Ich habe eine hyperspektrale Pflanzenbau-KI mit roher Strahldichte gefüttert: Auf einem synthetischen Test fiel ihr Score von 0.887 auf 0.373.

Eine NDVI-Warnung, die lediglich „gestresst“ meldet, lässt Landwirte im Unklaren darüber, ob Stickstoff, Bewässerung oder eine Bonitur auf frühen Teerfleckenbefall erforderlich sind; genau um diese Entscheidung herum habe ich SpectraRx entwickelt. Im bewusst fehlerhaften Pfad dieser physikalisch fundierten synthetischen Demo fällt dasselbe spektrale 424-Kanal-CNN von 0.887 auf 0.373 auf seinem zurückgehaltenen Testdatensatz ab, wenn ich ihm rohe Strahldichte am Atmosphärenoberrand (Top-of-Atmosphere) statt korrigierter Oberflächenremission zuführe.

Ich habe diesen Fehler nicht als Showeffekt in die Demo eingebaut. Ich habe ihn dort platziert, weil ein Pflanzenstress-Score ohne die Bedingungen, die seine Eingangsdaten aussagekräftig machen, dazu verleitet, aus einer ansehnlichen Karte eine verfehlte Entscheidung auf dem Feld abzuleiten. Bei den Szenen handelt es sich um synthetische, physikalisch fundierte Datenwürfel für einen einzelnen Maisbestand und ein bestimmtes Gebiet, nicht um reale Aufnahmen oder Praxisgarantien. Das Ziel besteht darin, die gesamte Kette überprüfbar zu machen, während die Annahmen sichtbar bleiben.

Ich beginne mit diesem einzelnen bernsteinfarbenen NDVI-Fleck, weil er die Grenzen einer reinen Detektionswarnung aufzeigt. Er taugt als Hinweis, genauer hinzusehen, kann jedoch nicht sagen, ob ein 27-Meter-Gestänge die Stickstoffausbringmenge anpassen sollte, ob ein Trockenstressmuster kontrolliert werden muss oder ob früher Teerfleckenbefall einen Agronomen zur Feldbegehung veranlassen sollte. Ich wollte, dass die Demo die darauf folgende Frage beantwortet und anschließend sowohl die Belege als auch die Grenzen dieser Antwort offenlegt.

Sie können die Kette unter veriprajna.com/demos/hyperspectral-agriculture-ai selbst ausführen. Die Benutzeroberfläche verschweigt den unbequemen Fall nicht. Sie erlaubt es mir, die Atmosphärenkorrektur zu überspringen und zu beobachten, wie sich der Entscheidungspfad verändert.

Ich habe gelernt, dass die Kalibrierung das Objekt verändert, das der Klassifikator sieht

Früher verbuchte ich die Atmosphärenkorrektur unter Vorbereitungsschritten. Der Datenwürfel trifft als Strahldichte am Atmosphärenoberrand ein, und die Empirical-Line-Korrektur der Demo wandelt diese in BOA-Oberflächenremission (Bottom-of-Atmosphere) um, wobei die Kalibrierungsprovenienz mit der Szene verknüpft bleibt. Dieser Unterschied klang nach rein technischem Beiwerk, bis ich ihn ganz bewusst umging.

Ich ließ das trainierte neuronale Netz und seine Gewichte unverändert. Ich änderte lediglich den Eingabepfad. Auf dem zurückgehaltenen, synthetischen und physikalisch fundierten Testdatensatz von 1.280 Pixeln einer ungesehenen Sorte und Bodenart fiel das Ergebnis von 0.887 Makro-F1 auf 0.373. Das ist ein gemessenes Ergebnis für dieses spezifische Modell und diesen Test, keine Aussage darüber, dass jedes hyperspektrale Modell im gleichen Umfang versagen wird.

Ich empfand diesen Kontrast als aufschlussreicher als eine umfangreichere Benchmark-Tabelle, da er ein praktisches Versagen greifbar macht. Der unkorrigierte Pfad liefert nicht bloß verrauschte Eingangsdaten. Rohe Strahldichte schleppt atmosphärische Effekte und Beleuchtungsunterschiede in einen Klassifikator ein, der dafür ausgelegt wurde, korrigierte Oberflächenremission zu interpretieren. Ein neuronales Netz kann zwar weiterhin eine Klasse und einen Konfidenzwert ausgeben, doch keines von beiden reicht aus, um eine Applikationskarte zu autorisieren.

