AnswersPublished14 sources
Jak Kuva Space pomocí hyperspektrálních satelitů hledala pravděpodobná maková pole v Afghánistánu
Pilot Kuva Space v Hilmandu vymezil 248 889 zemědělských parcel a 8 835 z nich označil jako pravděpodobná pole s mákem setým. Postup kombinoval hyperspektrální snímky Hyperfield 1, data programu Copernicus Sentinel 2, sezónní vývoj porostů a dva samostatné modely AI.
PublikovalUpraveno pomocí GPT-5.6 TerraObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- Pilot Kuva Space v Hilmandu vymezil 248 889 zemědělských parcel a 8 835 z nich označil jako pravděpodobná pole s mákem setým.
- Postup kombinoval hyperspektrální snímky Hyperfield 1, data programu Copernicus Sentinel 2, sezónní vývoj porostů a dva samostatné modely AI.
- Přínosem je především předvýběr: dražší snímky ve vysokém rozlišení, analytickou práci i případné terénní ověření lze soustředit na menší počet lokalit.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Finnish spacetech company Kuva Space use its Hyperfield-1 hyperspectral satellites, Copernicus Sentinel-2 imagery, multi-temporal da. Article summary: Kuva Space used hyperspectral and conventional optical imagery as a parcel-level screening system—not as conclusive proof of illicit cultivation. In Helmand, the combined model improved overall classification accuracy fr. Topic tags: general, government, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake n
Satelitní pilot finské společnosti Kuva Space v Afghánistánu ukazuje, jak lze data z oběžné dráhy použít k předběžnému vytipování podezřelých polí ve velkém území. Firma zkombinovala hyperspektrální snímky ze satelitů Hyperfield-1 s pozorováními evropského programu Copernicus Sentinel-2, údaji o sezónním vývoji plodin a modely umělé inteligence.
Výstupem byl seznam parcel, na nichž se s určitou pravděpodobností pěstoval mák setý. Sám o sobě však takový výsledek není důkazem nelegálního pěstování opia. 18
Co se v Hilmandu analyzovalo
Od ledna do června 2026 pořídila Kuva Space nad afghánským regionem Hilmand 363 hyperspektrálních snímků Hyperfield-1. Celková plocha obrazového pokrytí činila 648 450 km². Data firma spojila se snímky Sentinel-2 a klasifikací pomocí AI. 18
Hyperspektrální senzory měří odražené světlo v mnoha úzkých pásmech viditelné a blízké infračervené části spektra. Hyperfield-1 pracuje v rozsahu 475 až 880 nm, což umožňuje podrobněji rozlišovat vegetaci i další materiály na povrchu podle jejich spektrálních vlastností. 1 Právě tato přidaná spektrální informace má pomoci odlišit plodiny, které mohou na běžném optickém satelitním snímku vypadat podobně.
Nejprve bylo nutné nakreslit hranice polí
V oblasti nebyla k dispozici dostatečně přesná data o zemědělských parcelách. Kuva Space proto využila samostatný model pro vymezování polí, upravený na snímcích Sentinel-2 pro malá, různorodá a pouštním prostředím ovlivněná pole v Hilmandu. 18
To je důležité: systém neposuzoval izolované pixely, ale celé parcely. Pro praktické využití je takový postup užitečnější — analytik dostane konkrétní území, pro něž může objednat detailnější snímek nebo zahájit další ověřování.
Rozhodoval i vývoj plodiny během sezóny
Pilot nestál na jediném průletu satelitu. Pracoval s opakovanými pozorováními v čase, takže zachytil fenologii plodin, tedy to, jak se jejich vzhled v průběhu vegetační sezóny mění. Rozdílné načasování růstu a sklizně může pomoci odlišit mák od legálních plodin, které se mu v určitém okamžiku vizuálně podobají. 18
Referenční soubor pro mák vznikl z družicových snímků Pléiades s velmi vysokým rozlišením a ze sezónních pozorování Sentinel-2. Vzhledem k omezenému přístupu do terénu jde o podstatnou výhradu při hodnocení výsledků: označení referenčních polí vycházelo z interpretace snímků, nikoli z plošně dostupného ověření přímo na místě. 18
Označeno bylo jen pole, na němž se shodly dva modely
Kuva Space vycvičila hyperspektrální klasifikátor na základním modelu Hyperfield-1, který byl podle firmy předtrénován na více než 1,2 milionu obrazových výřezů Hyperfield. Model pro hyperspektrální data a model pro Sentinel-2 vyhodnotila odděleně. Parcela byla označena jako pravděpodobně maková jen tehdy, pokud se na tom shodly oba modely. 18
Takové pravidlo má být konzervativní. Místo co nejvyššího počtu upozornění cílí na omezení falešně pozitivních nálezů — tedy polí mylně označených jako maková. Ty by jinak spotřebovávaly omezenou kapacitu analytiků i rozpočet na drahé snímky s vysokým rozlišením.
