Google Research 研究科学家 Chris Van Arsdale 解释了一个设计选择：监测山火，为什么不造一颗又贵又高分辨率的大卫星，让它长时间盯着地面？FireSat 的答案是反过来的——部署数量更多、成本更低的小卫星，用机器学习和 AI 来弥补精度上的差距。

一颗大卫星的账，算不过来

按 Van Arsdale 的说法，单颗高分辨率大卫星意味着高昂成本，还要长时间对准地面某一区域。这套逻辑放在山火监测上并不划算：火情是分散的、突发的，一颗卫星再强，也只能覆盖它当下能看到的那一片。

FireSat 换了个思路，把资源摊到更多颗低成本小卫星上。单颗能力下降，但覆盖和重访的密度上来了。

精度差距，交给机器学习补

小卫星的短板是精度。FireSat 的做法是用机器学习和 AI 来填补这一差距——这也是 Google 介绍该计划时强调的重点：如何利用 AI 检测和追踪山火。

Van Arsdale 的表述里，这是一次明确的权衡：不追求单点极致，而是用数量加算法，去换一个能发现微小山火的系统。

目标指向的是“微小山火”

FireSat 要监测的不是已经烧起来的大火，而是微小山火。这类火情在早期往往不够显眼，等它长成规模，处置成本就完全不同了。

用更多低成本卫星提高观测频次，再用 AI 从数据里把信号挑出来，这套组合的落点就在这里。Google 方面披露的信息集中在设计取舍本身：为什么是阵列，为什么是机器学习，而不是一颗更贵的大卫星。