Kuva Space 喺阿富汗嘅試點顯示，衛星數據可以用嚟喺大範圍內優先篩出疑似非法作物田。公司將 Hyperfield-1 高光譜影像、Copernicus Sentinel-2 觀測、作物季節時序數據同 AI 模型結合，輸出一份值得後續核查嘅「疑似罌粟田」清單——但單靠呢份清單，唔足以證明有人非法種植。 18

喺赫爾曼德分析咗乜？

2026 年 1 月至 6 月，Kuva Space 喺阿富汗赫爾曼德地區取得 363 幅 Hyperfield-1 高光譜影像，總影像覆蓋面積為 648,450 平方公里；之後再結合 Copernicus Sentinel-2 數據同 AI 分類。 18

高光譜感測器會量度地面反射光，而且會分成大量窄嘅可見光及近紅外光譜波段。Kuva 指 Hyperfield-1 覆蓋 475 至 880 納米範圍，可按光譜特徵更仔細辨識植被同其他地表物質。 1 相比一般光學衛星影像，呢種額外光譜細節有望分辨外觀看似相近嘅作物訊號。

第一步：先畫出每一塊田

研究區冇完整、精確嘅農地田塊邊界資料。於是 Kuva 另外使用田塊劃界模型，並以 Sentinel-2 影像微調，令模型適應赫爾曼德細小、混雜、帶沙漠環境特徵嘅農田。 18

呢一步好關鍵，因為系統判斷嘅單位係一塊田，唔係單一像素。對實務工作嚟講，有清楚田塊位置，先可以安排購買更高解像度影像，或者交由其他渠道進一步核實。

第二步：睇「生長時間表」，唔係只睇一日影像

試點唔係靠衛星某一次飛過影到嘅單張相，而係比較一段時間內嘅多時相觀測。呢種做法可捕捉作物物候，即作物喺整個生長周期中外觀點樣改變；當罌粟同合法作物喺某些時段望落相似，生長節奏嘅差異就可能幫到分類。 18

Kuva 報告嘅流程亦使用超高解像度 Pléiades 影像同季節性 Sentinel-2 觀測，建立罌粟參考資料集。不過，由於當地實地取樣受限制，標籤主要由影像判讀得出；解讀結果表現時，必須記住呢個限制。 18

第三步：兩個 AI 都同意，先標記

Kuva 以自家 Hyperfield-1 基礎模型訓練高光譜分類器；公司指該基礎模型曾以超過 120 萬個 Hyperfield 影像區塊作預訓練。團隊分開評估 Hyperfield 同 Sentinel-2 模型，只有當兩個模型都判定同一田塊疑似種植罌粟，先會將佢標記。 18

呢個「雙重同意」規則取向較保守。目標唔係盡量報出最多警示，而係減少誤報——即將非罌粟田錯標成罌粟田——避免浪費分析員時間同昂貴嘅高解像影像資源。

結果：248,889 塊田之中，8,835 塊被標為疑似罌粟田

系統劃出 248,889 塊農田，當中 8,835 塊被標記為疑似罌粟田，約佔已識別田塊嘅 3.6%。 18

Kuva 表示，融合方法嘅整體準確率為 75%，相對只用 Sentinel-2 時嘅 71% 為高，而且誤報較少。 18 呢 4 個百分點提升最實際嘅意義，係改善篩選效率：令需要檢視嘅位置清單更容易處理。

喺一項定位測試中，研究比較咗 3 幅與 Pléiades 參考影像重疊嘅 Hyperfield 圖像。Kuva 報告平均 CE90 定位準確度為 21.75 米，即 0.87 個 Hyperfield 像素；公司認為，呢個精度足以將偵測結果對應返細小而零碎嘅正確田塊。 18

呢類監測點解有用？

當種植地分散、偏遠或者難以進入，衛星篩查特別有用。與其喺成個省份逐一買超高解像度影像，或者全面實地核查，調查人員可以先按疑似罌粟警示，排定下一步優先次序。 18

同一類數據流程——田塊邊界、重複觀測、針對特定作物嘅分類——亦可應用於農業監測。不過，一個喺赫爾曼德訓練同評估罌粟嘅模型，唔應該被假定喺另一個國家或另一種作物上一樣可靠；要用得準，仍需當地訓練數據同驗證。

