Kuva Space 在阿富汗的試點，展示的不是「衛星一眼就能定罪」，而是一套可在廣大區域內優先篩出疑似非法作物田區的工作流程。該公司將 Hyperfield-1 高光譜衛星影像、歐盟哥白尼計畫的 Sentinel-2 觀測資料、作物生長時序資料與人工智慧模型結合，產出一份「可能是罌粟」的地塊清單，供後續查核使用；這些結果本身並不足以證明存在非法種植。18

先看規模：半年蒐集 363 張高光譜影像

2026 年 1 月至 6 月間，Kuva Space 的 Hyperfield-1 衛星在阿富汗赫爾曼德地區取得 363 張高光譜影像，累計影像覆蓋面積達 648,450 平方公里；資料再與 Copernicus Sentinel-2 影像及 AI 分類系統整合。18

高光譜感測器會量測地表反射光的許多狹窄波段。Kuva 表示，Hyperfield-1 的觀測範圍為 475 至 880 奈米，涵蓋可見光與近紅外光，可依不同物質的光譜特性細緻辨識植被及其他地表材料。1 相較一般光學衛星影像，這種額外的光譜細節可望協助區分外觀看似相近、但光譜訊號不同的作物。

第一步：沒有現成田界，就先畫出地塊

這項研究的一大難題，是當地缺乏精確的農業地塊邊界資料。因此，Kuva 另行使用地塊劃界模型，並以 Sentinel-2 影像針對赫爾曼德省小型、異質且夾雜沙漠地貌的農田進行微調。18

這一步相當關鍵：系統判讀的是一塊田，而非單一像素。對實務人員而言，有明確邊界與座標的地塊，才能據以購買更高解析度影像，或安排其他驗證工作。

第二步：不只看一張影像，也看作物一季的變化

試點並非依賴單次衛星過境，而是比對不同時間的觀測結果。這種多時相分析可捕捉作物的「物候」——也就是作物在整個生長週期中外觀與光譜特徵的變化；當罌粟與合法作物在生長時程上有差異時，便有助於區分兩者。18

Kuva 報告指出，團隊利用超高解析度的 Pléiades 影像與季節性 Sentinel-2 觀測建立罌粟參考資料集。不過，當地實地取樣受限，這些標籤主要來自影像判讀；因此解讀其準確率時，必須保留這項限制。18

第三步：兩套 AI 都同意，才標示為疑似罌粟

Kuva 以 Hyperfield-1 基礎模型訓練高光譜分類器；公司表示，該模型預先使用超過 120 萬個 Hyperfield 影像區塊訓練。接著，研究分別評估 Hyperfield 與 Sentinel-2 模型，只有當兩套模型對同一地塊都做出相同判斷時，才將該地塊標記為疑似罌粟田。18

這種「雙模型同意」規則採取較保守的策略。目標並非盡可能增加警示數量，而是降低誤報——也就是把非罌粟田錯判為罌粟田的情況，避免耗費有限的分析時間與高解析影像預算。

結果：248,889 塊農地中，8,835 塊被標記

系統共劃分出 248,889 塊農業地塊，其中 8,835 塊被標記為疑似罌粟田，約占已辨識地塊的 3.6%。18

Kuva 報告稱，整合方法的整體準確率為 75%，高於僅使用 Sentinel-2 的 71%，且誤報較少。18 這 4 個百分點的提升，實務意義主要在於改善篩檢與排序：讓後續人員面對一份更小、較容易處理的待查清單。

在定位測試中，研究以 3 幅與 Pléiades 參考影像重疊的 Hyperfield 場景評估，得到平均 CE90 定位精度 21.75 公尺，相當於 0.87 個 Hyperfield 像素。Kuva 認為，這足以把偵測結果對應到正確的小型、破碎田區。18

實際價值：不是取代調查，而是讓調查更精準

當種植地點分散、偏遠或不易進入時，衛星篩檢特別有用。相較於為整個省份取得超高解析度影像，或大規模進行實地查核，調查人員可先根據疑似罌粟警示，決定哪些地點應優先進入下一階段。18

