Claude Codeを使用して小売予測のための衛星画像分析パイプラインを構築する

プロジェクト概要

開発者は、Claude Codeを使用して、決算発表前後に4-5%のリターンを生み出すと報告されているヘッジファンドの衛星画像分析手法を再現する実験を行いました。目標は、無料の衛星データが、プロのファンドが使用する年間10万ドル以上の高解像度データを近似できるかどうかを確認することでした。

技術的実装

このパイプラインは、2025年夏の既知の決算結果を持つ3つの小売企業（ウォルマート（未達）、ターゲット（未達）、コストコ（達成））の駐車場占有率を分析します。開発者は、雲のない画像を最大化するために、米国サンベルト地域から各小売企業の10店舗（合計30店舗）を選択しました。

プロジェクト構造には以下が含まれます：

• orchestrator - 各小売企業セットごとに完全なパイプラインを実行するメインコントローラー
• 専門モジュールを含むskills/ディレクトリ：
  • fetch-satellite-imagery - Google Earth Engineを介してSentinel-2光学データ + Sentinel-1レーダーデータを取得
  • query-parking-boundaries - OpenStreetMapから駐車場ポリゴンを取得
  • subtract-building-footprints - 駐車場マスクから建物の屋根を除去
  • mask-vegetation - NDVIフィルタリングを適用して草/木を除外
  • calculate-occupancy - 輝度 + NIR比率を計算 → ピクセルごとの占有率スコア
  • normalize-per-store - 95パーセンタイルベースラインにより、各店舗を自身の「空」状態と比較
  • compute-yoy-change - 店舗ごとの占有率の前年比％変化
  • alpha-adjustment - グループ平均を差し引いて各小売企業の相対的なシグナルを分離
  • run-statistical-tests - 順列検定（1万回反復）、二項検定、ブートストラップリサンプリング
• 結果に基づく反復的改良のためのsub-agents/：
  • optical-analysis - Sentinel-2可視 + NIRバンド
  • radar-analysis - Sentinel-1 SAR（金属はマイクロ波を反射、アスファルトは反射しない）
  • vision-scoring - 衛星サムネイルをClaudeに供給して直接占有率予測

Claude Codeの使用方法

Claudeは、統計分析、ポリゴン改良ロジック、動画制作ツールを含む、パイプライン全体の35以上のPythonスクリプトを作成しました。開発には、Claudeが結果を分析し、問題を特定し、修正を提案する複数の反復サイクルが含まれました。

主要な開発段階：

段階1（データ取得）：ClaudeはGoogle Earth Engine API呼び出しを作成してSentinel-2画像を取得し、雲マスキングを処理し、スペクトルバンドを抽出し、CSVにエクスポートしました。初期のバウンディングボックスアプローチがノイズが多い場合、Claudeは実際の駐車場ポリゴンをOpenStreetMapからクエリし、建物のフットプリントを差し引くことを提案しました。

段階2（占有率計算）：Claudeは、可視光の輝度と近赤外反射率を組み合わせた占有率計算式を設計し、車とアスファルトが異なる波長で光を異なる方法で反射することを認識しました。各店舗が自身のベースラインと比較されるように、店舗ごとの正規化を実装しました。

段階3（レーダーピボット）：光学結果がノイズ（1/3正解）として返されたとき、ClaudeはSentinel-1レーダーデータを取得し、各小売企業の相対的なシグナルを分離するためにアルファ調整正規化を実装して、SARパイプラインを一から構築しました。

段階4（Claude Vision実験）：開発者は5,955枚のサムネイルを生成し、それらをClaudeに供給して直接占有率予測スコアリングを行いました。

技術的制約

この実験では、10m解像度のSentinelデータを使用しましたが、これはカリフォルニア大学バークレー校の研究者が使用する30cm/ピクセルの画像と比較されます。10m解像度では、1台の車はわずか1/12ピクセルですが、30cm解像度では、1台の車は約80ピクセルです。仮説は、10m解像度であっても、満車の駐車場は空の駐車場とはスペクトル的に異なるように見えるはずだというものでした。