佢證明唔到乜？

「疑似罌粟」分類唔等於非法活動嘅證據。Kuva 將技術定位為收窄搜尋範圍嘅篩查工具；最終確認應靠更高解像度影像、其他情報互相印證，以及可行情況下嘅實地核查。 18

報告中嘅 75% 準確率係公司公布嘅試點結果，並非獨立發表、並以實地資料充分驗證嘅評估。由於地面進入有限，其參考標籤依賴高解像影像及季節性判讀。 18

以下因素都會令分類更困難：

• 細小、混合種植，或者田塊邊界劃得唔準嘅土地；
• 某些生長階段外觀相似嘅合法作物；
• 雲層、陰影同植被狀況變化；以及
• 不完整或有誤差嘅參考標籤。 18

如果有人刻意將作物分散種植、間作，或者改變播種時間，模糊性亦可能增加。季節性分析同高光譜特徵的確比單日影像提供更多線索，但仍然代替唔到核實程序。

下一代模型可點樣改善？

現有試點證據支持 Hyperfield-1、Sentinel-2 數據融合、田塊劃界同多時相分析。Kuva 另外表示，Hyperfield-2 計劃於 2026 年發射，將擴大光譜覆蓋範圍並改善空間解像度。 13

不過，準確率有冇進一步提升，仍需要實際驗證。更重要嘅係增加本地「地面真值」數據，即以實地確認資料校正模型；Kuva 亦提到，客製項目可能要求提供地面真值，以提高分析準確度。 29 雷達影像、天氣同地形資料常被視為可加入作物監測嘅資料來源，但目前提供嘅證據未能證實，佢哋已經係今次赫爾曼德流程中經驗證嘅部分。

重點唔係衛星可以一錘定音，而係高光譜衛星加 AI 可令大範圍作物監測更有針對性：先揀出最值得調查嘅田，最終判定則仍要靠多重證據同人手覆核。 18

Kuva Space 喺阿富汗嘅試點顯示，衛星數據可以用嚟喺大範圍內優先篩出疑似非法作物田。公司將 Hyperfield-1 高光譜影像、Copernicus Sentinel-2 觀測、作物季節時序數據同 AI 模型結合，輸出一份值得後續核查嘅「疑似罌粟田」清單——但單靠呢份清單，唔足以證明有人非法種植。 18

喺赫爾曼德分析咗乜？

2026 年 1 月至 6 月，Kuva Space 喺阿富汗赫爾曼德地區取得 363 幅 Hyperfield-1 高光譜影像，總影像覆蓋面積為 648,450 平方公里；之後再結合 Copernicus Sentinel-2 數據同 AI 分類。 18

高光譜感測器會量度地面反射光，而且會分成大量窄嘅可見光及近紅外光譜波段。Kuva 指 Hyperfield-1 覆蓋 475 至 880 納米範圍，可按光譜特徵更仔細辨識植被同其他地表物質。 1 相比一般光學衛星影像，呢種額外光譜細節有望分辨外觀看似相近嘅作物訊號。

第一步：先畫出每一塊田

研究區冇完整、精確嘅農地田塊邊界資料。於是 Kuva 另外使用田塊劃界模型，並以 Sentinel-2 影像微調，令模型適應赫爾曼德細小、混雜、帶沙漠環境特徵嘅農田。 18

呢一步好關鍵，因為系統判斷嘅單位係一塊田，唔係單一像素。對實務工作嚟講，有清楚田塊位置，先可以安排購買更高解像度影像，或者交由其他渠道進一步核實。

第二步：睇「生長時間表」，唔係只睇一日影像

試點唔係靠衛星某一次飛過影到嘅單張相，而係比較一段時間內嘅多時相觀測。呢種做法可捕捉作物物候，即作物喺整個生長周期中外觀點樣改變；當罌粟同合法作物喺某些時段望落相似，生長節奏嘅差異就可能幫到分類。 18

