Usando Claude Code para Construir un Pipeline de Análisis de Imágenes Satelitales para Predicciones Minoristas

Descripción General del Proyecto

Un desarrollador experimentó con el uso de Claude Code para replicar técnicas de análisis de imágenes satelitales de fondos de cobertura que, según se informa, generan retornos del 4-5% alrededor de anuncios de ganancias. El objetivo era ver si los datos satelitales gratuitos podían aproximarse a los datos de alta resolución de más de $100K/año utilizados por fondos profesionales.

Implementación Técnica

El pipeline analiza la ocupación de estacionamientos para tres minoristas con resultados de ganancias conocidos para el verano de 2025: Walmart (no alcanzó), Target (no alcanzó) y Costco (superó). El desarrollador seleccionó 10 tiendas de cada minorista (30 en total) en la región Sunbelt de EE. UU. para maximizar las imágenes libres de nubes.

La estructura del proyecto incluye:

• orchestrator - Controlador principal que ejecuta el pipeline completo por conjunto de minoristas
• Directorio skills/ con módulos especializados:
  • fetch-satellite-imagery - Extrae datos ópticos de Sentinel-2 + radar de Sentinel-1 a través de Google Earth Engine
  • query-parking-boundaries - Obtiene polígonos de estacionamientos desde OpenStreetMap
  • subtract-building-footprints - Elimina techos de edificios de las máscaras de estacionamientos
  • mask-vegetation - Aplica filtrado NDVI para excluir césped/árboles
  • calculate-occupancy - Calcula brillo + relación NIR → puntuación de ocupación por píxel
  • normalize-per-store - Línea base del percentil 95 para que cada tienda se compare con su propio "vacío"
  • compute-yoy-change - Cambio porcentual interanual en la ocupación por tienda
  • alpha-adjustment - Resta la media del grupo para aislar la señal relativa de cada minorista
  • run-statistical-tests - Pruebas de permutación (10K iteraciones), pruebas binomiales, remuestreo bootstrap
• sub-agents/ para refinamiento iterativo basado en resultados:
  • optical-analysis - Bandas visibles + NIR de Sentinel-2
  • radar-analysis - SAR de Sentinel-1 (el metal refleja microondas, el asfalto no)
  • vision-scoring - Alimenta miniaturas satelitales a Claude para predicción directa de ocupación

Cómo se Utilizó Claude Code

Claude escribió más de 35 scripts de Python para todo el pipeline, incluyendo análisis estadístico, lógica de refinamiento de polígonos y herramientas de producción de video. El desarrollo involucró múltiples ciclos de iteración donde Claude analizaba resultados, identificaba problemas y proponía soluciones.

Etapas clave del desarrollo:

Etapa 1 (Adquisición de Datos): Claude escribió llamadas a la API de Google Earth Engine para extraer imágenes de Sentinel-2, manejó el enmascaramiento de nubes, extrajo bandas espectrales y exportó a CSV. Cuando el enfoque inicial de cuadro delimitador era ruidoso, Claude sugirió consultar OpenStreetMap para obtener polígonos reales de estacionamientos y restar huellas de edificios.

Etapa 2 (Cálculo de Ocupación): Claude diseñó la fórmula de ocupación combinando brillo visible y reflectancia del infrarrojo cercano, reconociendo que los autos y el asfalto reflejan la luz de manera diferente a través de longitudes de onda. Implementó normalización por tienda para que cada una se compare contra su propia línea base.

Etapa 3 (Cambio a Radar): Cuando los resultados ópticos resultaron ser ruido (1/3 correcto), Claude construyó el pipeline SAR desde cero extrayendo datos de radar de Sentinel-1 e implementando normalización ajustada por alfa para aislar la señal relativa de cada minorista.

Etapa 4 (Experimento de Visión de Claude): El desarrollador generó 5,955 miniaturas y las alimentó a Claude para puntuación de predicción directa de ocupación.

Limitaciones Técnicas

El experimento utilizó datos Sentinel de resolución de 10m, comparado con las imágenes de 30cm/píxel utilizadas por investigadores de Berkeley. A resolución de 10m, un auto es solo 1/12 de un píxel, mientras que a resolución de 30cm, un auto son aproximadamente 80 píxeles. La hipótesis era que incluso a 10m de resolución, los lotes llenos deberían verse espectralmente diferentes de los vacíos.