Mit Claude Code eine Satellitenbildanalyse-Pipeline für Einzelhandelsvorhersagen aufbauen

Projektübersicht

Ein Entwickler experimentierte mit Claude Code, um Satellitenbildanalyse-Techniken von Hedgefonds nachzubilden, die angeblich 4–5 % Rendite um Gewinnmitteilungen erzielen. Das Ziel war zu prüfen, ob kostenlose Satellitendaten die über 100.000 $/Jahr teuren hochauflösenden Daten professioneller Fonds annähern können.

Technische Umsetzung

Die Pipeline analysiert die Parkplatzauslastung für drei Einzelhändler mit bekannten Sommer-2025-Ergebnissen: Walmart (verfehlt), Target (verfehlt) und Costco (übertroffen). Der Entwickler wählte 10 Filialen pro Einzelhändler (30 insgesamt) in der US-Sunbelt-Region, um wolkenfreie Aufnahmen zu maximieren.

Die Projektstruktur umfasst:

• orchestrator – Hauptsteuerung, die die gesamte Pipeline pro Einzelhändlergruppe ausführt
• skills/-Verzeichnis mit spezialisierten Modulen:
  • fetch-satellite-imagery – Ruft Sentinel-2-Optik- + Sentinel-1-Radar-Daten über Google Earth Engine ab
  • query-parking-boundaries – Holt Parkplatzpolygone aus OpenStreetMap
  • subtract-building-footprints – Entfernt Gebäudedächer aus Parkplatzmasken
  • mask-vegetation – Wendet NDVI-Filterung an, um Gras/Bäume auszuschließen
  • calculate-occupancy – Berechnet Helligkeit + NIR-Verhältnis → Belegungswert pro Pixel
  • normalize-per-store – 95. Perzentil-Baseline, sodass jede Filiale mit ihrem eigenen „leeren“ Zustand verglichen wird
  • compute-yoy-change – Jährliche prozentuale Veränderung der Belegung pro Filiale
  • alpha-adjustment – Subtrahiert Gruppenmittelwert, um das relative Signal jedes Einzelhändlers zu isolieren
  • run-statistical-tests – Permutationstests (10.000 Iterationen), Binomialtests, Bootstrap-Resampling
• sub-agents/ für iterative Verfeinerung basierend auf Ergebnissen:
  • optical-analysis – Sentinel-2 sichtbare + NIR-Bänder
  • radar-analysis – Sentinel-1 SAR (Metall reflektiert Mikrowellen, Asphalt nicht)
  • vision-scoring – Speist Satellitenminiaturbilder in Claude für direkte Belegungsvorhersage

Wie Claude Code genutzt wurde

Claude schrieb 35+ Python-Skripte für die gesamte Pipeline, einschließlich statistischer Analyse, Polygonverfeinerungslogik und Videoproduktionswerkzeugen. Die Entwicklung umfasste mehrere Iterationszyklen, in denen Claude Ergebnisse analysierte, Probleme identifizierte und Lösungen vorschlug.

Wichtige Entwicklungsphasen:

Phase 1 (Datenerfassung): Claude schrieb Google Earth Engine API-Aufrufe, um Sentinel-2-Bilder abzurufen, handhabte Wolkenmaskierung, extrahierte Spektralbänder und exportierte in CSV. Als der anfängliche Bounding-Box-Ansatz verrauscht war, schlug Claude vor, OpenStreetMap nach tatsächlichen Parkplatzpolygonen abzufragen und Gebäudegrundrisse zu subtrahieren.

Phase 2 (Belegungsberechnung): Claude entwarf die Belegungsformel, die sichtbare Helligkeit und Nahinfrarot-Reflexion kombiniert, und erkannte, dass Autos und Asphalt Licht unterschiedlich über Wellenlängen reflektieren. Es implementierte pro-Filiale-Normalisierung, sodass jede Filiale mit ihrer eigenen Baseline verglichen wird.

Phase 3 (Radar-Pivot): Als optische Ergebnisse als Rauschen zurückkamen (1/3 korrekt), baute Claude die SAR-Pipeline von Grund auf, indem es Sentinel-1-Radardaten abrief und alpha-angepasste Normalisierung implementierte, um das relative Signal jedes Einzelhändlers zu isolieren.

Phase 4 (Claude Vision-Experiment): Der Entwickler erzeugte 5.955 Miniaturbilder und speiste sie in Claude für direkte Belegungsvorhersagebewertung ein.

Technische Einschränkungen

Das Experiment nutzte 10-m-Auflösungs-Sentinel-Daten, verglichen mit den 30 cm/Pixel-Bildern, die Berkeley-Forscher verwendeten. Bei 10 m Auflösung ist ein Auto nur 1/12 eines Pixels, während es bei 30 cm Auflösung etwa 80 Pixel sind. Die Hypothese war, dass selbst bei 10 m Auflösung volle Parkplätze spektral anders aussehen sollten als leere.