Kuva Space在阿富汗的试点展示了一种大范围筛查思路：将其Hyperfield-1高光谱卫星影像，与欧洲“哥白尼”计划的Sentinel-2观测数据、作物季节性变化信息及AI模型结合，筛出较可能种植罂粟的地块，供后续核查使用。

关键在于，这份清单不是对非法种植的定论，也不能单独作为证据；它的作用是帮助调查人员把有限资源优先投向高概率目标。18

在赫尔曼德省分析了什么

2026年1月至6月，Kuva Space的Hyperfield-1卫星在阿富汗赫尔曼德地区获取了363幅高光谱影像，累计影像覆盖面积为648,450平方公里；公司随后将这些数据与Copernicus Sentinel-2影像及AI分类方法结合。18

高光谱传感器会在大量窄波段中测量地表反射光。Kuva称，Hyperfield-1的工作波段覆盖475至880纳米，可依据光谱特征更细致地刻画植被及其他地表材料。1 相比常规光学影像，这类额外的光谱信息有望帮助系统区分外观相近的作物信号。

第一步：先把一块块农田“画出来”

试点面临的难题之一是，研究区域缺少精确的农业地块边界数据。因此，Kuva Space使用了独立的地块勾绘模型，并以Sentinel-2影像进行微调，以适应当地面积较小、类型混杂且与荒漠景观交错的农田。18

这一步很关键，因为系统评估的是完整地块，而不是单个像素。对实际工作而言，明确到某块地的位置，才便于后续订购更高分辨率影像，或安排其他验证工作。

第二步：把作物的“生长节奏”纳入判断

系统并未依赖某一天的一次卫星过境观测，而是分析不同时段的连续数据。这种多时相方法能捕捉作物物候——即作物在整个生长期中外观和状态的变化——当罂粟与合法作物在种植或成熟时间上不同，便有助于把它们区分开来。18

Kuva报告称，其罂粟参考样本由超高分辨率的Pléiades影像和季节性Sentinel-2观测共同建立。由于当地实地进入条件有限，这些标签主要来自影像判读；理解试点表现时，应将这一点纳入考量。18

第三步：只有两套AI模型都同意，才标记为疑似目标

Kuva使用其Hyperfield-1基础模型训练高光谱分类器。该公司称，这一基础模型此前已在超过120万个Hyperfield影像块上完成预训练。研究人员分别评估了Hyperfield模型和Sentinel-2模型，只有当两者对同一地块的判断一致时，才将其标为疑似罂粟田。18

这种“双重同意”规则偏向保守：它并不追求尽可能多地发出警报，而是试图压低误报率。对实际执法或调查而言，误报会消耗分析人员时间，也可能导致昂贵的高分辨率影像资源被错配。

结果：约24.9万块地中，8,835块被标记

系统共划定248,889块农业地块，其中8,835块被标记为疑似罂粟田，约占已识别地块的3.6%。18

Kuva报告称，融合方案的总体准确率为75%，而仅使用Sentinel-2数据时为71%；同时，融合方案的误报更少。18 这4个百分点的提升，更适合被理解为筛查和排序效率的改善：它可将需要人工检查的地点缩减至更易管理的范围。

在一项基于3景与Pléiades参考影像重叠的Hyperfield影像进行的定位测试中，Kuva报告平均CE90定位精度为21.75米，即0.87个Hyperfield像素。公司认为，这一精度足以将识别结果对应到那些小而破碎的正确地块。18

实际价值：不是替代核查，而是让核查更聚焦

当种植地分散、偏远或难以进入时，卫星筛查尤其有用。与其在整片省域购买超高分辨率影像、或开展大范围实地巡查，调查人员可先依据疑似罂粟田警报确定优先级，再决定下一步行动。18

类似的数据链路——地块边界、重复观测和针对特定作物的分类——同样可用于农业监测。不过，在赫尔曼德省为罂粟训练和评估的模型，不能被直接假定能在其他国家或其他作物上可靠运行；它仍需要本地训练数据和验证。

这项试点不能证明什么

“疑似罂粟”分类不是非法活动的证明。Kuva将该技术定位为缩小搜索范围的筛查工具；最终确认仍应依赖更高分辨率影像、其他情报佐证，以及在可行情况下的实地核查。18

75%的准确率是公司公布的试点结果，并非经独立发表且以实地真值验证的评估。由于实地进入受限，其参考标签依赖高分辨率影像和季节性判读。18

影响分类的因素包括：

• 地块面积小、种植混杂，或边界划分不理想；
• 某些生长阶段外观相似的合法作物；
• 云层、阴影及植被状态变化；
• 参考标签不完整或存在误差。18

刻意规避识别的做法，例如将种植地分散化、套种，或改变播种时间，也可能增加判别难度。季节性分析和高光谱特征能提供比单日影像更多的信息，但无法免除独立验证的必要。

下一代模型可如何改进

现有试点证据支持Hyperfield-1与Sentinel-2的融合、地块勾绘和多时相分析。Kuva另称，Hyperfield-2计划于2026年发射，预计具备更宽的光谱覆盖范围和更高的空间分辨率。13

但准确率是否进一步提升，仍需通过验证来证明。更丰富的本地实地真值数据尤其重要：Kuva表示，在定制项目中，可能要求客户提供地面真值数据，以提高洞察结果的准确性。29

雷达影像、气象和地形数据等也常被视为作物监测的潜在补充信息，但所提供的材料并未证明它们已是这项赫尔曼德试点中经过验证的组成部分。

这项试点最实际的结论不是“卫星能从太空定罪”，而是：高光谱卫星与AI可以让大范围作物监测更有针对性——先找出最值得调查的地块，最终判断仍须由交叉证据与人工审查完成。18

