J'ai fourni une luminance brute à une IA agricole hyperspectrale : son score a chuté de 0,887 à 0,373 sur un test synthétique.
Une alerte NDVI qui indique seulement « stressé » laisse un exploitant incapable de choisir entre l'azote, l'irrigation ou un dépistage précoce de la cercosporiose ; j'ai conçu SpectraRx autour de cette décision. Dans la branche délibérément dégradée de cette démonstration synthétique fondée sur la physique, le même CNN spectral à 424 bandes passe de 0,887 à 0,373 sur son test de validation synthétique lorsque je lui fournis une luminance brute au sommet de l'atmosphère au lieu d'une réflectance de surface corrigée.
Je n'ai pas intégré cette défaillance dans la démonstration comme un simple tour de passe-passe. Je l'y ai placée parce qu'un score de stress des cultures sans les conditions qui rendent son entrée exploitable invite à transformer une belle carte en une mauvaise décision au champ. Les scènes sont des cubes synthétiques fondés sur la physique pour une culture de maïs et une zone géographique uniques, et non des captures réelles ou des garanties au champ. L'objectif est de rendre la chaîne inspectable tout en gardant les hypothèses visibles.
Je commence par cette unique tache ambrée NDVI parce qu'elle montre la limite d'une alerte de détection. Elle est utile comme signal pour regarder de plus près, mais elle ne peut pas dire si une rampe d'épandage de 27 mètres doit modifier un dosage d'azote, si une configuration de stress hydrique nécessite une inspection, ou si une cercosporiose précoce doit envoyer un agronome au champ. Je voulais que la démonstration réponde à la question suivante, puis montre les preuves et les limites de cette réponse.
Vous pouvez exécuter la chaîne sur veriprajna.com/demos/hyperspectral-agriculture-ai. L'écran ne dissimule pas le cas gênant. Il me permet d'ignorer la correction atmosphérique et d'observer l'évolution de la trajectoire de décision.
J'ai appris que l'étalonnage modifie l'objet que voit le classifieur
J'avais l'habitude de classer la correction atmosphérique parmi les tâches préparatoires. Le cube arrive sous forme de luminance au sommet de l'atmosphère, et la correction par ligne empirique de la démonstration le convertit en réflectance de surface BOA avec la traçabilité de l'étalonnage rattachée à la scène. Cette distinction ressemblait à de la plomberie d'ingénierie jusqu'à ce que je la contourne délibérément.
J'ai gardé le réseau entraîné et ses poids fixes. J'ai modifié la voie d'entrée. Sur le test synthétique tenu à l'écart, fondé sur la physique, portant sur 1 280 pixels issus d'un cultivar et d'un sol inédits, le résultat est passé d'un macro-F1 de 0,887 à 0,373. C'est un résultat mesuré pour ce modèle et ce test précis, non l'affirmation que chaque modèle hyperspectral échouera dans les mêmes proportions.
J'ai trouvé le contraste plus utile qu'un tableau de référence plus étendu parce qu'il rend une défaillance pratique concrète. La voie non corrigée n'est pas simplement une entrée plus bruitée. La luminance brute introduit des effets atmosphériques et d'illumination dans un classifieur conçu pour interpréter une réflectance de surface corrigée. Un réseau peut toujours renvoyer une classe et un indice de confiance, mais ni l'un ni l'autre ne constitue une raison suffisante pour autoriser une prescription.
J'ai rendu la voie de luminance brute visible parce qu'un chiffre de précision ignore la question opérationnelle : que doit-il se passer une fois que le système découvre qu'il repose sur un terrain plus fragile ? Dans SpectraRx, la réponse n'est pas un blocage universel. La TOA brute atteint toujours le classifieur dans ce test délibéré, et les filtres de confiance et de concordance physique en aval rendent l'incertitude visible.
J'ai passé du temps à dissocier ce résultat de l'affirmation selon laquelle le réseau serait devenu inutile. Le classifieur est un CNN spectral 1D personnalisé qui lit une courbe complète de 424 bandes de 400 à 2515 nm. Sa tâche normale est de distinguer les pixels sains, carencés en azote, en stress hydrique et atteints de cercosporiose précoce à partir de la réflectance de surface BOA. L'expérience d'étalonnage ne modifie pas les classes de culture, ne réentraîne pas le modèle et ne substitue pas discrètement une référence plus faible. Elle modifie une seule condition en amont et laisse le reste de la chaîne de décision en montrer les conséquences.
