Suministré radiancia sin procesar a una IA de cultivos hiperespectral. En una prueba sintética retenida, su puntuación cayó de 0.887 a 0.373.

Una alerta de NDVI que solo dice «estresado» deja al agricultor incapaz de elegir entre nitrógeno, riego o una prospección de mancha de asfalto temprana; construí SpectraRx en torno a esa decisión. En la ruta deliberadamente rota de esta demo sintética fundamentada en la física, la misma CNN espectral de 424 bandas cae de 0.887 a 0.373 en su prueba de retención cuando le suministro radiancia en el tope de la atmósfera sin procesar en lugar de reflectancia de superficie corregida.

No incluí ese fallo en la demo como un truco efectista. Lo puse ahí porque una puntuación de estrés del cultivo sin las condiciones que dan sentido a sus datos de entrada es una invitación a convertir un mapa vistoso en una mala decisión sobre el terreno. Las escenas son cubos sintéticos fundamentados en la física para un cultivo de maíz y una geografía específicos, no capturas reales ni garantías sobre el campo. La clave es hacer que la cadena sea inspeccionable manteniendo visibles los supuestos.

Empiezo con esa única mancha ámbar de NDVI porque muestra el límite de una alerta de detección. Es útil como señal para mirar más de cerca, pero no puede indicar si una barra de 27 metros debe cambiar la dosis de nitrógeno, si un patrón de estrés hídrico requiere inspección o si una mancha de asfalto temprana debe enviar a un agrónomo al campo. Quería que la demo respondiera a la siguiente pregunta y, a continuación, mostrara las pruebas y los límites de esa respuesta.

Puedes ejecutar la cadena en veriprajna.com/demos/hyperspectral-agriculture-ai. La pantalla no oculta el caso desfavorable. Me permite omitir la corrección atmosférica y observar cómo cambia la ruta de decisión.

Aprendí que la calibración cambia el objeto que ve el clasificador

Solía clasificar la corrección atmosférica dentro del trabajo de preparación. El cubo llega como radiancia en el tope de la atmósfera (TOA), y la corrección por línea empírica de la demo la transforma en reflectancia de superficie BOA con la procedencia de la calibración adjunta a la escena. Esa distinción sonaba a fontanería de ingeniería hasta que la omití deliberadamente.

Mantuve fijas la red entrenada y sus ponderaciones. Cambié la ruta de entrada. En la prueba sintética retenida y fundamentada en la física de 1.280 píxeles de un cultivar y un suelo no vistos, el resultado pasó de 0.887 macro-F1 a 0.373. Ese es un resultado medido para este modelo y esta prueba, no una afirmación de que todo modelo hiperespectral fallará en la misma medida.

El contraste me pareció más útil que una tabla comparativa más amplia porque hace palpable un fallo práctico. La ruta sin corregir no es simplemente una entrada con más ruido. La radiancia sin procesar traslada efectos atmosféricos y de iluminación a un clasificador que fue diseñado para interpretar la reflectancia de superficie corregida. Una red aún puede devolver una clase y una confianza, pero ninguna de las dos es motivo suficiente para autorizar una prescripción.

Hice visible la ruta de radiancia sin procesar porque una cifra de precisión por sí sola omite la cuestión operativa: ¿qué debería ocurrir después de que el sistema descubra que se encuentra en un terreno menos firme? En SpectraRx, la respuesta no es un bloqueo universal. La TOA sin procesar todavía llega al clasificador en esta prueba deliberada, y las compuertas posteriores de confianza y concordancia con la física hacen visible la incertidumbre.

Dediqué tiempo a separar ese resultado de la afirmación de que la red se ha vuelto inútil. El clasificador es una CNN espectral 1-D personalizada que lee una curva completa de 424 bandas de 400 a 2515 nm. Su función habitual es distinguir píxeles sanos, con deficiencia de nitrógeno, con estrés hídrico y con mancha de asfalto temprana a partir de la reflectancia de superficie BOA. El experimento de calibración no altera las clases de cultivo, no vuelve a entrenar el modelo ni introduce de forma encubierta una línea base más débil. Modifica una única condición inicial y permite que el resto de la cadena de decisión muestre las consecuencias.