相同的基本資料流程——田區邊界、重複觀測與作物專屬分類——也可應用於農業監測。不過，針對赫爾曼德罌粟訓練與評估的模型，不能假定在其他國家或其他作物上也會可靠運作；仍需取得當地訓練資料並重新驗證。

必須釐清：疑似罌粟田，不是違法種植的證明

「疑似罌粟」分類不是非法活動的證據。Kuva 將這項技術定位為縮小搜尋範圍的篩檢工具；最終確認仍應依靠更高解析度影像、其他佐證情報，以及在可行情況下進行實地查核。18

此外，75% 準確率是公司公布的試點結果，並非獨立發表、且經實地驗證的評估。由於實地進入受限，參考標籤仰賴高解析影像與季節性判讀建立。18

可能干擾分類的因素包括：

• 田區狹小、混作，或邊界劃分不完整；
• 某些生長階段外觀相似的合法作物；
• 雲層、陰影與植被狀態變化；以及
• 不完整或存在誤差的參考標籤。18

若刻意採取隱蔽方式，例如將作物分散種植、與其他作物混種，或改變播種時間，也可能提高辨識難度。多時相資料與高光譜特徵確實比單日影像提供更多線索，但無法免除獨立驗證的必要。

下一代系統能如何改善？

現有試點證據支持 Hyperfield-1、Sentinel-2 資料融合、地塊劃界與多時相分析的做法。Kuva 另稱，Hyperfield-2 預定於 2026 年發射，將擴大光譜覆蓋範圍並提升空間解析度。13

但是否能進一步提升準確率，仍須以實測結果證明。尤其是更多在地「地面真值」資料十分重要；Kuva 也提到，客製專案可能要求合作方提供地面真值資料，以提高分析洞見的準確性。29 雷達影像、天氣與地形資料常被視為作物監測的潛在輔助資訊，但目前提供的證據尚不足以證明它們已是這項赫爾曼德工作流程中經驗證的部分。

關鍵結論是務實的：高光譜衛星與 AI 可以讓大範圍作物監測更聚焦，協助找出最值得優先調查的田區；但最終判定仍須由其他證據與人工審查共同完成。18

Kuva Space 在阿富汗的試點，展示的不是「衛星一眼就能定罪」，而是一套可在廣大區域內優先篩出疑似非法作物田區的工作流程。該公司將 Hyperfield-1 高光譜衛星影像、歐盟哥白尼計畫的 Sentinel-2 觀測資料、作物生長時序資料與人工智慧模型結合，產出一份「可能是罌粟」的地塊清單，供後續查核使用；這些結果本身並不足以證明存在非法種植。18

先看規模：半年蒐集 363 張高光譜影像

2026 年 1 月至 6 月間，Kuva Space 的 Hyperfield-1 衛星在阿富汗赫爾曼德地區取得 363 張高光譜影像，累計影像覆蓋面積達 648,450 平方公里；資料再與 Copernicus Sentinel-2 影像及 AI 分類系統整合。18

高光譜感測器會量測地表反射光的許多狹窄波段。Kuva 表示，Hyperfield-1 的觀測範圍為 475 至 880 奈米，涵蓋可見光與近紅外光，可依不同物質的光譜特性細緻辨識植被及其他地表材料。1 相較一般光學衛星影像，這種額外的光譜細節可望協助區分外觀看似相近、但光譜訊號不同的作物。

第一步：沒有現成田界，就先畫出地塊

這項研究的一大難題，是當地缺乏精確的農業地塊邊界資料。因此，Kuva 另行使用地塊劃界模型，並以 Sentinel-2 影像針對赫爾曼德省小型、異質且夾雜沙漠地貌的農田進行微調。18

這一步相當關鍵：系統判讀的是一塊田，而非單一像素。對實務人員而言，有明確邊界與座標的地塊，才能據以購買更高解析度影像，或安排其他驗證工作。

第二步：不只看一張影像，也看作物一季的變化

試點並非依賴單次衛星過境，而是比對不同時間的觀測結果。這種多時相分析可捕捉作物的「物候」——也就是作物在整個生長週期中外觀與光譜特徵的變化；當罌粟與合法作物在生長時程上有差異時，便有助於區分兩者。18

