Kuva Spaceのアフガニスタンでのパイロットは、衛星データで広大な地域に散らばる違法作物の疑いがある農地を優先抽出する手法を示したものだ。同社はHyperfield-1のハイパースペクトル画像に、欧州連合（EU）の地球観測衛星プログラム「コペルニクス」のSentinel-2画像、作物の生育時期に関する時系列データ、AIモデルを組み合わせた。

出力されるのは、追加調査の候補となる「ケシの可能性が高い区画」のリストである。これ単独で違法栽培を立証する証拠ではない。 18

ヘルマンド州で何を分析したのか

2026年1月から6月にかけて、Kuva Spaceはアフガニスタンのヘルマンド地域でHyperfield-1によるハイパースペクトル画像363枚を取得した。総画像カバー面積は64万8,450平方キロメートルに及ぶ。これをCopernicus Sentinel-2のデータとAI分類に統合した。 18

ハイパースペクトルセンサーは、可視光から近赤外線にかけての光の反射を、多数の狭い波長帯で測る。Kuva SpaceのHyperfield-1は475〜880ナノメートルの範囲を観測し、植生や地表物質のスペクトル特性をより細かく捉える設計だ。 1

一般的な光学衛星画像では似て見える作物でも、こうした細かな波長情報を使えば、識別に役立つ可能性がある。

まず、1筆ごとの農地区画を地図化する

この地域では、正確な農地区画の境界データを利用できなかった。そこでKuva Spaceは、Sentinel-2画像を使い、ヘルマンド州に多い小規模で入り組んだ、砂漠地帯に混在する農地に合わせて調整した別の区画抽出モデルを用いた。 18

重要なのは、判定対象が単なる画像上の「ピクセル」ではなく、農地の一区画ごとだった点だ。後続の確認作業では、より高精細な画像を取得したり、別の情報と照合したりするために、調査対象の位置と範囲が明確である必要がある。

生育時期の違いも判定に使う

このパイロットは、1回の衛星観測だけに依存していない。複数時点の観測を追うことで、作物が成長から収穫までに見せる変化、すなわち「生育フェノロジー」を分析した。栽培・生育のタイミングが異なれば、見た目が似た合法作物とケシを区別する手掛かりになり得る。 18

Kuva Spaceの説明によると、超高解像度のPléiades画像と季節ごとのSentinel-2観測を使って、ケシの参照データセットを作成した。現地へのアクセスが限られる環境だったため、教師データは現地で直接確認したものではなく、画像の解釈に基づく。この点は、性能値を読むうえで重要な留保である。 18

2種類のAIが一致した区画だけを抽出

Kuva Spaceは、120万超のHyperfield画像パッチで事前学習したとしているHyperfield-1の基盤モデルを用い、ハイパースペクトル分類器を訓練した。HyperfieldのモデルとSentinel-2のモデルをそれぞれ評価し、両モデルが一致した農地区画だけを「ケシの可能性が高い」とした。 18

この一致条件は、警報件数を最大化するよりも慎重な運用を狙うものだ。ケシではない畑を誤って抽出する「偽陽性」を減らせれば、分析官の時間や高解像度画像の取得費用を、より有望な地点に振り向けられる。

結果：248,889区画のうち8,835区画を抽出

システムは248,889の農地区画を抽出し、そのうち8,835区画をケシ栽培の可能性が高い区画としてフラグ付けした。全区画のおよそ3.6％に当たる。 18

Kuva Spaceは、統合手法の総合精度を75％と報告している。Sentinel-2のみの場合は71％で、統合手法では偽陽性も減ったという。 18

4ポイントの改善は、違法栽培を自動で断定できるようになったことを意味しない。実務上の意味はむしろ、確認すべき場所の候補をより扱いやすい規模まで絞り込める点にある。

また、Pléiadesの参照画像と重なるHyperfieldの3シーンを使った位置精度試験では、平均CE90（90％の地点が収まる誤差半径）を21.75メートル、Hyperfieldの0.87ピクセル相当と報告した。Kuva Spaceは、この精度なら小さく分断された農地区画にも検出結果を対応付けられるとしている。 18

実務で役立つ場面

栽培地が広範囲に分散し、遠隔地で、現地に入りにくい場合、衛星によるスクリーニングは特に有用だ。州全域を対象に超高解像度画像を取得したり、現地確認を行ったりする代わりに、可能性が高い区画を先に抽出して、次の確認工程の優先順位を付けられる。 18

区画境界の推定、繰り返し観測、作物に特化した分類という基本的なデータ処理の流れは、農業モニタリングにも応用し得る。ただし、ヘルマンド州のケシを対象に訓練・評価されたモデルが、別の国や別の作物でも同様に機能するとは限らない。地域ごとの学習データと検証が不可欠だ。