Eso me resultó útil porque la respuesta habitual ante una mala puntuación es pedir otra puntuación. En este caso necesitaba una pregunta diferente: ¿qué pruebas tiene el sistema para actuar una vez que la entrada ha cambiado? La respuesta comienza con la procedencia de la calibración, pero no puede terminar ahí. Un valor de confianza es solo una señal. La comprobación de concordancia con la física puede abstenerse cuando la clase de la CNN entra en conflicto con el rasgo documentado, como una llamada de nitrógeno sin el desplazamiento esperado del borde rojo. El inspector también muestra la curva completa y una traza de saliencia por bandas para que un operador pueda comparar las pruebas del modelo con diagnósticos documentados.

Utilizo ese inspector como una superficie de rendición de cuentas, no como prueba de infalibilidad. Para la mancha de asfalto temprana, las bandas muestreadas de 530 y 535 nm de la traza se sitúan más cerca del diagnóstico de PRI próximo a 531 nm. Las pruebas de nitrógeno se encuentran en el rango del borde rojo de 680 a 720 nm. Los rasgos SWIR del agua son comprobaciones diagnósticas más que supuestos picos máximos de saliencia. Esas comprobaciones ponen el razonamiento a disposición de la inspección. No transforman una evaluación comparativa sintética en una garantía sobre el terreno real, ni eliminan la necesidad de prospección cuando la ruta de entrada se vuelve menos fiable.

También me resistí a debilitar la línea base para que el fallo pareciera más dramático. En la prueba sintética retenida de cambio de distribución, el referente real de banda ancha Sentinel-2 alcanza 0.69 de macro-F1. Se sitúa cerca de 1.0 en nitrógeno porque dispone de bandas de borde rojo y SWIR. El modelo hiperespectral alcanza 0.887 en general, con su ventaja estructural más sólida en estrés hídrico y mancha de asfalto temprana. Esa es una comparación significativa, pero aún no decide si una zona concreta debe recibir una prescripción tras omitir la calibración. La compuerta y la regla de zona existen para responder a esa pregunta operativa posterior.

Necesitaba que la salvaguarda cambiara una acción en el campo, no solo el color de un panel

Fui prudente para no convertir la abstención en otra promesa vaga. Un píxel con trama rayada significa que el sistema retiene el diagnóstico a nivel de píxel cuando la confianza es baja, la firma está mezclada o el clasificador entra en conflicto con el rasgo físico documentado. La escena predeterminada de la demo seed-7 calibrada muestra 20.1% de píxeles abstenidos. Esa cifra es una observación dentro de la aplicación para esa escena, no una métrica de evaluación universal.

Luego tuve que decidir qué hace un operador con un mapa que contiene esos píxeles. Un pulverizador no trabaja píxel a píxel. SpectraRx agrega píxeles de diagnóstico de 5 metros en celdas de gestión de 25 metros utilizando el perfil de una barra de 27 metros. La regla es deliberadamente visible: las zonas con al menos un 34% de píxeles abstenidos se derivan a prospección sobre el terreno, mientras que las demás zonas adoptan la mayoría no abstenida.

Creo que esa regla es donde la idea abstracta de incertidumbre se convierte en un flujo de trabajo real. En la escena seed-7 con calibración omitida, 92.2% de los píxeles se abstienen y 140 de 144 zonas de gestión se derivan a prospección. Cuatro zonas de estrés hídrico todavía se aplican según la regla de zona. El sistema no ha demostrado que las cuatro zonas sean seguras en el sentido de un entorno abierto. Ha puesto sus condiciones y su regla de enrutamiento a disposición de la revisión en lugar de fingir que cada entrada alterada debe generar una pulverización o una pantalla en blanco.

También quería que un lector escéptico de teledetección viera algo más que la compuerta. El inspector espectral muestra la curva de 424 bandas y una traza naranja de saliencia por bandas. En la mancha de asfalto temprana, las bandas de saliencia muestreadas de 530 y 535 nm se sitúan más cerca del diagnóstico de PRI próximo a 531 nm; las pruebas de nitrógeno aparecen en el rango del borde rojo de 680 a 720 nm. En el caso del agua, los rasgos SWIR documentados son comprobaciones diagnósticas, no afirmaciones sobre el pico más alto de saliencia de la CNN. Esa es una comparación inspeccionable con la física documentada, no una prueba de que el modelo nunca pueda utilizar una pista espuria.