J'ai trouvé cela utile parce que la réponse habituelle à un mauvais score est de demander un autre score. Dans ce cas, j'avais besoin d'une question différente : de quelles preuves le système dispose-t-il pour agir après la modification de l'entrée ? La réponse commence par la traçabilité de l'étalonnage, mais ne peut s'arrêter là. Un indice de confiance n'est qu'un signal parmi d'autres. Le contrôle de concordance physique peut s'abstenir lorsque la classe du CNN entre en conflit avec la caractéristique documentée, comme une détection d'azote sans le déplacement du red-edge attendu. L'inspecteur affiche également la courbe complète et un tracé de saillance des bandes afin qu'un opérateur puisse comparer les preuves du modèle avec les diagnostics documentés.
J'utilise cet inspecteur comme une surface de responsabilisation, non comme une preuve d'infaillibilité. Pour la cercosporiose précoce, les canaux échantillonnés à 530 et 535 nm du tracé se situent au plus près du diagnostic PRI aux alentours de 531 nm. Les preuves pour l'azote se situent dans la plage du red-edge de 680 à 720 nm. Les caractéristiques SWIR pour l'eau sont des contrôles diagnostiques plutôt que des pics de saillance majeurs revendiqués. Ces vérifications rendent le raisonnement accessible à l'inspection. Elles ne transforment pas un banc d'essai synthétique en une garantie en conditions réelles, et elles n'effacent pas le besoin de dépistage lorsque la voie d'entrée devient moins fiable.
J'ai également refusé d'affaiblir la référence pour rendre la défaillance plus spectaculaire. Sur le test synthétique tenu à l'écart avec dérive de distribution, la référence large bande Sentinel-2 réelle atteint un macro-F1 de 0,69. Elle est proche de 1,0 sur l'azote parce qu'elle dispose de bandes red-edge et SWIR. Le modèle hyperspectral atteint 0,887 au global, avec son avantage structurel le plus net sur le stress hydrique et la cercosporiose précoce. C'est une comparaison significative, mais elle ne tranche toujours pas la question de savoir si une zone particulière doit recevoir une prescription après l'omission de l'étalonnage. Le filtre et la règle de zone existent pour répondre à cette question opérationnelle ultérieure.
J'avais besoin que le garde-fou modifie une action au champ, pas seulement la couleur d'un tableau de bord
J'ai veillé à ne pas transformer l'abstention en une autre promesse vague. Un pixel hachuré signifie que le système retient son diagnostic au niveau du pixel lorsque la confiance est faible, que la signature est mixte ou que le classifieur entre en conflit avec la caractéristique physique documentée. La scène de démonstration seed-7 étalonnée par défaut affiche 20,1 % de pixels en abstention. Ce chiffre est une observation intégrée à l'application pour cette scène, non une métrique d'évaluation universelle.
J'ai ensuite dû déterminer ce qu'un opérateur fait d'une carte contenant ces pixels. Un pulvérisateur ne fonctionne pas pixel par pixel. SpectraRx regroupe les pixels de diagnostic de 5 mètres en cellules de gestion de 25 mètres selon le profil d'une rampe de 27 mètres. La règle est délibérément transparente : les zones comportant au moins 34 % de pixels en abstention sont orientées vers un dépistage au sol de vérité terrain, tandis que les autres zones appliquent leur majorité non abstenue.
Je pense que cette règle est le point où l'idée abstraite d'incertitude devient un flux de travail réel. Dans la scène seed-7 sans étalonnage, 92,2 % des pixels s'abstiennent et 140 zones de gestion sur 144 sont orientées vers le dépistage. Quatre zones de stress hydrique appliquent toujours une prescription selon la règle de zone. Le système n'a pas prouvé que ces quatre zones sont sûres au sens d'un monde ouvert. Il a rendu ses conditions et sa règle d'acheminement accessibles pour examen au lieu de prétendre que chaque entrée modifiée doit produire soit une pulvérisation, soit un écran vide.
Je voulais aussi qu'un lecteur sceptique en télédétection voie davantage que le filtre. L'inspecteur spectral affiche la courbe de 424 bandes et un tracé orange de saillance des bandes. Pour la cercosporiose précoce, les canaux de saillance échantillonnés à 530 et 535 nm se situent au plus près du diagnostic PRI proche de 531 nm ; les preuves d'azote apparaissent dans la plage du red-edge de 680 à 720 nm. Pour l'eau, les caractéristiques SWIR documentées sont des contrôles diagnostiques, non des affirmations relatives au pic de saillance le plus élevé du CNN. Il s'agit d'une comparaison inspectable avec la physique documentée, non de la preuve que le modèle ne peut jamais exploiter un indice trompeur.