Ich habe den Pfad mit roher Strahldichte sichtbar gemacht, weil eine Genauigkeitskennzahl allein die entscheidende betriebliche Frage ausklammert: Was soll geschehen, sobald das System feststellt, dass es auf unsicherem Boden steht? In SpectraRx lautet die Antwort nicht pauschale Blockade. Rohe TOA-Werte erreichen in diesem gezielten Test nach wie vor den Klassifikator, und die nachgelagerten Konfidenz- und Physikabgleich-Gates machen die Unsicherheit transparent.

Ich habe Zeit darauf verwendet, dieses Ergebnis von der Behauptung abzugrenzen, das neuronale Netz sei unbrauchbar geworden. Der Klassifikator ist ein maßgeschneidertes spektrales 1D-CNN, das eine vollständige 424-Kanal-Kurve von 400 bis 2515 nm erfasst. Seine reguläre Aufgabe besteht darin, gesunde, stickstoffunterversorgte, trockenheitsgestresste und früh mit Teerflecken befallene Pixel anhand der BOA-Oberflächenremission zu unterscheiden. Das Kalibrierungsexperiment ändert weder die Bestandsklassen, noch trainiert es das Modell neu oder schiebt heimlich eine schwächere Baseline unter. Es verändert eine einzige vorgelagerte Bedingung und überlässt es dem Rest der Entscheidungskette, die Konsequenzen offenzulegen.

Ich fand das hilfreich, weil die übliche Reaktion auf einen schlechten Score darin besteht, nach einem anderen Score zu verlangen. In diesem Fall brauchte ich eine andere Frage: Welche Belege hat das System für ein Handeln, nachdem sich die Eingangsdaten geändert haben? Die Antwort beginnt mit der Kalibrierungsprovenienz, kann dort aber nicht enden. Ein Konfidenzwert ist nur ein einzelnes Signal. Die Physikabgleich-Prüfung kann sich enthalten, wenn die vom CNN ermittelte Klasse im Widerspruch zu einem dokumentierten Merkmal steht — etwa einer Stickstoffdiagnose ohne die erwartete Verschiebung der Rotkante (Red-Edge). Der Inspektor zeigt zudem die vollständige Kurve und eine Band-Saliency-Spur, sodass ein Anwender die Belege des Modells mit dokumentierten Diagnosekriterien abgleichen kann.

Ich nutze diesen Inspektor als Kontrollfläche für Nachvollziehbarkeit, nicht als Beweis für Unfehlbarkeit. Bei frühem Teerfleckenbefall liegen die abgetasteten 530- und 535-nm-Kanäle der Saliency-Spur am nächsten am PRI-Diagnosewert um 531 nm. Die Belege für Stickstoff befinden sich im Red-Edge-Bereich von 680 bis 720 nm. Die SWIR-Merkmale für Wasser dienen als diagnostische Plausibilitätsprüfungen und nicht als postulierte maximale Saliency-Peaks. Diese Prüfungen machen die Entscheidungsfindung überprüfbar. Sie verwandeln einen synthetischen Benchmark nicht in eine Praxisgarantie und erübrigen keineswegs die Bonitur vor Ort, wenn der Eingabepfad an Verlässlichkeit einbüßt.

Ich habe mich auch dagegen gewehrt, die Baseline schwachzurechnen, um das Versagen dramatischer wirken zu lassen. Auf dem zurückgehaltenen synthetischen Test mit Verteilungsverschiebung (Distribution Shift) erreicht der reale Sentinel-2-Breitband-Vergleichswert 0.69 Makro-F1. Bei Stickstoff liegt er nahe 1.0, da er über Red-Edge- und SWIR-Kanäle verfügt. Das hyperspektrale Modell erzielt insgesamt 0.887, wobei sein größter struktureller Vorteil bei Trockenstress und frühem Teerfleckenbefall liegt. Das ist ein aussagekräftiger Vergleich, entscheidet jedoch immer noch nicht darüber, ob eine bestimmte Zone nach übersprungener Kalibrierung eine Applikationskarte erhalten soll. Das Gate und die Zonenregel existieren genau dafür, diese nachgelagerte betriebliche Frage zu beantworten.