No podía llamarlo prescripción hasta que una barra de aplicación y un agrónomo pudieran utilizarlo

Aprendí que un mapa de diagnóstico sigue incompleto tras el trabajo de las compuertas. La escena calibrada predeterminada tiene 144 celdas de gestión: 21 zonas de aplicación, 25 zonas de prospección y 98 zonas sanas en V12. SpectraRx traslada la decisión de la zona superviviente a una prescripción de dosis variable. Las dosis de nitrógeno se ajustan a la gravedad, y el fungicida solo se autoriza en la ventana R3 configurada. Las exportaciones se realizan en formatos reales ISO-XML y GeoJSON, mientras que las integraciones con sensores en vivo y sistemas de gestión agrícola no están implementadas en esta demo.

Hice que el registro posterior fuera determinista por la misma razón por la que hice visible la compuerta. La demo genera una plantilla de registro al estilo IPM de De la Granja a la Mesa de la UE a partir del diagnóstico y la prescripción. Incluye las coordenadas de la zona, la cobertura de la zona por clase mayoritaria, las pruebas espectrales, las alternativas evaluadas, el producto y la dosis recomendados, la fecha límite R3, la procedencia de la calibración y una línea de firma para un agrónomo certificado. Es una plantilla para revisión, no un registro de cumplimiento presentado formalmente.

Mantuve el modelo de lenguaje fuera de esta ruta de confianza. El procesamiento de señales, el clasificador espectral entrenado, las compuertas deterministas, los cálculos de la maquinaria y la plantilla de registro asumen las decisiones críticas de carga. Un modelo opcional puede redactar la justificación de IPM en prosa a partir de datos ya calculados, con una alternativa basada en plantillas para que la demo funcione sin clave de API. No decide qué necesita un cultivo ni si una zona debe derivarse a prospección.

Dejé de medir el producto únicamente por el clasificador

Todavía puedo preocuparme por el clasificador. En la prueba sintética retenida de cambio de distribución, SpectraRx registra 0.887 de macro-F1 frente a 0.69 del modelo convencional de banda ancha Sentinel-2. La diferencia es más acusada en el estrés hídrico, 0.97 frente a 0.63, y en la mancha de asfalto temprana, 0.77 frente a 0.61. El nitrógeno se sitúa cerca de 1.0 en ambos, lo cual resulta útil precisamente porque mantiene la referencia histórica como una línea base real y no como un hombre de paja.

No utilizo esos resultados como una afirmación aplicable a campo abierto. Abarcan 1.280 píxeles sintéticos retenidos, un solo cultivo y una única geografía. Todavía se necesita una biblioteca de datos reales sobre el terreno de dos temporadas antes de que nadie pueda formular una afirmación de precisión en el mundo real. La lección que extraigo de la demo es más acotada y práctica: una puntuación de clasificación es solo una parte de un sistema de decisión, y es la parte que con mayor probabilidad se cita sin sus condiciones de funcionamiento.

Incorporé el fallo de calibración en SpectraRx porque obliga a tener en cuenta esas condiciones. Muestra cómo cambia la entrada, cómo cae la puntuación, cómo las compuertas posteriores sacan a la luz la incertidumbre, cómo la regla de zona traza una ruta de prospección y cómo el registro de prescripción conserva lo que el operador y el revisor necesitan inspeccionar. Esa secuencia es el trabajo que deseo perfeccionar antes de perseguir otro decimal.

Y si prefieres verlo a leerme describirlo, aquí tienes todo el proceso ejecutándose de extremo a extremo.

Vuelvo a veriprajna.com/demos/hyperspectral-agriculture-ai cuando quiero comprobar si la demo está siendo honesta. El sistema de IA agrícola útil es aquel que puede mostrar por qué una escena se volvió menos fiable, canalizar esa incertidumbre hacia una acción sobre el terreno y dejar un registro de la decisión que tomó y de la que no tomó.