Výsledek: 8 835 vytipovaných polí z 248 889 parcel
Systém vymezil 248 889 zemědělských polí a 8 835 z nich označil jako pravděpodobná maková pole. To odpovídá zhruba 3,6 % identifikovaných parcel. 18
Kuva Space uvedla celkovou přesnost 75 % pro kombinovaný postup, zatímco samotný Sentinel-2 dosáhl 71 %. Firma zároveň oznámila nižší počet falešně pozitivních výsledků. 18 Rozdíl čtyř procentních bodů je důležitý hlavně pro předvýběr: může zmenšit seznam lokalit, které je třeba důkladněji prověřit.
V testu geolokační přesnosti se třemi scénami Hyperfield překrývajícími se s referenčními snímky Pléiades firma naměřila průměrnou přesnost CE90 21,75 metru, tedy 0,87 pixelu Hyperfield. Podle společnosti to stačilo k přiřazení detekcí ke správným malým a roztříštěným parcelám. 18
K čemu je takové sledování dobré
Satelitní třídění dává smysl zejména tam, kde je pěstování rozptýlené, oblast odlehlá nebo obtížně přístupná. Místo nákupu velmi detailních snímků či terénních kontrol v celé provincii lze nejprve vytipovat pravděpodobná maková pole a zaměřit na ně další kroky. 18
Stejný základní řetězec — hranice polí, opakovaná pozorování a klasifikace konkrétní plodiny — lze využít i v zemědělském monitoringu. Model vycvičený a ověřovaný na máku v Hilmandu však nelze bez místních trénovacích dat a ověření automaticky považovat za spolehlivý pro jinou plodinu nebo jinou zemi.
Co pilot neprokazuje
Označení „pravděpodobný mák“ není důkazem nelegální činnosti. Kuva Space metodu popisuje jako nástroj pro zúžení hledání; konečné potvrzení má vycházet z detailnějších snímků, dalších zpravodajských či analytických podkladů a tam, kde je to možné, z kontroly v terénu. 18
Uváděná 75% přesnost je výsledek pilotu oznámený samotnou firmou, nikoli nezávisle publikované hodnocení ověřené v terénu. Referenční označení polí přitom vznikala ze snímků s vysokým rozlišením a ze sezónní interpretace v prostředí s omezeným terénním přístupem. 18
Klasifikaci mohou komplikovat zejména:
- malá, smíšená nebo nepřesně vymezená pole;
- legální plodiny s podobným vzhledem v určité fázi růstu;
- oblačnost, stíny a proměnlivý stav vegetace;
- neúplné či nepřesné referenční označení polí.
18
Nejistotu může zvýšit i záměrné maskování, například dělení pěstování do malých ploch, společné pěstování více plodin nebo změna termínu výsadby. Sezónní analýza a hyperspektrální data dávají více vodítek než snímek z jediného data, ale nenahrazují nezávislé ověření.
Co může přesnost zlepšit
Dostupné informace o pilotu dokládají využití Hyperfield-1, Sentinel-2, vymezování parcel a analýzu v čase. Kuva Space zároveň uvádí, že Hyperfield-2 má být vypuštěn v roce 2026 a má nabídnout širší spektrální pokrytí i lepší prostorové rozlišení. 13
Případné další zvýšení přesnosti by však bylo nutné teprve prokázat. Zvlášť cenná jsou místní data z terénu, tedy takzvaná ground truth data: Kuva uvádí, že u zakázkových projektů mohou pomoci zpřesnit výsledné analýzy. 29 Další vstupy, často navrhované pro sledování plodin — například radarová data, meteorologické údaje nebo data o reliéfu — mohou být užitečné, ale dodané podklady je neuvádějí jako ověřenou součást tohoto postupu v Hilmandu.
Hlavní závěr je proto praktický, nikoli absolutní: hyperspektrální satelity a AI mohou rozsáhlé sledování plodin výrazně zpřesnit a určit, která pole má smysl prověřit jako první. Konečné rozhodnutí ale musí zůstat na kombinaci dalších důkazů a lidského posouzení. 18
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Jak Kuva Space pomocí hyperspektrálních satelitů hledala pravděpodobná maková pole v Afghánistánu"?
Pilot Kuva Space v Hilmandu vymezil 248 889 zemědělských parcel a 8 835 z nich označil jako pravděpodobná pole s mákem setým.
What are the key points to validate first?
Pilot Kuva Space v Hilmandu vymezil 248 889 zemědělských parcel a 8 835 z nich označil jako pravděpodobná pole s mákem setým. Postup kombinoval hyperspektrální snímky Hyperfield 1, data programu Copernicus Sentinel 2, sezónní vývoj porostů a dva samostatné modely AI.
What should I do next in practice?
Přínosem je především předvýběr: dražší snímky ve vysokém rozlišení, analytickou práci i případné terénní ověření lze soustředit na menší počet lokalit.
Sources
science.nasa.govCSDA Vendor - Kuva Space - NASA Science