Bagaimana Satelit Kuva Space Mengesan Ladang Popi Berkemungkinan di Afghanistan

Kuva Space menggunakan data satelit sebagai alat saringan dan penentuan keutamaan, bukannya bukti muktamad bahawa sesuatu ladang menanam tanaman haram. Dalam projek rintis di wilayah Helmand, Afghanistan, syarikat itu menggabungkan imejan hiperspektrum Hyperfield-1, pemerhatian Copernicus Sentinel-2, data perubahan tanaman mengikut musim dan model AI untuk menghasilkan senarai petak yang berkemungkinan ditanam popi candu. Petak ini kemudian perlu disemak lanjut. 18

Apa yang dianalisis di Helmand

Antara Januari hingga Jun 2026, satelit Hyperfield-1 milik Kuva Space mengumpulkan 363 imej hiperspektrum merentasi wilayah Helmand, dengan jumlah liputan imejan 648,450 km². Data itu digabungkan dengan imejan Copernicus Sentinel-2 serta klasifikasi berasaskan AI. 18

Sensor hiperspektrum mengukur cahaya yang dipantulkan dalam banyak jalur sempit pada spektrum tampak dan inframerah dekat. Hyperfield-1 beroperasi dalam julat 475–880 nanometer, yang membolehkan ciri tumbuhan serta bahan di permukaan dikenal pasti dengan lebih terperinci berdasarkan sifat spektrumnya. 1 Maklumat tambahan ini boleh membantu membezakan isyarat tanaman yang mungkin kelihatan hampir sama dalam imej optik biasa.

Langkah pertama: memetakan sempadan setiap petak

Salah satu cabaran utama ialah ketiadaan data sempadan petak pertanian yang tepat bagi kawasan kajian. Oleh itu, Kuva menggunakan model pengesanan sempadan petak berasingan, yang dilaraskan menggunakan imejan Sentinel-2 untuk petak Helmand yang kecil, pelbagai dan bercampur dengan landskap gurun. 18

Ini penting kerana sistem tersebut menilai petak pertanian, bukan piksel tunggal. Untuk tujuan operasi, keputusan pada peringkat petak lebih berguna: penganalisis memperoleh lokasi tertentu yang boleh diberi keutamaan bagi imejan lebih tajam atau kerja pengesahan lain.

Langkah kedua: membaca corak tanaman sepanjang musim

Projek rintis ini tidak bergantung pada satu lintasan satelit sahaja. Pemerhatian dari masa ke masa digunakan untuk menangkap fenologi tanaman, iaitu perubahan rupa tanaman sepanjang kitaran tumbesarannya. Pendekatan berbilang masa ini boleh membantu membezakan popi daripada tanaman sah yang kelihatan serupa, khususnya apabila tempoh pertumbuhannya berbeza. 18

Kuva melaporkan bahawa mereka menggunakan imejan Pléiades beresolusi sangat tinggi dan pemerhatian Sentinel-2 bermusim untuk membina set rujukan popi. Oleh sebab akses ke lapangan adalah terhad, label yang diperoleh daripada tafsiran imej ini ialah batasan penting ketika menilai prestasi yang dilaporkan. 18

Langkah ketiga: dua model AI mesti sehaluan

Kuva melatih pengelas hiperspektrum menggunakan model asas Hyperfield-1, yang menurut syarikat itu telah dilatih awal menggunakan lebih 1.2 juta tampalan imej Hyperfield. Model Hyperfield dan Sentinel-2 diuji secara berasingan. Sesuatu petak hanya ditanda sebagai popi berkemungkinan apabila kedua-dua model bersetuju. 18

Peraturan persetujuan ini sengaja bersifat berhati-hati. Matlamatnya bukan untuk memaksimumkan jumlah amaran, tetapi mengurangkan positif palsu—petak yang tersilap dikenal pasti sebagai popi—kerana setiap amaran palsu boleh menggunakan masa penganalisis dan kos mendapatkan imejan resolusi tinggi.

Keputusan: 8,835 petak ditanda daripada 248,889 petak

Sistem itu mengenal pasti sempadan 248,889 petak pertanian dan menanda 8,835 sebagai ladang popi berkemungkinan, kira-kira 3.6% daripada semua petak yang dikenal pasti. 18

Kuva melaporkan ketepatan keseluruhan 75% bagi pendekatan gabungan, berbanding 71% menggunakan Sentinel-2 sahaja, di samping jumlah positif palsu yang lebih rendah. 18 Peningkatan empat mata peratusan ini paling bermakna sebagai penambahbaikan proses saringan: ia dapat menghasilkan senarai lokasi yang lebih kecil dan lebih mudah diurus untuk diperiksa.

