芬蘭航天企業(yè)庫瓦空間(Kuva Space)近日公布了一項(xiàng)針對(duì)非法作物的太空監(jiān)測(cè)試點(diǎn)成果。該公司聯(lián)合歐洲某安全機(jī)構(gòu)，在阿富汗赫爾曼德省部署了超場(chǎng)一號(hào)(Hyperfield-1)高光譜衛(wèi)星數(shù)據(jù)與自研人工智能分類模型，成功實(shí)現(xiàn)對(duì)超64萬平方公里農(nóng)田的自動(dòng)化篩查，將傳統(tǒng)遙感識(shí)別準(zhǔn)確率提升至75%，并顯著降低誤報(bào)率。

此次試點(diǎn)周期為2026年1月至6月。期間，庫瓦空間的高光譜衛(wèi)星共采集363幅影像，覆蓋面積達(dá)648,450平方公里。由于阿富汗缺乏的田塊邊界數(shù)據(jù)，技術(shù)團(tuán)隊(duì)引入基于哨兵二號(hào)(Sentinel-2)數(shù)據(jù)微調(diào)的地塊分割模型，結(jié)合多光譜衛(wèi)星影像進(jìn)行交叉驗(yàn)證。系統(tǒng)Zui終識(shí)別出248,889個(gè)農(nóng)業(yè)地塊，其中8,835個(gè)被判定為疑似種植區(qū)，占比約3.6%。在綜合精度上，高光譜與多光譜融合模型達(dá)到75%，較單獨(dú)使用哨兵二號(hào)的71%提升4個(gè)百分點(diǎn)，同時(shí)有效過濾了冗余目標(biāo)。地理定位測(cè)試顯示，系統(tǒng)在重疊區(qū)域的平均圓概率誤差(CE90)僅為21.75米，相當(dāng)于0.87個(gè)像素點(diǎn)，足以匹配碎片化農(nóng)田的實(shí)際坐標(biāo)。所有預(yù)設(shè)的關(guān)鍵績(jī)效指標(biāo)均達(dá)標(biāo)，包括分類精度、地理定位、處理速度與內(nèi)存占用控制。

傳統(tǒng)多光譜衛(wèi)星僅能捕捉少數(shù)寬波段反射光，難以區(qū)分形態(tài)相近的農(nóng)作物。高光譜傳感器則通過數(shù)十至數(shù)百個(gè)窄波段測(cè)量植被反射特征，能夠敏銳捕捉葉綠素、水分含量及色素分布的細(xì)微差異。針對(duì)非法作物監(jiān)測(cè)中常見的云層遮擋、地形陰影及生長季快速變化問題，庫瓦空間并未依賴單一時(shí)相影像，而是通過高分辨率衛(wèi)星歷史數(shù)據(jù)與季節(jié)性物候特征（如收割時(shí)間差）構(gòu)建參考數(shù)據(jù)集。這種“光譜特征加時(shí)序變化”的判別邏輯，使模型能夠在無實(shí)地踏勘的條件下，鎖定具有特定光譜指紋的作物類型。結(jié)合去云算法與地形輻射校正，有效削弱了赫爾曼德省典型干旱地貌帶來的信噪比衰減。

底層算法方面，庫瓦空間基于預(yù)訓(xùn)練超過120萬張超場(chǎng)圖像塊的HF-1基礎(chǔ)模型進(jìn)行下游任務(wù)適配。測(cè)試階段采用獨(dú)立分類器并行預(yù)測(cè)策略，僅當(dāng)高光譜與多光譜模型輸出一致時(shí)才標(biāo)記為目標(biāo)地塊。該設(shè)計(jì)直接轉(zhuǎn)化為業(yè)務(wù)端的效率優(yōu)勢(shì)：每一次誤報(bào)都會(huì)觸發(fā)額外的高清影像采購與分析人力投入，而高精度篩選層可將情報(bào)資源集中投放至概率Zui高的區(qū)域。項(xiàng)目總負(fù)責(zé)人亞爾科·安蒂拉(Jarkko Antila)指出，高光譜數(shù)據(jù)正在打破以往廣域覆蓋與細(xì)節(jié)識(shí)別之間的權(quán)衡瓶頸，使大規(guī)模監(jiān)控的經(jīng)濟(jì)模型發(fā)生實(shí)質(zhì)性改變。

全球非法作物種植格局的動(dòng)態(tài)遷移進(jìn)一步放大了該技術(shù)的需求。聯(lián)合國毒品和犯罪問題辦公室(UNODC)發(fā)布的報(bào)告顯示，阿富汗鴉片產(chǎn)量已遠(yuǎn)低于禁令前水平，而緬甸2025年種植面積同比激增17%，躍居全球Zui大生產(chǎn)國。隨著主產(chǎn)區(qū)向地形復(fù)雜、人員難以抵達(dá)的區(qū)域轉(zhuǎn)移，具備廣域初篩與快速適配能力的遙感系統(tǒng)成為剛需。對(duì)于中國商業(yè)航天、對(duì)地觀測(cè)載荷制造商及遙感算法供應(yīng)商而言，此類項(xiàng)目驗(yàn)證了高光譜載荷與云端人工智能架構(gòu)在垂直領(lǐng)域的落地可行性。在實(shí)際工程應(yīng)用中，需重點(diǎn)關(guān)注不同緯度與氣候帶下的植被光譜基線校準(zhǔn)、小樣本地塊的分割精度優(yōu)化，以及多源數(shù)據(jù)融合時(shí)的算力調(diào)度成本。

本次試點(diǎn)的核心價(jià)值在于將海量搜索空間轉(zhuǎn)化為定向情報(bào)任務(wù)，而非替代地面核查。模型在有限標(biāo)注區(qū)域內(nèi)訓(xùn)練后，可直接泛化至赫爾曼德省更大范圍，且未要求全域人工打標(biāo)簽。未來該技術(shù)路線可平移至南美古柯種植區(qū)或其他經(jīng)濟(jì)作物監(jiān)管場(chǎng)景。國內(nèi)相關(guān)企業(yè)在跟進(jìn)此類海外訂單時(shí)，應(yīng)優(yōu)先評(píng)估自身光譜分辨率指標(biāo)是否滿足細(xì)分作物鑒別門檻，并提前布局跨地域模型遷移的預(yù)處理管線，以應(yīng)對(duì)客戶對(duì)交付時(shí)效與定位精度的雙重考核。