AnswersPublished14 sources
Kuva Space, Afganistan’da Olası Haşhaş Tarlalarını Uydudan Nasıl Belirledi?
Kuva Space’in Helmand pilotu 248.889 tarım parselini taradı ve bunların 8.835’ini olası afyon haşhaşı tarlası olarak işaretledi. Yöntem, önce Sentinel 2 görüntülerinden küçük parsellerin sınırlarını çıkardı; ardından mevsimsel gözlemler ile ayrı hyperspektral ve çok bantlı yapay zekâ modellerini birlikte kullandı.
YayımlayanGPT-5.6 Terra ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- Kuva Space’in Helmand pilotu 248.889 tarım parselini taradı ve bunların 8.835’ini olası afyon haşhaşı tarlası olarak işaretledi.
- Yöntem, önce Sentinel 2 görüntülerinden küçük parsellerin sınırlarını çıkardı; ardından mevsimsel gözlemler ile ayrı hyperspektral ve çok bantlı yapay zekâ modellerini birlikte kullandı.
- Sistemin asıl işlevi eleme yapmak: pahalı yüksek çözünürlüklü görüntüleme, analist incelemesi ve saha doğrulaması için daha olası konumlara öncelik vermek.
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’in Afganistan’daki pilot çalışması, uydu verilerinin bölgesel ölçekte şüpheli yasa dışı ürün ekim alanlarını önceliklendirmek için nasıl kullanılabileceğini gösteriyor. Şirket; Hyperfield-1 hyperspektral görüntülerini Copernicus Sentinel-2 gözlemleri, ürünlerin mevsimsel gelişim takvimi ve yapay zekâ modelleriyle birleştirdi. Sonuç, takip incelemesi için olası haşhaş parsellerinin listesi oldu; bu işaretleme tek başına yasa dışı ekimin kanıtı sayılmıyor. 18
Helmand’da ne incelendi?
Kuva Space, Ocak-Haziran 2026 döneminde Afganistan’ın Helmand bölgesinde 363 Hyperfield-1 hyperspektral görüntüsü topladı. Görüntülerin toplam kapsama alanı 648.450 km² oldu. Veriler, Avrupa Birliği’nin Dünya gözlem programı Copernicus’un Sentinel-2 görüntüleri ve yapay zekâ tabanlı sınıflandırmayla birleştirildi. 18
Hyperspektral sensörler, görünür ışık ve yakın kızılötesi bölgede çok sayıda dar banttaki yansımayı ölçer. Kuva’ya göre Hyperfield-1, 475-880 nm aralığında çalışıyor; bu sayede bitki örtüsü ve diğer yüzey materyalleri, kendilerine özgü spektral özellikleri üzerinden daha ayrıntılı biçimde tanımlanabiliyor. 1 Bu ek spektral ayrıntı, klasik optik görüntülerde birbirine benzeyebilen ürünlerin sinyallerini ayırmayı hedefliyor.
İlk adım: Tek tek tarla parsellerini haritalamak
Çalışma alanı için hassas tarım parseli sınırları mevcut değildi. Bu nedenle Kuva, Helmand’daki küçük, birbirinden farklı ve çöl dokusuyla iç içe geçmiş tarlalara göre Sentinel-2 verileriyle uyarlanmış ayrı bir parsel sınırlandırma modeli kullandı. 18
Bu aşama kritik önem taşıyor; sistem tekil pikselleri değil, tarla parsellerini değerlendiriyor. Operasyonel açıdan da bu daha kullanışlı: İnceleme yapacak ekibin, daha yüksek çözünürlüklü görüntü sipariş etmek veya başka doğrulama adımlarını başlatmak için belirli bir konuma ihtiyacı var.