Ich brauchte eine Absicherung, die praktische Maßnahmen auf dem Feld ändert und nicht nur die Farbe auf einem Dashboard

Ich habe darauf geachtet, aus der Enthaltung kein weiteres vages Versprechen zu machen. Ein schraffiertes Pixel bedeutet, dass das System eine Diagnose auf Pixelebene zurückhält, wenn die Konfidenz gering ist, eine Mischsignatur vorliegt oder der Klassifikator im Widerspruch zum dokumentierten physikalischen Merkmal steht. Die standardmäßig kalibrierte Seed-7-Demoszene zeigt 20.1% Enthaltungen unter den Pixeln. Diese Zahl ist eine In-App-Beobachtung für diese Szene, keine universelle Evaluierungsmetrik.

Anschließend musste ich entscheiden, was ein Betriebsleiter mit einer Karte anfangen soll, die solche Pixel enthält. Eine Feldspritze arbeitet schließlich nicht pixelweise. SpectraRx aggregiert 5-Meter-Diagnosepixel mithilfe eines 27-Meter-Gestängeprofils zu 25-Meter-Managementzellen. Die Regel ist bewusst transparent: Zonen mit mindestens 34% enthaltenen Pixeln werden zur Bonitur vor Ort weitergeleitet, während andere Zonen die Mehrheit ihrer nicht enthaltenen Pixel nutzen.

Ich denke, an dieser Regel wird aus der abstrakten Vorstellung von Unsicherheit ein realer Arbeitsablauf. In der Seed-7-Szene ohne Kalibrierung enthalten sich 92.2% der Pixel und 140 von 144 Managementzonen werden zur Bonitur weitergeleitet. Vier Trockenstress-Zonen verbleiben gemäß der Zonenregel weiterhin bei einer Ausbringung. Das System hat keineswegs bewiesen, dass diese vier Zonen im Sinne einer offenen Welt risikofrei sind. Es hat lediglich seine Bedingungen und seine Weiterleitungsregel zur Überprüfung offengelegt, anstatt vorzutäuschen, dass jede veränderte Eingabe zwingend entweder zu einer Spritzung oder zu einem leeren Bildschirm führen müsse.

Ich wollte auch, dass skeptische Fernerkundungs-Fachleute mehr als nur das Gate zu Gesicht bekommen. Der Spektralinspektor zeigt die 424-Kanal-Kurve und eine orangefarbene Band-Saliency-Spur. Bei frühem Teerfleckenbefall liegen die abgetasteten 530- und 535-nm-Saliency-Kanäle am nächsten am PRI-Diagnosewert um 531 nm; Stickstoffbelege zeigen sich im Red-Edge-Bereich von 680 bis 720 nm. Bei Wasser dienen die dokumentierten SWIR-Merkmale als diagnostische Plausibilitätsprüfungen und nicht als Behauptungen über den höchsten Saliency-Peak des CNN. Das ist ein überprüfbarer Abgleich mit dokumentierter Physik, kein Beweis dafür, dass das Modell niemals auf ein Scheinsignal hereinfallen könnte.

Ich konnte es erst dann eine Applikationskarte nennen, wenn Gestänge und Agronom etwas damit anfangen können

Ich habe gelernt, dass eine Diagnosekarte selbst nach der Arbeit der Gates noch unvollständig ist. Die kalibrierte Standard-Szene umfasst 144 Managementzellen: 21 Ausbringungszonen, 25 Boniturzonen und 98 gesunde Zonen im Stadium V12. SpectraRx überführt die verbleibende Zonenentscheidung in eine teilflächenspezifische Applikationskarte (Variable Rate Application). Die Stickstoffmengen richten sich nach dem Schweregrad, und Fungizide sind ausschließlich im konfigurierten R3-Zeitfenster zulässig. Die Exporte erfolgen in echten ISO-XML- und GeoJSON-Formaten, während Live-Sensor- und Farm-Management-Integrationen in dieser Demo nicht implementiert sind.

