (Monocular Depth Estimation): современные генеративные модели и трансформеры (Vision Transformers) обучаются оценивать высоту каждого пикселя по косвенным признакам (тени, текстура, перспектива) даже на основе одиночного 2D-снимка. Так создаются цифровые модели рельефа без использования лидаров.
• по стереопарам: при съемке одного участка под разными углами ИИ на борту оптимизирует фотограмметрическое уравнивание (Bundle Adjustment), рассчитывает параллакс и строит плотное облако точек.

3D-модели (Цифровые двойники городов):

• на основе рассчитанной матрицы высот и ортофотоплана бортовой ИИ выполняет семантическую сегментацию (отделяет здания от дорог и растительности). Затем он автоматически натягивает текстуры на трехмерные полигональные сетки (меши)
• спутник ИИ передает на Землю не набор плоских картинок, а готовые 3D-модели объектов или ландшафтов (подобные технологии развивают компании STAR.VISION и VIZZIO EARTH.AI).

Спектральный анализ на орбите

Спектральный анализ на основе данных ДЗЗ, выполняемый непосредственно на орбите (Edge AI в гиперспектральном и мультиспектральном диапазонах), — это технологический прорыв, превращающий спутник из простой камеры в летающую химическую лабораторию. Вместо передачи гигабайтов «сырых» спектральных кубов бортовой ИИ мгновенно сопоставляет полученные сигнатуры с библиотеками веществ, выдавая на Землю готовые карты химического состава.

Физико-химический анализ на орбите

1. Каждый объект на Земле (минерал, газ, тип растительности, загрязнения) обладает уникальной спектральной сигнатурой — индивидуальным графиком отражения и поглощения света в разных длинах волн (от видимого до дальнего инфракрасного диапазона — VNIR, SWIR, MWIR, LWIR (TIR)). Малые КА имеют процессоры вроде Intel Movidius Myriad или радиационно-стойкие решения от Xilinx/AMD, которые позволяют разворачивать легковесные нейросети, оптимизированные под обработку многомерных спектральных векторов без потери точности.

Процесс бортового анализа включает три ключевых стандартных этапа, управляемых специализированными нейросетями, простой алгоритм:

Гиперспектральный куб данных ➡️ ИИ: сжатие и удаление шумов ➡️ ИИ: разбор пикселей (Spectral Unmixing) ➡️ сверка с библиотекой сигнатур ➡️ карта химического состава объекта.

Более детальный процесс:

- Бортовое разделение смесей (Spectral Unmixing)

Пространственное разрешение спутников часто шире, чем единичный объект (например, 1 пиксель = 10х10 метров). В этот пиксель могут попасть одновременно почва, вода и сухая трава. Роль ИИ: Бортовые сверточные (CNN) и автокодировщики (Autoencoders) решают задачу «разъединения» спектра. ИИ определяет, какие именно химические элементы и в какой пропорции (эндмемберы) сформировали этот смешанный сигнал.

- Фильтрация атмосферных искажений (Atmospheric Correction)

Свет проходит через атмосферу Земли, где поглощается и рассеивается газами и аэрозолями. Роль ИИ: Традиционные математические модели (MODTRAN) требуют огромных вычислительных мощностей. Бортовой ИИ использует легковесные суррогатные модели (Machine Learning Emulators), которые за миллисекунды корректируют спектр, восстанавливая истинное отражение поверхности (Bottom-of-Atmosphere reflectance).

- Классификация и детекция по библиотекам сигнатур

На борту спутника хранится база данных (аналог земных спектральных библиотек USGS или ECOSTRESS). ИИ на базе трансформеров (Vision Transformers для спектральных данных) сравнивает очищенный сигнал с эталонами.

Уже можно привести примеры действующих КА на орбите:

• Hyperscout (ESA) - первый гиперспектральный инструмент с интеграцией Edge AI на борту кубсата. Он обрабатывает данные в десятках спектральных каналов прямо в космосе, оперативно выдавая карты состояния урожая и раннего обнаружения лесных пожаров.
• GHGSat, MethaneSAT - используют алгоритмы машинного обучения для автоматического поиска шлейфов газов и расчета дебита утечек прямо из космоса.