İkinci adım: Spektral veriyi ürünün mevsimsel döngüsüyle birleştirmek
Pilot çalışma tek bir uydu geçişine dayanmadı; zaman içindeki birden çok gözlem kullanıldı. Bu çok zamanlı yaklaşım, ürün fenolojisini, yani bitkinin büyüme döngüsü boyunca görünümünde yaşanan değişimleri yakalıyor. Ürünlerin gelişim ve hasat zamanları farklılaştığında, bu veri haşhaşı görsel olarak benzer yasal ürünlerden ayırmaya yardımcı olabilir. 18
Kuva’nın aktardığı iş akışında, haşhaş için referans veri seti oluşturmak üzere çok yüksek çözünürlüklü Pléiades görüntüleri ile mevsim boyunca alınmış Sentinel-2 gözlemleri kullanıldı. Sahaya erişimin sınırlı olması nedeniyle, bu etiketlerin görüntü yorumuna dayandığı hususu, bildirilen performansı değerlendirirken önemli bir sınırlama oluşturuyor. 18
Üçüncü adım: İki yapay zekâ modelinin ortak kararını beklemek
Kuva, hyperspektral sınıflandırıcıyı Hyperfield-1 temel modeli üzerinde eğitti. Şirket, bu temel modelin 1,2 milyondan fazla Hyperfield görüntü parçasıyla önceden eğitildiğini belirtiyor. Hyperfield ve Sentinel-2 modelleri ayrı ayrı değerlendirildi; bir parsel ancak her iki model de aynı sonuca vardığında olası haşhaş olarak işaretlendi. 18
Bu ortak karar kuralı, temkinli bir yaklaşım olarak tasarlandı. Amaç mümkün olduğunca çok uyarı üretmek değil; haşhaş olmadığı hâlde haşhaş diye işaretlenen alanları, yani yanlış pozitifleri azaltmak. Bu da kısıtlı analist zamanının ve maliyetli yüksek çözünürlüklü görüntüleme kaynaklarının daha verimli kullanılmasını sağlayabilir.
Sonuçlar: 248.889 parselden 8.835’i işaretlendi
Sistem 248.889 tarım parseli belirledi ve 8.835’ini olası haşhaş tarlası olarak işaretledi. Bu, tanımlanan tarlaların yaklaşık %3,6’sına karşılık geliyor. 18
Kuva, birleşik yaklaşım için %75 genel doğruluk oranı bildirdi. Yalnızca Sentinel-2 kullanılan yaklaşımda bu oran %71’di; şirket ayrıca yanlış pozitiflerin de azaldığını söyledi. 18 Dört puanlık fark, esas olarak bir ön eleme aracı açısından anlam taşıyor: İncelenmesi gereken yerlerin listesini daha yönetilebilir hâle getirebilir.
Pléiades referans görüntüleriyle çakışan üç Hyperfield sahnesi üzerinden yapılan konum doğruluğu testinde şirket, ortalama CE90 doğruluğunu 21,75 metre ya da 0,87 Hyperfield pikseli olarak açıkladı. Kuva’ya göre bu hassasiyet, tespitleri küçük ve parçalı tarlalarla eşleştirmek için yeterliydi. 18
Bu tür izleme ne işe yarar?
Uydu tabanlı ön tarama, ekimin dağınık olduğu, uzak bölgelerde yapıldığı ya da sahaya erişimin zor olduğu durumlarda özellikle yararlı olabilir. Bir ilin tamamı için çok yüksek çözünürlüklü görüntü almak veya saha kontrolü yapmak yerine, soruşturmacılar olası haşhaş uyarılarını bir sonraki adımın önceliklerini belirlemek için kullanabilir. 18
Aynı temel veri zinciri — parsel sınırları, tekrarlı gözlemler ve ürüne özel sınıflandırma — tarımsal izleme uygulamalarında da kullanılabilir. Ancak Helmand’da haşhaş için eğitilmiş ve değerlendirilmiş bir modelin, yerel eğitim verisi ve doğrulama yapılmadan başka bir ülkede ya da farklı bir üründe güvenilir biçimde çalışacağı varsayılamaz.
Pilot çalışma neyi kanıtlamıyor?