Je ne pouvais pas appeler cela une prescription tant qu'une rampe et un agronome ne pouvaient pas l'exploiter
J'ai appris qu'une carte de diagnostic reste incomplète une fois que les filtres ont fait leur travail. La scène étalonnée par défaut compte 144 cellules de gestion : 21 zones d'application, 25 zones de dépistage et 98 zones saines au stade V12. SpectraRx transpose la décision de zone retenue en une prescription à taux variable. Les doses d'azote suivent la sévérité, et le fongicide n'est autorisé que dans la fenêtre R3 configurée. Les exports sont de véritables formats ISO-XML et GeoJSON, tandis que les intégrations en direct avec les capteurs et les outils de gestion d'exploitation ne sont pas implémentées dans cette démonstration.
J'ai rendu l'enregistrement en aval déterministe pour la même raison qui m'a poussé à rendre le filtre visible. La démonstration génère un modèle de rapport de gestion intégrée des ravageurs (IPM) de type « De la ferme à la table » de l'UE à partir du diagnostic et de la prescription. Il comprend les coordonnées de zone, la couverture de zone de la classe majoritaire, les preuves spectrales, les alternatives évaluées, le produit et le dosage recommandés, l'échéance R3, la traçabilité de l'étalonnage et une ligne de validation pour un agronome certifié. C'est un modèle destiné à l'examen, non un dossier de conformité déposé.
J'ai gardé le modèle linguistique en dehors de cette chaîne de confiance. Le traitement du signal, le classifieur spectral entraîné, les filtres déterministes, les calculs d'équipement et le modèle de rapport assument les décisions critiques. Un modèle optionnel peut formuler la prose de justification IPM à partir des faits déjà calculés, avec une solution de repli préformatée pour que la démonstration fonctionne sans clé d'API. Il ne décide pas de ce dont une culture a besoin ni si une zone doit faire l'objet d'un dépistage.
J'ai cessé d'évaluer le produit à l'aune du seul classifieur
Je peux toujours m'intéresser au classifieur. Sur le test synthétique tenu à l'écart avec dérive de distribution, SpectraRx enregistre un macro-F1 de 0,887 contre 0,69 pour la référence large bande Sentinel-2. L'écart est le plus marqué sur le stress hydrique, 0,97 contre 0,63, et la cercosporiose précoce, 0,77 contre 0,61. L'azote est proche de 1,0 pour les deux, ce qui est utile précisément parce que cela maintient la référence établie comme un point de comparaison réel plutôt qu'un modèle de paille.
Je n'utilise pas ces résultats comme une affirmation valable en plein champ. Ils couvrent 1 280 pixels synthétiques tenus à l'écart, une culture et une zone géographique. Une bibliothèque de vérité terrain sur deux saisons reste indispensable avant que quiconque puisse revendiquer une précision en conditions réelles. La leçon que je tire de la démonstration est plus circonscrite et plus pratique : un score de classification n'est qu'un élément d'un système de décision, et c'est celui qui est le plus souvent cité sans ses conditions opérationnelles.
J'ai intégré la défaillance d'étalonnage dans SpectraRx parce qu'elle met en lumière ces conditions. Elle montre l'entrée qui se modifie, le score qui s'effondre, les filtres en aval qui révèlent l'incertitude, la règle de zone qui oriente vers un parcours de dépistage, et l'enregistrement de prescription qui préserve ce que l'opérateur et le réviseur doivent inspecter. Cette séquence constitue le travail que je souhaite perfectionner avant d'aller chercher une nouvelle décimale.
Et si vous préférez le voir plutôt que de me lire le décrire, voici l'ensemble fonctionnant de bout en bout.
Je retourne sur veriprajna.com/demos/hyperspectral-agriculture-ai lorsque je veux vérifier si la démonstration est honnête. Le système d'IA agricole utile est celui qui est capable de montrer pourquoi une scène est devenue moins digne de confiance, d'orienter cette incertitude vers une action au champ et de conserver une trace de la décision qu'il a prise ou refusé de prendre.