Поиск аномалий на орбите

Поиск аномалий Земли с помощью ИИ прямо на орбите — это одно из самых критически важных направлений Edge AI в космосе. Вместо рутинного картографирования, «рисования огибающей» площади аномалии бортовой ИИ работает в режиме «детектора отклонений» (Anomaly Detection). Он непрерывно сканирует поверхность и передает сигнал на Землю только тогда, когда обнаруживает нестандартные физико-химические, тепловые или геодинамические изменения.

Бортовые нейросети (в основном автокодировщики и генеративно-состязательные сети, обученные на «норму») способны выявлять несколько типов аномалий:

Внезапные изменения (Change Detection)

Ключевая технология аномалий. Бортовой ИИ сравнивает текущую геометрию объектов с архивной матрицей высот и ортофотопланом. Он сразу фиксирует разрушения зданий после землетрясений, прорывы дамб или появление несогласованных построек/карьеров.

Геодинамические и структурные аномалии

Анализ изменений рельефа и геометрии объектов, часто с использованием радарных данных (SAR), которые работают ночью и сквозь облака:

• Просадки и деформации. Выявление микросдвигов земной коры, деформаций мостов, плотин гидроэлектростанций или оползневых зон.
• Ледовые аномалии. Мониторинг появления опасных трещин в шельфовых ледниках, движения айсбергов и аномально быстрого таяния.

Термические аномалии (Тепловой контур)

ИИ анализирует данные в среднем и дальнем инфракрасном диапазонах (MWIR/LWIR):

• Природные пожары. Бортовой ИИ мгновенно замечает скрытые очаги возгораний и торфяные пожары сквозь дым и дымку, рассчитывает вектор распространения огня и отправляет координаты ЧС.
• Вулканическая активность. Фиксация подземного разогрева склонов вулканов и термальных источников до начала извержения.
• Антропогенные аномалии. Перегрев теплотрасс, аварии на линиях электропередач или скрытая работа промышленных объектов.

Газовые и химические аномалии

Используя гиперспектральные сенсоры, ИИ ищет локальные искажения спектра атмосферы:

• Невидимые утечки газов. Обнаружение шлейфов метана (CH₄), диоксида серы (SO₂) или оксидов азота над трубопроводами и химическими узлами.
• Загрязнения океана. Моментальное выделение пятен нефтепродуктов, аварийных сбросов с судов или аномальных зон цветения токсичных водорослей.

Поиск аномалий на орбите базируется на принципе «обучения без учителя» (Unsupervised Learning). Спутнику невозможно пока загрузить шаблоны всех возможных катастроф, поэтому алгоритм устроен иначе:

• Модель «нормы». Нейросеть (например, сверточный автокодировщик) обучается на миллионах снимков стабильной, нормальной поверхности Земли для конкретного региона.
• Бортовая реконструкция. Пролетая над территорией, спутник делает снимок и пытается «сжать и восстановить» его через ИИ-модель.
• Выделение аномалии. Если на Земле произошло что-то нестандартное (например, появился тепловой пиксель или изменился спектр почвы), ИИ не может корректно восстановить этот участок. Разница между реальным снимком и моделью «нормы» (ошибка реконструкции) мгновенно подсвечивает аномалию.

Интеграция с ГИС-ИИ на борту КА

Интеграция бортового ИИ (Edge AI) на спутниках ДЗЗ с геоинформационными системами (ГИС) — это финальный этап цепочки обработки данных в космосе. Главная цель этой концепции — передавать с орбиты не просто пиксели (изображения), а готовые ГИС-слои, векторные объекты и атрибутивные данные, полностью совместимые со стандартными ГИС-платформами (ArcGIS, QGIS и др.).

Спутник с ИИ на борту фактически становится удаленным «поставщиком пространственных данных» (Spatial Data Provider), который автоматически выполняет ГИС-аналитику прямо на лету.