この実証が「証明していない」こと

「ケシの可能性が高い」という分類は、違法行為の証明ではない。Kuva Space自身も、この技術を捜索範囲を狭めるためのスクリーニング手段と位置付けている。確認には、より高解像度の衛星画像、補強情報、可能であれば現地調査が必要となる。 18

報告された75％の精度は、独立した機関による現地検証済みの査読研究ではなく、企業が公表したパイロットの結果である。参照ラベルは、高解像度画像と季節変化の解釈に依存しており、現地アクセスには制約があった。 18

分類を難しくする要因には、次のようなものがある。

• 小規模で混在し、境界が正確に取れない農地
• 特定の生育段階で外観が似る合法作物
• 雲、影、植生状態の変化
• 不完全、または誤差を含む参照ラベル 18

栽培者が区画を細分化する、他作物と混作する、植え付け時期を変えるといった意図的な隠蔽を行えば、判定の曖昧さはさらに増す可能性がある。時系列分析とハイパースペクトルの情報は、単一日時の画像より多くの手掛かりを与えるが、検証の必要性をなくすものではない。

次世代モデルで期待される改善点

このパイロットで裏付けられているのは、Hyperfield-1とSentinel-2の融合、区画抽出、時系列分析の活用である。Kuva Spaceは別途、波長カバー範囲の拡大と空間分解能の向上を掲げるHyperfield-2を2026年に打ち上げる計画だとしている。 13

ただし、さらなる精度向上は今後実証される必要がある。とりわけ重要なのは、地域に根差したグラウンドトゥルース、つまり現地で確認された正解データの充実だ。Kuva Spaceも、個別プロジェクトでは分析精度向上のためにグラウンドトゥルースデータの提供を求める場合があるとしている。 29

レーダー衛星画像、気象、地形といったデータも作物監視に役立つ可能性はあるが、今回提供された根拠だけでは、それらがヘルマンド州のこのワークフローで検証済みの要素だったとは言えない。

要点は、衛星とAIが違法作物を宇宙から断定するということではない。広い地域を対象に、先に調べるべき畑を絞り込むことができる点にある。最終的な判断は、複数の証拠と人による確認に委ねられる。 18

Kuva Spaceのアフガニスタンでのパイロットは、衛星データで広大な地域に散らばる違法作物の疑いがある農地を優先抽出する手法を示したものだ。同社はHyperfield-1のハイパースペクトル画像に、欧州連合（EU）の地球観測衛星プログラム「コペルニクス」のSentinel-2画像、作物の生育時期に関する時系列データ、AIモデルを組み合わせた。

出力されるのは、追加調査の候補となる「ケシの可能性が高い区画」のリストである。これ単独で違法栽培を立証する証拠ではない。 18

ヘルマンド州で何を分析したのか

2026年1月から6月にかけて、Kuva Spaceはアフガニスタンのヘルマンド地域でHyperfield-1によるハイパースペクトル画像363枚を取得した。総画像カバー面積は64万8,450平方キロメートルに及ぶ。これをCopernicus Sentinel-2のデータとAI分類に統合した。 18

ハイパースペクトルセンサーは、可視光から近赤外線にかけての光の反射を、多数の狭い波長帯で測る。Kuva SpaceのHyperfield-1は475〜880ナノメートルの範囲を観測し、植生や地表物質のスペクトル特性をより細かく捉える設計だ。 1

一般的な光学衛星画像では似て見える作物でも、こうした細かな波長情報を使えば、識別に役立つ可能性がある。

まず、1筆ごとの農地区画を地図化する

この地域では、正確な農地区画の境界データを利用できなかった。そこでKuva Spaceは、Sentinel-2画像を使い、ヘルマンド州に多い小規模で入り組んだ、砂漠地帯に混在する農地に合わせて調整した別の区画抽出モデルを用いた。 18

重要なのは、判定対象が単なる画像上の「ピクセル」ではなく、農地の一区画ごとだった点だ。後続の確認作業では、より高精細な画像を取得したり、別の情報と照合したりするために、調査対象の位置と範囲が明確である必要がある。

生育時期の違いも判定に使う

このパイロットは、1回の衛星観測だけに依存していない。複数時点の観測を追うことで、作物が成長から収穫までに見せる変化、すなわち「生育フェノロジー」を分析した。栽培・生育のタイミングが異なれば、見た目が似た合法作物とケシを区別する手掛かりになり得る。 18

