Wie Kuva Space mutmaßliche Schlafmohnfelder in Afghanistan aus dem All identifizierte

Kuva Space hat in Afghanistan ein satellitengestütztes Vorsortierverfahren für verdächtige Anbauflächen erprobt. Dafür kombinierte das finnische Raumfahrtunternehmen Hyperspektralbilder seiner Hyperfield-1-Satelliten mit Daten der EU-Erdbeobachtungsmission Copernicus Sentinel-2, saisonalen Beobachtungen und KI-Modellen. Heraus kam eine Liste von Feldern, auf denen Schlafmohn wahrscheinlich angebaut wurde – nicht jedoch ein eigenständiger Nachweis illegalen Anbaus. 18

Was in Helmand untersucht wurde

Zwischen Januar und Juni 2026 nahm Kuva Space in der afghanischen Region Helmand 363 Hyperspektralbilder mit Hyperfield-1 auf. Die gesamte Bildabdeckung betrug 648.450 km². Diese Daten wurden mit Aufnahmen von Copernicus Sentinel-2 und KI-gestützter Klassifikation zusammengeführt. 18

Hyperspektralsensoren erfassen das von Oberflächen reflektierte Licht in vielen schmalen Bereichen des sichtbaren und nahinfraroten Spektrums. Nach Angaben der NASA deckt Hyperfield-1 den Bereich von 475 bis 880 Nanometern ab. So lassen sich Vegetation und andere Oberflächen anhand ihrer spektralen Eigenschaften detaillierter charakterisieren. 1 Diese zusätzlichen Informationen sollen helfen, Kulturen auseinanderzuhalten, die auf gewöhnlichen optischen Satellitenbildern ähnlich aussehen.

Schritt 1: Einzelne Felder kartieren

Eine zentrale Hürde: Für das Untersuchungsgebiet gab es keine ausreichend präzisen Grenzen landwirtschaftlicher Parzellen. Kuva Space setzte deshalb ein separates Modell zur Feldabgrenzung ein, das mit Sentinel-2-Bildern auf die kleinen, uneinheitlichen und von Wüstenlandschaft durchsetzten Felder in Helmand angepasst wurde. 18

Das ist entscheidend, weil das System Felder statt einzelner Bildpunkte bewertete. Für die praktische Prüfung ist eine klar umgrenzte Fläche hilfreicher: Analystinnen und Analysten können gezielt höher aufgelöste Bilder anfordern oder andere Überprüfungen veranlassen.

Schritt 2: Den Wachstumsverlauf mit auswerten

Der Pilot stützte sich nicht auf eine einzige Satellitenaufnahme. Die wiederholten Beobachtungen über die Saison erfassen die sogenannte Phänologie – also die Veränderung des Erscheinungsbilds einer Pflanze während ihres Wachstumszyklus. Das kann Schlafmohn von optisch ähnlichen legalen Kulturen unterscheiden helfen, wenn sich ihre saisonalen Zeitmuster unterscheiden. 18

Für einen Referenzdatensatz nutzte Kuva Space sehr hochauflösende Pléiades-Aufnahmen sowie saisonale Sentinel-2-Beobachtungen. Weil der Zugang zu Daten direkt vor Ort begrenzt war, ist diese bildgestützte Kennzeichnung der Referenzflächen ein wichtiger Vorbehalt bei der Einordnung der gemeldeten Ergebnisse. 18

Schritt 3: Zwei KI-Modelle müssen übereinstimmen

Kuva trainierte einen Hyperspektral-Klassifikator mit seinem Hyperfield-1-Basismodell, das nach Unternehmensangaben zuvor mit mehr als 1,2 Millionen Hyperfield-Bildausschnitten trainiert worden war. Das Unternehmen bewertete Hyperfield- und Sentinel-2-Modelle getrennt und kennzeichnete eine Parzelle nur dann als wahrscheinliches Mohnfeld, wenn beide Modelle zum gleichen Ergebnis kamen. 18

Diese Regel ist bewusst zurückhaltend. Ziel ist nicht, möglichst viele Warnmeldungen zu erzeugen, sondern Fehlalarme zu senken. Denn jede fälschlich als Mohnfeld eingestufte Fläche bindet Zeit in der Auswertung und kann kostspielige hochauflösende Bildaufnahmen auslösen.

Ergebnis: 8.835 Verdachtsfelder unter 248.889 Parzellen

Das System grenzte 248.889 landwirtschaftliche Felder ab und markierte 8.835 als wahrscheinliche Schlafmohnfelder. Das entspricht rund 3,6 % der identifizierten Felder. 18

Kuva Space gibt für den kombinierten Ansatz eine Gesamtgenauigkeit von 75 % an, gegenüber 71 % bei Sentinel-2 allein; zugleich seien weniger Fehlalarme entstanden. 18 Der Zuwachs von vier Prozentpunkten ist vor allem für die Vorauswahl relevant: Er kann die Zahl der Orte reduzieren, die anschließend genauer geprüft werden müssen.