Kuva Space在阿富汗的试点展示了一种大范围筛查思路：将其Hyperfield-1高光谱卫星影像，与欧洲“哥白尼”计划的Sentinel-2观测数据、作物季节性变化信息及AI模型结合，筛出较可能种植罂粟的地块，供后续核查使用。

关键在于，这份清单不是对非法种植的定论，也不能单独作为证据；它的作用是帮助调查人员把有限资源优先投向高概率目标。18

在赫尔曼德省分析了什么

2026年1月至6月，Kuva Space的Hyperfield-1卫星在阿富汗赫尔曼德地区获取了363幅高光谱影像，累计影像覆盖面积为648,450平方公里；公司随后将这些数据与Copernicus Sentinel-2影像及AI分类方法结合。18

高光谱传感器会在大量窄波段中测量地表反射光。Kuva称，Hyperfield-1的工作波段覆盖475至880纳米，可依据光谱特征更细致地刻画植被及其他地表材料。1 相比常规光学影像，这类额外的光谱信息有望帮助系统区分外观相近的作物信号。

第一步：先把一块块农田“画出来”

试点面临的难题之一是，研究区域缺少精确的农业地块边界数据。因此，Kuva Space使用了独立的地块勾绘模型，并以Sentinel-2影像进行微调，以适应当地面积较小、类型混杂且与荒漠景观交错的农田。18

这一步很关键，因为系统评估的是完整地块，而不是单个像素。对实际工作而言，明确到某块地的位置，才便于后续订购更高分辨率影像，或安排其他验证工作。

第二步：把作物的“生长节奏”纳入判断

系统并未依赖某一天的一次卫星过境观测，而是分析不同时段的连续数据。这种多时相方法能捕捉作物物候——即作物在整个生长期中外观和状态的变化——当罂粟与合法作物在种植或成熟时间上不同，便有助于把它们区分开来。18

Kuva报告称，其罂粟参考样本由超高分辨率的Pléiades影像和季节性Sentinel-2观测共同建立。由于当地实地进入条件有限，这些标签主要来自影像判读；理解试点表现时，应将这一点纳入考量。18

第三步：只有两套AI模型都同意，才标记为疑似目标

Kuva使用其Hyperfield-1基础模型训练高光谱分类器。该公司称，这一基础模型此前已在超过120万个Hyperfield影像块上完成预训练。研究人员分别评估了Hyperfield模型和Sentinel-2模型，只有当两者对同一地块的判断一致时，才将其标为疑似罂粟田。18

这种“双重同意”规则偏向保守：它并不追求尽可能多地发出警报，而是试图压低误报率。对实际执法或调查而言，误报会消耗分析人员时间，也可能导致昂贵的高分辨率影像资源被错配。

结果：约24.9万块地中，8,835块被标记

系统共划定248,889块农业地块，其中8,835块被标记为疑似罂粟田，约占已识别地块的3.6%。18

Kuva报告称，融合方案的总体准确率为75%，而仅使用Sentinel-2数据时为71%；同时，融合方案的误报更少。18 这4个百分点的提升，更适合被理解为筛查和排序效率的改善：它可将需要人工检查的地点缩减至更易管理的范围。

在一项基于3景与Pléiades参考影像重叠的Hyperfield影像进行的定位测试中，Kuva报告平均CE90定位精度为21.75米，即0.87个Hyperfield像素。公司认为，这一精度足以将识别结果对应到那些小而破碎的正确地块。18

实际价值：不是替代核查，而是让核查更聚焦

当种植地分散、偏远或难以进入时，卫星筛查尤其有用。与其在整片省域购买超高分辨率影像、或开展大范围实地巡查，调查人员可先依据疑似罂粟田警报确定优先级，再决定下一步行动。18

类似的数据链路——地块边界、重复观测和针对特定作物的分类——同样可用于农业监测。不过，在赫尔曼德省为罂粟训练和评估的模型，不能被直接假定能在其他国家或其他作物上可靠运行；它仍需要本地训练数据和验证。

这项试点不能证明什么

“疑似罂粟”分类不是非法活动的证明。Kuva将该技术定位为缩小搜索范围的筛查工具；最终确认仍应依赖更高分辨率影像、其他情报佐证，以及在可行情况下的实地核查。18

75%的准确率是公司公布的试点结果，并非经独立发表且以实地真值验证的评估。由于实地进入受限，其参考标签依赖高分辨率影像和季节性判读。18

影响分类的因素包括：

• 地块面积小、种植混杂，或边界划分不理想；
• 某些生长阶段外观相似的合法作物；
• 云层、阴影及植被状态变化；
• 参考标签不完整或存在误差。18

刻意规避识别的做法，例如将种植地分散化、套种，或改变播种时间，也可能增加判别难度。季节性分析和高光谱特征能提供比单日影像更多的信息，但无法免除独立验证的必要。

下一代模型可如何改进

现有试点证据支持Hyperfield-1与Sentinel-2的融合、地块勾绘和多时相分析。Kuva另称，Hyperfield-2计划于2026年发射，预计具备更宽的光谱覆盖范围和更高的空间分辨率。13

但准确率是否进一步提升，仍需通过验证来证明。更丰富的本地实地真值数据尤其重要：Kuva表示，在定制项目中，可能要求客户提供地面真值数据，以提高洞察结果的准确性。29

雷达影像、气象和地形数据等也常被视为作物监测的潜在补充信息，但所提供的材料并未证明它们已是这项赫尔曼德试点中经过验证的组成部分。

这项试点最实际的结论不是“卫星能从太空定罪”，而是：高光谱卫星与AI可以让大范围作物监测更有针对性——先找出最值得调查的地块，最终判断仍须由交叉证据与人工审查完成。18