AnswersPublished14 sources
Slik brukte Kuva Space satellitter til å finne sannsynlige valmueåkre
Kuva Space kartla 248 889 jordbruksparseller i Helmand og flagget 8 835 som sannsynlige åkre med opiumsvalmue. Arbeidsflyten kombinerte avgrensing av åkerparseller fra Sentinel 2 bilder, observasjoner gjennom vekstsesongen og to separate KI modeller som begge måtte være enige.
Publisert avRedigert med GPT-5.6 TerraBilder generert med GPT Image 2
Research answer
Key takeaways
- Kuva Space kartla 248 889 jordbruksparseller i Helmand og flagget 8 835 som sannsynlige åkre med opiumsvalmue.
- Arbeidsflyten kombinerte avgrensing av åkerparseller fra Sentinel 2 bilder, observasjoner gjennom vekstsesongen og to separate KI modeller som begge måtte være enige.
- Den viktigste gevinsten er prioritering: Analysen kan rette dyr høyoppløselig avbildning, analytikerarbeid og feltkontroller mot færre og mer sannsynlige steder.
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
Kuva Space har testet en metode for å prioritere åkre som kan inneholde ulovlige vekster, over store områder. I Helmand i Afghanistan kombinerte selskapet hyperspektrale bilder fra Hyperfield-1 med observasjoner fra Copernicus Sentinel-2, data fra ulike tidspunkter i vekstsesongen og KI-modeller.
Resultatet var en liste over sannsynlige valmueparseller som kunne følges opp videre. En slik klassifisering er ikke i seg selv bevis på ulovlig dyrking. 18
Dette ble analysert i Helmand
Mellom januar og juni 2026 samlet Kuva Space inn 363 hyperspektrale bilder fra Hyperfield-1 over Helmand-regionen. Bildene tilsvarte en samlet dekningsflate på 648 450 km². Dataene ble kombinert med Copernicus Sentinel-2 – EUs offentlige jordobservasjonsprogram – og KI-basert klassifisering. 18
Hyperspektrale sensorer måler reflektert lys i mange smale bånd i det synlige og nærinfrarøde spekteret. Ifølge NASA opererer Hyperfield-1 i området 475–880 nanometer. Det gir mer detaljert informasjon om vegetasjon og andre materialer på bakken enn vanlige optiske satellittbilder. 1
Først: Kartlegge hvert enkelt jorde
En utfordring var at det ikke fantes presise grenser for jordbruksparsellene i studieområdet. Kuva Space tok derfor i bruk en egen modell som avgrenser åkre, finjustert med Sentinel-2-data for små og sammensatte åkre i Helmands ørkenpregede landskap. 18
Det er vesentlig fordi systemet vurderte åkerparseller, ikke enkeltpiksler. For en etterforsker eller analytiker er en konkret avgrenset lokalitet langt mer anvendelig enn en løs markering i et satellittbilde: Den kan brukes til å bestille skarpere bilder eller planlegge annen kontroll.
Deretter: Se på vekstsesongen, ikke ett enkelt bilde
Piloten bygget på observasjoner fra flere tidspunkt. Slik flertidsovervåking fanger opp plantenes utvikling gjennom sesongen – ofte kalt fenologi – og kan bidra til å skille valmue fra lovlige vekster som kan se like ut på ett bestemt tidspunkt. 18
Kuva Space brukte høyoppløselige Pléiades-bilder og sesongbaserte Sentinel-2-observasjoner for å etablere et referansegrunnlag for valmue. Den begrensede tilgangen til feltkontroller er en viktig reservasjon ved tolkningen av resultatene: Referansemerkingen var basert på bildeanalyse, ikke omfattende bekreftelse på bakken. 18
To KI-modeller måtte være enige
Selskapet trente en hyperspektral klassifiseringsmodell med utgangspunkt i sin Hyperfield-1-grunnmodell, som ifølge Kuva Space var forhåndstrent på mer enn 1,2 millioner bildeutsnitt. Hyperfield- og Sentinel-2-modellene ble vurdert hver for seg. En parsell ble bare flagget som sannsynlig valmueåker når begge modellene kom til samme resultat. 18
Denne regelen er bevisst forsiktig. Målet er ikke å få flest mulig varsler, men å redusere falske positive funn – åkre som feilaktig pekes ut som valmue. Slike feil kan bruke opp både analysetid og budsjett til kostbar høyoppløselig avbildning.
Resultatet: 8 835 flaggede åkre
Systemet avgrenset 248 889 jordbruksparseller og flagget 8 835 som sannsynlige valmueåkre. Det tilsvarer om lag 3,6 prosent av de identifiserte åkrene. 18
Kuva Space oppga en samlet treffsikkerhet på 75 prosent for den kombinerte metoden, mot 71 prosent med Sentinel-2 alene, og samtidig færre falske positive funn. 18 Forbedringen på fire prosentpoeng er først og fremst nyttig som et verktøy for grovsortering: Den kan gjøre listen over steder som bør kontrolleres, mer håndterlig.