Kuva 報告指出，團隊利用超高解析度的 Pléiades 影像與季節性 Sentinel-2 觀測建立罌粟參考資料集。不過，當地實地取樣受限，這些標籤主要來自影像判讀；因此解讀其準確率時，必須保留這項限制。18

第三步：兩套 AI 都同意，才標示為疑似罌粟

Kuva 以 Hyperfield-1 基礎模型訓練高光譜分類器；公司表示，該模型預先使用超過 120 萬個 Hyperfield 影像區塊訓練。接著，研究分別評估 Hyperfield 與 Sentinel-2 模型，只有當兩套模型對同一地塊都做出相同判斷時，才將該地塊標記為疑似罌粟田。18

這種「雙模型同意」規則採取較保守的策略。目標並非盡可能增加警示數量，而是降低誤報——也就是把非罌粟田錯判為罌粟田的情況，避免耗費有限的分析時間與高解析影像預算。

結果：248,889 塊農地中，8,835 塊被標記

系統共劃分出 248,889 塊農業地塊，其中 8,835 塊被標記為疑似罌粟田，約占已辨識地塊的 3.6%。18

Kuva 報告稱，整合方法的整體準確率為 75%，高於僅使用 Sentinel-2 的 71%，且誤報較少。18 這 4 個百分點的提升，實務意義主要在於改善篩檢與排序：讓後續人員面對一份更小、較容易處理的待查清單。

在定位測試中，研究以 3 幅與 Pléiades 參考影像重疊的 Hyperfield 場景評估，得到平均 CE90 定位精度 21.75 公尺，相當於 0.87 個 Hyperfield 像素。Kuva 認為，這足以把偵測結果對應到正確的小型、破碎田區。18

實際價值：不是取代調查，而是讓調查更精準

當種植地點分散、偏遠或不易進入時，衛星篩檢特別有用。相較於為整個省份取得超高解析度影像，或大規模進行實地查核，調查人員可先根據疑似罌粟警示，決定哪些地點應優先進入下一階段。18

相同的基本資料流程——田區邊界、重複觀測與作物專屬分類——也可應用於農業監測。不過，針對赫爾曼德罌粟訓練與評估的模型，不能假定在其他國家或其他作物上也會可靠運作；仍需取得當地訓練資料並重新驗證。

必須釐清：疑似罌粟田，不是違法種植的證明

「疑似罌粟」分類不是非法活動的證據。Kuva 將這項技術定位為縮小搜尋範圍的篩檢工具；最終確認仍應依靠更高解析度影像、其他佐證情報，以及在可行情況下進行實地查核。18

此外，75% 準確率是公司公布的試點結果，並非獨立發表、且經實地驗證的評估。由於實地進入受限，參考標籤仰賴高解析影像與季節性判讀建立。18

可能干擾分類的因素包括：

• 田區狹小、混作，或邊界劃分不完整；
• 某些生長階段外觀相似的合法作物；
• 雲層、陰影與植被狀態變化；以及
• 不完整或存在誤差的參考標籤。18

若刻意採取隱蔽方式，例如將作物分散種植、與其他作物混種，或改變播種時間，也可能提高辨識難度。多時相資料與高光譜特徵確實比單日影像提供更多線索，但無法免除獨立驗證的必要。

下一代系統能如何改善？

現有試點證據支持 Hyperfield-1、Sentinel-2 資料融合、地塊劃界與多時相分析的做法。Kuva 另稱，Hyperfield-2 預定於 2026 年發射，將擴大光譜覆蓋範圍並提升空間解析度。13

但是否能進一步提升準確率，仍須以實測結果證明。尤其是更多在地「地面真值」資料十分重要；Kuva 也提到，客製專案可能要求合作方提供地面真值資料，以提高分析洞見的準確性。29 雷達影像、天氣與地形資料常被視為作物監測的潛在輔助資訊，但目前提供的證據尚不足以證明它們已是這項赫爾曼德工作流程中經驗證的部分。

關鍵結論是務實的：高光譜衛星與 AI 可以讓大範圍作物監測更聚焦，協助找出最值得優先調查的田區；但最終判定仍須由其他證據與人工審查共同完成。18