Ich habe das nachgelagerte Protokoll aus demselben Grund deterministisch gestaltet, aus dem ich auch das Gate sichtbar gemacht habe. Die Demo erzeugt aus Diagnose und Applikationskarte eine Vorlage im Stil eines IPM-Nachweises gemäß EU-Farm-to-Fork-Vorgaben. Sie enthält Zonenkoordinaten, die Zonendeckung der Mehrheitsklasse, spektrale Belege, geprüfte Alternativen, empfohlenes Produkt samt Aufwandmenge, die R3-Frist, Kalibrierungsprovenienz und eine Zeile für die Abzeichnung durch einen zertifizierten Agronomen. Es handelt sich um eine Vorlage zur Prüfung, nicht um einen eingereichten behördlichen Nachweis.

Ich habe das Sprachmodell außerhalb dieses Vertrauenspfads gehalten. Signalverarbeitung, der trainierte spektrale Klassifikator, deterministische Gates, Ausbringungsmathematik für die Geräte und die Protokollvorlage tragen die tragenden Entscheidungen. Ein optionales Modell kann aus den bereits berechneten Fakten einen Begründungstext für den integrierten Pflanzenschutz (IPM) formulieren – mit einem vorlagenbasierten Fallback, damit die Demo auch ohne API-Schlüssel funktioniert. Es entscheidet weder darüber, was ein Bestand benötigt, noch ob für eine Zone eine Bonitur erfolgen soll.

Ich habe aufgehört, das Produkt allein am Klassifikator zu messen

Der Klassifikator bleibt mir natürlich weiterhin wichtig. Auf dem zurückgehaltenen synthetischen Test mit Verteilungsverschiebung erzielt SpectraRx 0.887 Makro-F1 gegenüber 0.69 beim etablierten Sentinel-2-Breitbandansatz. Der Unterschied tritt bei Trockenstress mit 0.97 gegenüber 0.63 und bei frühem Teerfleckenbefall mit 0.77 gegenüber 0.61 am deutlichsten hervor. Bei Stickstoff liegen beide nahe 1.0, was genau deshalb aufschlussreich ist, weil es den etablierten Vergleichswert als reale Baseline und nicht als billiges Scheinargument (Strawman) dastehen lässt.

Ich nutze diese Ergebnisse nicht als Behauptung über reale Freilandverhältnisse. Sie stützen sich auf 1.280 zurückgehaltene synthetische Pixel, eine Kulturpflanze und ein geografisches Gebiet. Es bedarf noch einer Ground-Truth-Datenbank über zwei Vegetationsperioden, bevor irgendjemand fundierte Aussagen über die Treffsicherheit unter realen Bedingungen treffen kann. Die Lehre, die ich aus der Demo ziehe, ist präziser und pragmatischer: Ein Klassifikations-Score ist nur ein Teil eines Entscheidungssystems – und genau der Teil, der am ehesten ohne seine Einsatzbedingungen zitiert wird.

Ich habe den Kalibrierungsfehler in SpectraRx eingebaut, weil er den Blick genau auf diese Einsatzbedingungen erzwingt. Er zeigt, wie sich die Eingabedaten ändern, der Score einbricht, die nachgelagerten Gates Unsicherheiten aufdecken, die Zonenregel einen Pfad zur Bonitur vor Ort vorgibt und das Applikationsprotokoll genau das festhält, was Anwender und Prüfer kontrollieren müssen. Diese Abfolge ist die Baustelle, an der ich arbeiten möchte, bevor ich der nächsten Nachkommastelle hinterherjage.

Und wenn Sie das Ganze lieber mit eigenen Augen sehen möchten, statt nur meine Beschreibung zu lesen: Hier läuft das gesamte System durchgängig von Anfang bis Ende.

Ich kehre immer wieder zu veriprajna.com/demos/hyperspectral-agriculture-ai zurück, wenn ich prüfen will, ob die Demo ehrlich bleibt. Das wirklich nützliche Pflanzenbau-KI-System ist jenes, das aufzeigen kann, warum eine Szene an Verlässlichkeit verloren hat, diese Unsicherheit in konkrete Maßnahmen auf dem Feld überführt und ein Protokoll über jede getroffene sowie unterlassene Entscheidung hinterlässt.