Традиционно процесс создания ГИС-слоев занимает много времени: снимок скачивается, проходит калибровку, а затем картограф вручную или с помощью настольного софта векторизует объекты. В концепции ГИС-ИИ на орбите этот процесс автоматизирован на 100%:

Бортовая векторизация на лету

Вместо отправки тяжелого растрового снимка (TIF), ИИ-чип на борту спутника (например, серии NVIDIA Jetson или специализированных FPGA) выполняет семантическую сегментацию. Нейросеть выделяет контуры объектов (дороги, здания, поля, зоны вырубки). Специальный легковесный алгоритм внутри спутника конвертирует эти пиксельные маски в векторный формат (GeoJSON или Shapefile) с точной географической привязкой (WGS-84). Вместо 2 ГБ растрового снимка на Землю передается файл размером в 50 КБ, содержащий только координаты геометрии новых объектов.

Автоматическое обновление атрибутивных таблиц

ГИС состоит из геометрии и атрибутов (описания объектов). Бортовой ИИ способен не только найти объект, но и классифицировать его характеристики.

Сервисы динамических карт (Web Map Services)

Передовые концепции предполагают, что спутниковые группировки будущего смогут отдавать данные по стандартным протоколам OGC (например, WMS, WFS, WMTS). Настольная ГИС пользователя на Земле сможет напрямую подключаться к спутнику (или облачному шлюзу, куда спутник сбрасывает готовые слои) как к стандартному серверу карт.

Космические аппараты ДЗЗ с ИИ на орбите

В основном, пока на КА с ИИ используется отработанная технология Edge AI — это один из главных трендов в современном ДЗЗ. Ещё раз, вместо того чтобы пересылать гигабайты «сырых» снимков на Землю, спутники с ИИ-чипами анализируют изображения прямо на орбите, отсеивают облачность, находят объекты и передают вниз готовые метаданные.

Для фотограмметрии, картографии и последующей проверки результатов сами изображения сохраняют самостоятельную ценность.

Ниже представлена таблица некоторых гражданских космических аппаратов и проектов ДЗЗ, использующих ИИ на борту, запущенных в 2026 году.

Большинство спутников наблюдения Земли (EO) следуют тому, что инженеры называют моделью «bent-pipe»: они собирают сырые данные и массово передают их на наземные станции для обработки. Такой подход создаёт узкое место пропускной способности. Оптическая камера создаёт огромные объёмы необработанных изображений при каждом проходе орбиты, но земные станции приема имеют ограниченное время и пропускную способность для передачи данных. В результате анализ часто отстаёт от момента захвата на несколько часов.

Кроме того, КА функционирует не столько как одна AI-камера, а как плавающий API-сервер — вычислительный узел, к которому могут обращаться другие спутники ДЗЗ.

Спутник также использует архитектуру контейнерного времени выполнения для своих полезных нагрузок ИИ. Как и контейнерное программное обеспечение в облачных вычислениях, это означает, что модели ИИ, работающие на борту, могут быть удалённо обновлены или заменены через uplink после запуска, а не замораживаются в момент развертывания. Спутник дополнительно оснащён автономными механизмами самовосстановления для поддержания работы без вмешательства с земли — что является практической необходимостью на низкой околоземной орбите LEO, где «контактные окна» приёма данных с любой земной станцией прерывисты.

Классические дата-центры, по определению, объединяют вычислительные и накопительные ресурсы в одном объекте, тогда как архитектуры, поддерживаемые межсетевыми спутниками, представляют собой принципиально другую парадигму. Это распределённые вычисления в космосе, охватывающие периферийные устройства до более крупных орбитальных узлов, при этом обработка происходит там, где наиболее эффективно, а не в фиксированном центре.

Идея выноса вычислительных мощностей и дата-центров (ЦОД) на околоземную орбиту активно развивается мировыми IT-гигантами и космическими агентствами. Они планируются совместно с задачами дистанционного зондирования Земли (ДЗЗ) и оперативной обработки спутниковых данных прямо на борту.