Utiliser Claude Code pour Construire un Pipeline d'Analyse d'Images Satellitaires pour les Prévisions dans le Secteur de la Vente au Détail

Aperçu du projet

Un développeur a expérimenté l'utilisation de Claude Code pour reproduire les techniques d'analyse d'imagerie satellite des fonds spéculatifs qui, selon les rapports, génèrent des rendements de 4 à 5 % autour des annonces de résultats. L'objectif était de voir si des données satellitaires gratuites pouvaient se rapprocher des données haute résolution à plus de 100 000 $/an utilisées par les fonds professionnels.

Implémentation technique

Le pipeline analyse l'occupation des parkings pour trois détaillants avec des résultats de revenus connus pour l'été 2025 : Walmart (manqué), Target (manqué) et Costco (dépassé). Le développeur a sélectionné 10 magasins pour chaque détaillant (30 au total) dans le Sunbelt américain pour maximiser l'imagerie sans nuages.

La structure du projet comprend :

• orchestrator - Contrôleur principal qui exécute le pipeline complet par ensemble de détaillants
• Répertoire skills/ avec des modules spécialisés :
  • fetch-satellite-imagery - Extrait les données optiques Sentinel-2 + radar Sentinel-1 via Google Earth Engine
  • query-parking-boundaries - Récupère les polygones des parkings depuis OpenStreetMap
  • subtract-building-footprints - Supprime les toits des bâtiments des masques de parking
  • mask-vegetation - Applique un filtrage NDVI pour exclure l'herbe/les arbres
  • calculate-occupancy - Calcule la luminosité + le ratio NIR → score d'occupation par pixel
  • normalize-per-store - Référence au 95e percentile pour que chaque magasin soit comparé à son propre état "vide"
  • compute-yoy-change - Variation en pourcentage d'une année sur l'autre de l'occupation par magasin
  • alpha-adjustment - Soustrait la moyenne du groupe pour isoler le signal relatif de chaque détaillant
  • run-statistical-tests - Tests de permutation (10 000 itérations), tests binomiaux, rééchantillonnage bootstrap
• sub-agents/ pour l'affinement itératif basé sur les résultats :
  • optical-analysis - Bandes visibles + NIR de Sentinel-2
  • radar-analysis - SAR Sentinel-1 (le métal réfléchit les micro-ondes, l'asphalte non)
  • vision-scoring - Fournit des vignettes satellitaires à Claude pour une prédiction directe de l'occupation

Comment Claude Code a été utilisé

Claude a écrit plus de 35 scripts Python pour l'ensemble du pipeline, y compris l'analyse statistique, la logique d'affinement des polygones et les outils de production vidéo. Le développement a impliqué plusieurs cycles d'itération où Claude analysait les résultats, identifiait les problèmes et proposait des corrections.

Étapes clés du développement :

Étape 1 (Acquisition des données) : Claude a écrit des appels API Google Earth Engine pour extraire l'imagerie Sentinel-2, a géré le masquage des nuages, a extrait les bandes spectrales et a exporté vers CSV. Lorsque l'approche initiale par boîte englobante était trop bruitée, Claude a suggéré d'interroger OpenStreetMap pour obtenir les polygones réels des parkings et de soustraire les empreintes des bâtiments.

Étape 2 (Calcul de l'occupation) : Claude a conçu la formule d'occupation combinant la luminosité visible et la réflectance dans le proche infrarouge, reconnaissant que les voitures et l'asphalte réfléchissent la lumière différemment selon les longueurs d'onde. Il a mis en œuvre une normalisation par magasin pour que chaque magasin soit comparé à sa propre référence.

Étape 3 (Pivot radar) : Lorsque les résultats optiques se sont avérés être du bruit (1/3 correct), Claude a construit le pipeline SAR à partir de zéro en extrayant les données radar Sentinel-1 et en mettant en œuvre une normalisation ajustée alpha pour isoler le signal relatif de chaque détaillant.

Étape 4 (Expérience Claude Vision) : Le développeur a généré 5 955 vignettes et les a fournies à Claude pour un score de prédiction directe de l'occupation.

Contraintes techniques

L'expérience a utilisé des données Sentinel à 10 m de résolution, comparées à l'imagerie à 30 cm/pixel utilisée par les chercheurs de Berkeley. À 10 m de résolution, une voiture ne représente qu'1/12e de pixel, alors qu'à 30 cm de résolution, une voiture représente environ 80 pixels. L'hypothèse était que même à 10 m de résolution, les parkings pleins devraient apparaître spectralement différents des parkings vides.