Kuva Spaceの説明によると、超高解像度のPléiades画像と季節ごとのSentinel-2観測を使って、ケシの参照データセットを作成した。現地へのアクセスが限られる環境だったため、教師データは現地で直接確認したものではなく、画像の解釈に基づく。この点は、性能値を読むうえで重要な留保である。 18

2種類のAIが一致した区画だけを抽出

Kuva Spaceは、120万超のHyperfield画像パッチで事前学習したとしているHyperfield-1の基盤モデルを用い、ハイパースペクトル分類器を訓練した。HyperfieldのモデルとSentinel-2のモデルをそれぞれ評価し、両モデルが一致した農地区画だけを「ケシの可能性が高い」とした。 18

この一致条件は、警報件数を最大化するよりも慎重な運用を狙うものだ。ケシではない畑を誤って抽出する「偽陽性」を減らせれば、分析官の時間や高解像度画像の取得費用を、より有望な地点に振り向けられる。

結果：248,889区画のうち8,835区画を抽出

システムは248,889の農地区画を抽出し、そのうち8,835区画をケシ栽培の可能性が高い区画としてフラグ付けした。全区画のおよそ3.6％に当たる。 18

Kuva Spaceは、統合手法の総合精度を75％と報告している。Sentinel-2のみの場合は71％で、統合手法では偽陽性も減ったという。 18

4ポイントの改善は、違法栽培を自動で断定できるようになったことを意味しない。実務上の意味はむしろ、確認すべき場所の候補をより扱いやすい規模まで絞り込める点にある。

また、Pléiadesの参照画像と重なるHyperfieldの3シーンを使った位置精度試験では、平均CE90（90％の地点が収まる誤差半径）を21.75メートル、Hyperfieldの0.87ピクセル相当と報告した。Kuva Spaceは、この精度なら小さく分断された農地区画にも検出結果を対応付けられるとしている。 18

実務で役立つ場面

栽培地が広範囲に分散し、遠隔地で、現地に入りにくい場合、衛星によるスクリーニングは特に有用だ。州全域を対象に超高解像度画像を取得したり、現地確認を行ったりする代わりに、可能性が高い区画を先に抽出して、次の確認工程の優先順位を付けられる。 18

区画境界の推定、繰り返し観測、作物に特化した分類という基本的なデータ処理の流れは、農業モニタリングにも応用し得る。ただし、ヘルマンド州のケシを対象に訓練・評価されたモデルが、別の国や別の作物でも同様に機能するとは限らない。地域ごとの学習データと検証が不可欠だ。

この実証が「証明していない」こと

「ケシの可能性が高い」という分類は、違法行為の証明ではない。Kuva Space自身も、この技術を捜索範囲を狭めるためのスクリーニング手段と位置付けている。確認には、より高解像度の衛星画像、補強情報、可能であれば現地調査が必要となる。 18

報告された75％の精度は、独立した機関による現地検証済みの査読研究ではなく、企業が公表したパイロットの結果である。参照ラベルは、高解像度画像と季節変化の解釈に依存しており、現地アクセスには制約があった。 18

分類を難しくする要因には、次のようなものがある。

• 小規模で混在し、境界が正確に取れない農地
• 特定の生育段階で外観が似る合法作物
• 雲、影、植生状態の変化
• 不完全、または誤差を含む参照ラベル 18

栽培者が区画を細分化する、他作物と混作する、植え付け時期を変えるといった意図的な隠蔽を行えば、判定の曖昧さはさらに増す可能性がある。時系列分析とハイパースペクトルの情報は、単一日時の画像より多くの手掛かりを与えるが、検証の必要性をなくすものではない。

次世代モデルで期待される改善点

このパイロットで裏付けられているのは、Hyperfield-1とSentinel-2の融合、区画抽出、時系列分析の活用である。Kuva Spaceは別途、波長カバー範囲の拡大と空間分解能の向上を掲げるHyperfield-2を2026年に打ち上げる計画だとしている。 13

ただし、さらなる精度向上は今後実証される必要がある。とりわけ重要なのは、地域に根差したグラウンドトゥルース、つまり現地で確認された正解データの充実だ。Kuva Spaceも、個別プロジェクトでは分析精度向上のためにグラウンドトゥルースデータの提供を求める場合があるとしている。 29

レーダー衛星画像、気象、地形といったデータも作物監視に役立つ可能性はあるが、今回提供された根拠だけでは、それらがヘルマンド州のこのワークフローで検証済みの要素だったとは言えない。

要点は、衛星とAIが違法作物を宇宙から断定するということではない。広い地域を対象に、先に調べるべき畑を絞り込むことができる点にある。最終的な判断は、複数の証拠と人による確認に委ねられる。 18