Bir tarlanın “olası haşhaş” diye sınıflandırılması, yasa dışı faaliyet kanıtı değildir. Kuva bu tekniği arama alanını daraltan bir tarama aracı olarak tanımlıyor. Kesinleştirme için daha yüksek çözünürlüklü görüntüler, destekleyici istihbarat ve mümkünse saha kontrolleri gerekiyor. 18
Bildirilmiş %75 doğruluk oranı, şirketin açıkladığı bir pilot çalışma sonucu; bağımsız biçimde yayımlanmış, saha verisiyle doğrulanmış bir değerlendirme değil. Referans etiketleri, sahaya erişimin sınırlı olduğu ortamda yüksek çözünürlüklü görüntülere ve mevsimsel yorumlamaya dayanıyordu. 18
Sınıflandırmayı zorlaştırabilecek etkenler arasında şunlar bulunuyor:
- küçük, karışık ya da sınırları net çizilememiş parseller;
- belirli gelişim evrelerinde haşhaşa benzeyen yasal ürünler;
- bulut, gölge ve değişen bitki örtüsü koşulları;
- eksik veya kusurlu referans etiketleri.
18
Parselleri bölmek, farklı ürünleri aynı tarlada birlikte yetiştirmek ya da ekim zamanını değiştirmek gibi kasıtlı gizleme yöntemleri de belirsizliği artırabilir. Mevsimsel analiz ve hyperspektral imzalar tek tarihli bir görüntüden daha fazla bilgi sunar; ancak doğrulama ihtiyacını ortadan kaldırmaz.
Sonraki modelleri ne geliştirebilir?
Bu pilot için mevcut kanıtlar; Hyperfield-1, Sentinel-2 ile veri birleştirme, parsel sınırlandırma ve çok zamanlı analizi destekliyor. Kuva ayrıca Hyperfield-2’nin 2026’da fırlatılmasının planlandığını; yeni neslin daha geniş spektral kapsama ve daha iyi mekânsal çözünürlük sunacağını belirtiyor. 13
Bununla birlikte, ek doğruluk kazanımlarının ayrıca gösterilmesi gerekiyor. Yerel saha doğrulama verileri özellikle önemli. Kuva, özel projelerde içgörülerin doğruluğunu artırmak için müşterilerden yer gerçeği verisi istenebileceğini ifade ediyor. 29 Radar görüntüleri, hava durumu ve arazi verileri gibi başka girdiler ürün izleme için potansiyel olarak faydalı olabilir; ancak sunulan kanıtlar bunların Helmand iş akışının doğrulanmış parçaları olduğunu göstermiyor.
Temel sonuç mutlak bir tespit iddiasından çok pratik bir faydaya işaret ediyor: Hyperspektral uydular ve yapay zekâ, geniş alanlardaki ürün izlemeyi daha hedefli hâle getirebilir. Hangi tarlaların önce incelenmesi gerektiğini gösterebilir; nihai değerlendirme ise destekleyici kanıtlar ve insan denetimi gerektirir. 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 "Kuva Space, Afganistan’da Olası Haşhaş Tarlalarını Uydudan Nasıl Belirledi?"?
Kuva Space’in Helmand pilotu 248.889 tarım parselini taradı ve bunların 8.835’ini olası afyon haşhaşı tarlası olarak işaretledi.
What are the key points to validate first?
Kuva Space’in Helmand pilotu 248.889 tarım parselini taradı ve bunların 8.835’ini olası afyon haşhaşı tarlası olarak işaretledi. Yöntem, önce Sentinel 2 görüntülerinden küçük parsellerin sınırlarını çıkardı; ardından mevsimsel gözlemler ile ayrı hyperspektral ve çok bantlı yapay zekâ modellerini birlikte kullandı.
What should I do next in practice?
Sistemin asıl işlevi eleme yapmak: pahalı yüksek çözünürlüklü görüntüleme, analist incelemesi ve saha doğrulaması için daha olası konumlara öncelik vermek.
Sources
science.nasa.govCSDA Vendor - Kuva Space - NASA Science