In einem Geolokalisierungstest mit drei Hyperfield-Szenen, die sich mit Pléiades-Referenzbildern überschnitten, meldete Kuva Space eine mittlere CE90-Genauigkeit von 21,75 Metern beziehungsweise 0,87 Hyperfield-Pixeln. Nach Angaben des Unternehmens reicht das aus, um Erkennungen den richtigen kleinen und zersplitterten Feldern zuzuordnen. 18

Warum diese Art der Überwachung hilfreich sein kann

Satellitengestütztes Screening ist besonders dort nützlich, wo Anbauflächen weit verstreut, abgelegen oder schwer zugänglich sind. Statt eine ganze Provinz mit sehr hochauflösenden Bildern abzudecken oder flächendeckend vor Ort zu kontrollieren, können Ermittlungs- und Analysekräfte die wahrscheinlichen Mohnfelder für den nächsten Prüfschritt priorisieren. 18

Die Grundlogik – Feldgrenzen, wiederholte Beobachtungen und kulturspezifische Klassifikation – ist auch für die landwirtschaftliche Beobachtung relevant. Ein Modell, das für Schlafmohn in Helmand trainiert und bewertet wurde, lässt sich allerdings nicht ohne lokale Trainingsdaten und Validierung verlässlich auf andere Kulturen oder Länder übertragen.

Was der Pilot nicht belegt

Die Einstufung als wahrscheinliches Mohnfeld ist kein Beweis für eine illegale Tätigkeit. Kuva Space beschreibt die Technik als Instrument zur Eingrenzung des Suchgebiets. Eine Bestätigung sollte auf höher aufgelösten Bildern, ergänzenden Erkenntnissen und – soweit möglich – Kontrollen vor Ort beruhen. 18

Die berichtete Genauigkeit von 75 % ist ein vom Unternehmen gemeldetes Resultat aus einem Pilotprojekt, keine unabhängig veröffentlichte und im Feld validierte Bewertung. Die Referenzkennzeichnungen beruhten wegen des begrenzten Zugangs zum Gelände auf hochauflösenden Bildern und saisonaler Auswertung. 18

Die Klassifikation kann unter anderem durch folgende Faktoren erschwert werden:

• kleine, gemischte oder unzureichend abgegrenzte Felder;
• legale Kulturen, die in bestimmten Wachstumsphasen ähnlich aussehen;
• Wolken, Schatten und wechselnde Vegetationsbedingungen;
• unvollständige oder fehlerhafte Referenzkennzeichnungen. 18

Auch gezielte Verschleierung – etwa zerstückelte Flächen, Mischanbau oder veränderte Aussaatzeiten – kann die Zuordnung zusätzlich unsicher machen. Saisonale Analysen und hyperspektrale Signaturen liefern mehr Anhaltspunkte als ein Bild von nur einem Tag. Sie ersetzen aber keine Überprüfung.

Was künftige Modelle verbessern könnte

Für diesen Pilotversuch belegt die verfügbare Grundlage die Kombination aus Hyperfield-1, Sentinel-2, Parzellenabgrenzung und mehrzeitiger Analyse. Kuva Space kündigt zudem Hyperfield-2 für einen Start im Jahr 2026 an; die nächste Generation soll einen erweiterten Spektralbereich und eine bessere räumliche Auflösung bieten. 13

Ob daraus tatsächlich präzisere Ergebnisse entstehen, muss noch gezeigt werden. Besonders wichtig sind lokale Daten mit gesicherter Zuordnung am Boden, sogenanntes Ground Truth. Kuva Space weist selbst darauf hin, dass solche Daten bei kundenspezifischen Projekten die Genauigkeit der Erkenntnisse verbessern können. 29 Weitere oft diskutierte Datenquellen für die Agrarbeobachtung – etwa Radarbilder, Wetter- oder Geländedaten – könnten sinnvoll sein. Die vorliegenden Belege zeigen jedoch nicht, dass sie bereits als validierte Bestandteile dieses Helmand-Verfahrens eingesetzt wurden.

Die zentrale Erkenntnis ist daher pragmatisch, nicht absolut: Hyperspektralsatelliten und KI können die Beobachtung großer Anbaugebiete gezielter machen. Sie heben Felder hervor, die zuerst geprüft werden sollten; die endgültige Bewertung verlangt weiterhin zusätzliche Belege und menschliche Kontrolle. 18