I en test av stedfesting, basert på tre Hyperfield-scener som overlappet med Pléiades-referansebilder, oppga selskapet en gjennomsnittlig CE90-nøyaktighet på 21,75 meter, tilsvarende 0,87 Hyperfield-piksler. Kuva Space mener dette var presist nok til å knytte funn til riktige, små og oppdelte åkre. 18
Hvorfor metoden kan være nyttig
Satellittbasert grovsortering er særlig aktuell når dyrking er spredt, ligger avsides eller er vanskelig å undersøke på bakken. I stedet for å kjøpe svært høyoppløselige bilder eller gjennomføre feltkontroller for en hel provins, kan analytikere bruke varsler om sannsynlig valmue til å prioritere neste kontrollsteg. 18
Den samme grunnleggende prosessen – åkergrenser, gjentatte observasjoner og vekstspesifikk klassifisering – kan også være relevant for lovlig landbruksovervåking. Men en modell som er trent og vurdert for valmue i Helmand, kan ikke uten videre forventes å fungere like godt for andre vekster eller i andre land uten lokale treningsdata og validering.
Dette beviser ikke piloten
En klassifisering som «sannsynlig valmue» er ikke bevis på ulovlig aktivitet. Kuva Space omtaler teknologien som et verktøy for å snevre inn søkeområdet. Bekreftelse bør bygge på bilder med høyere oppløsning, annen etterretningsinformasjon og, når det er mulig, kontroller i felt. 18
Den oppgitte treffsikkerheten på 75 prosent er dessuten et resultat rapportert av selskapet fra en pilot, ikke en uavhengig publisert vurdering med omfattende feltvalidering. Referansemerkingen bygget på høyoppløselige bilder og tolkning av sesongdata i et område med begrenset tilgang på bakken. 18
Flere forhold kan gjøre klassifiseringen vanskeligere:
- små, blandede eller svakt avgrensede åkre
- lovlige vekster som ligner på valmue i bestemte utviklingsfaser
- skyer, skygge og endringer i vegetasjonen
- ufullstendige eller feilaktige referansedata.
18
Bevisst skjuling – for eksempel oppdeling i mindre parseller, samplanting med andre vekster eller endret såtidspunkt – kan skape ytterligere usikkerhet. Analyse av vekstsesong og hyperspektrale signaturer gir mer informasjon enn et bilde fra én dato, men erstatter ikke uavhengig kontroll.
Hva som kan forbedre neste generasjon
Det foreliggende materialet dokumenterer kombinasjonen av Hyperfield-1, Sentinel-2, parsellavgrensing og flertidsovervåking. Kuva Space opplyser separat at Hyperfield-2 er planlagt skutt opp i 2026, med utvidet spektraldekning og bedre romlig oppløsning. 13
Eventuelle forbedringer i treffsikkerheten må likevel vises i nye tester. Mer lokale data fra bakken er særlig viktig. Kuva Space opplyser selv at skreddersydde prosjekter kan benytte slike referansedata for å forbedre nøyaktigheten i analysene. 29
Radarbilder, værdata og terrengdata blir ofte trukket fram som mulige tillegg i vekstovervåking, men kildematerialet viser ikke at disse inngikk som validerte deler av arbeidsflyten i Helmand.
Hovedpoenget er derfor praktisk, ikke absolutt: Hyperspektrale satellitter og KI kan gjøre overvåkingen av store områder mer målrettet. De kan peke ut åkre det er mest relevant å undersøke først, mens en endelig konklusjon fortsatt krever flere kilder og menneskelig vurdering. 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 "Slik brukte Kuva Space satellitter til å finne sannsynlige valmueåkre"?
Kuva Space kartla 248 889 jordbruksparseller i Helmand og flagget 8 835 som sannsynlige åkre med opiumsvalmue.
What are the key points to validate first?
Kuva Space kartla 248 889 jordbruksparseller i Helmand og flagget 8 835 som sannsynlige åkre med opiumsvalmue. Arbeidsflyten kombinerte avgrensing av åkerparseller fra Sentinel 2 bilder, observasjoner gjennom vekstsesongen og to separate KI modeller som begge måtte være enige.
What should I do next in practice?
Den viktigste gevinsten er prioritering: Analysen kan rette dyr høyoppløselig avbildning, analytikerarbeid og feltkontroller mot færre og mer sannsynlige steder.
Sources
science.nasa.govCSDA Vendor - Kuva Space - NASA Science