Kuva 報告嘅流程亦使用超高解像度 Pléiades 影像同季節性 Sentinel-2 觀測，建立罌粟參考資料集。不過，由於當地實地取樣受限制，標籤主要由影像判讀得出；解讀結果表現時，必須記住呢個限制。 18

第三步：兩個 AI 都同意，先標記

Kuva 以自家 Hyperfield-1 基礎模型訓練高光譜分類器；公司指該基礎模型曾以超過 120 萬個 Hyperfield 影像區塊作預訓練。團隊分開評估 Hyperfield 同 Sentinel-2 模型，只有當兩個模型都判定同一田塊疑似種植罌粟，先會將佢標記。 18

呢個「雙重同意」規則取向較保守。目標唔係盡量報出最多警示，而係減少誤報——即將非罌粟田錯標成罌粟田——避免浪費分析員時間同昂貴嘅高解像影像資源。

結果：248,889 塊田之中，8,835 塊被標為疑似罌粟田

系統劃出 248,889 塊農田，當中 8,835 塊被標記為疑似罌粟田，約佔已識別田塊嘅 3.6%。 18

Kuva 表示，融合方法嘅整體準確率為 75%，相對只用 Sentinel-2 時嘅 71% 為高，而且誤報較少。 18 呢 4 個百分點提升最實際嘅意義，係改善篩選效率：令需要檢視嘅位置清單更容易處理。

喺一項定位測試中，研究比較咗 3 幅與 Pléiades 參考影像重疊嘅 Hyperfield 圖像。Kuva 報告平均 CE90 定位準確度為 21.75 米，即 0.87 個 Hyperfield 像素；公司認為，呢個精度足以將偵測結果對應返細小而零碎嘅正確田塊。 18

呢類監測點解有用？

當種植地分散、偏遠或者難以進入，衛星篩查特別有用。與其喺成個省份逐一買超高解像度影像，或者全面實地核查，調查人員可以先按疑似罌粟警示，排定下一步優先次序。 18

同一類數據流程——田塊邊界、重複觀測、針對特定作物嘅分類——亦可應用於農業監測。不過，一個喺赫爾曼德訓練同評估罌粟嘅模型，唔應該被假定喺另一個國家或另一種作物上一樣可靠；要用得準，仍需當地訓練數據同驗證。

佢證明唔到乜？

「疑似罌粟」分類唔等於非法活動嘅證據。Kuva 將技術定位為收窄搜尋範圍嘅篩查工具；最終確認應靠更高解像度影像、其他情報互相印證，以及可行情況下嘅實地核查。 18

報告中嘅 75% 準確率係公司公布嘅試點結果，並非獨立發表、並以實地資料充分驗證嘅評估。由於地面進入有限，其參考標籤依賴高解像影像及季節性判讀。 18

以下因素都會令分類更困難：

• 細小、混合種植，或者田塊邊界劃得唔準嘅土地；
• 某些生長階段外觀相似嘅合法作物；
• 雲層、陰影同植被狀況變化；以及
• 不完整或有誤差嘅參考標籤。 18

如果有人刻意將作物分散種植、間作，或者改變播種時間，模糊性亦可能增加。季節性分析同高光譜特徵的確比單日影像提供更多線索，但仍然代替唔到核實程序。

下一代模型可點樣改善？

現有試點證據支持 Hyperfield-1、Sentinel-2 數據融合、田塊劃界同多時相分析。Kuva 另外表示，Hyperfield-2 計劃於 2026 年發射，將擴大光譜覆蓋範圍並改善空間解像度。 13

不過，準確率有冇進一步提升，仍需要實際驗證。更重要嘅係增加本地「地面真值」數據，即以實地確認資料校正模型；Kuva 亦提到，客製項目可能要求提供地面真值，以提高分析準確度。 29 雷達影像、天氣同地形資料常被視為可加入作物監測嘅資料來源，但目前提供嘅證據未能證實，佢哋已經係今次赫爾曼德流程中經驗證嘅部分。

重點唔係衛星可以一錘定音，而係高光譜衛星加 AI 可令大範圍作物監測更有針對性：先揀出最值得調查嘅田，最終判定則仍要靠多重證據同人手覆核。 18