Dalam ujian geolokasi menggunakan tiga pemandangan Hyperfield yang bertindih dengan imejan rujukan Pléiades, Kuva melaporkan ketepatan purata CE90 sebanyak 21.75 meter, bersamaan 0.87 piksel Hyperfield. Menurut syarikat itu, ketepatan tersebut mencukupi untuk memadankan pengesanan dengan petak kecil dan berpecah-pecah yang betul. 18

Mengapa pemantauan seperti ini berguna

Saringan satelit amat berguna apabila kawasan penanaman berselerak, terpencil atau sukar dimasuki. Daripada mendapatkan imejan resolusi sangat tinggi atau melakukan pemeriksaan lapangan di seluruh wilayah, penyiasat boleh menggunakan amaran popi berkemungkinan untuk menentukan lokasi yang patut diberi perhatian terlebih dahulu. 18

Asas kaedah yang sama—sempadan petak, pemerhatian berulang dan pengelasan khusus mengikut tanaman—juga relevan untuk pemantauan pertanian. Namun, model yang dilatih dan dinilai untuk popi di Helmand tidak wajar dianggap boleh berfungsi dengan andal untuk tanaman atau negara lain tanpa data latihan dan pengesahan tempatan.

Apa yang tidak dapat dibuktikan oleh rintis ini

Klasifikasi “popi berkemungkinan” bukan bukti kegiatan haram. Kuva meletakkan teknik ini sebagai alat untuk mengecilkan kawasan carian; pengesahan perlu dibuat melalui imejan beresolusi lebih tinggi, maklumat sokongan dan, jika boleh, pemeriksaan di lapangan. 18

Angka ketepatan 75% ialah keputusan rintis yang dilaporkan oleh syarikat, bukannya penilaian bebas yang diterbitkan dan disahkan melalui kerja lapangan. Label rujukannya juga bergantung pada imejan resolusi tinggi serta tafsiran bermusim dalam keadaan akses darat yang terhad. 18

Antara faktor yang boleh menyukarkan pengelasan ialah:

• petak kecil, bercampur atau sempadannya tidak jelas;
• tanaman sah yang mempunyai rupa serupa pada peringkat tumbesaran tertentu;
• awan, bayang-bayang dan perubahan keadaan tumbuhan; serta
• label rujukan yang tidak lengkap atau tidak sempurna. 18

Usaha menyamarkan tanaman, seperti memecah-pecahkan plot, tanaman selingan atau mengubah masa penanaman, juga boleh menambah kekaburan. Analisis bermusim dan tandatangan hiperspektrum menyediakan lebih banyak petunjuk berbanding satu imej pada satu tarikh, tetapi tidak menghapuskan keperluan untuk pengesahan.

Apa yang boleh meningkatkan model generasi seterusnya

Bukti bagi rintis ini menyokong penggunaan gabungan Hyperfield-1, Sentinel-2, pemetaan petak dan analisis berbilang masa. Secara berasingan, Kuva menyatakan Hyperfield-2 dirancang untuk dilancarkan pada 2026, dengan liputan spektrum yang lebih luas dan resolusi spatial yang lebih baik. 13

Namun, peningkatan ketepatan masih perlu dibuktikan. Data rujukan lapangan tempatan khususnya penting: Kuva menyatakan projek tersuai mungkin menggunakan data tersebut untuk meningkatkan ketepatan analisisnya. 29 Data lain yang lazim dicadangkan untuk pemantauan tanaman—seperti imejan radar, cuaca dan topografi—mungkin berguna, tetapi bukti yang diberikan tidak menunjukkan ia sudah menjadi komponen yang disahkan dalam aliran kerja Helmand ini.

Kesimpulan praktikalnya: satelit hiperspektrum dan AI boleh menjadikan pemantauan tanaman di kawasan luas lebih tertumpu. Ia membantu mengenal pasti petak yang wajar disiasat terlebih dahulu, manakala keputusan akhir tetap memerlukan bukti sokongan dan semakan manusia. 18