החווה שלך נראית בריאה. הספקטרום אומר שהיא גוססת.

בהיתי בשני תצלומי לוויין של אותו שדה סויה, שצולמו באותו יום, והם סיפרו לי סיפורים שונים לחלוטין.

הראשון היה תצלום RGB סטנדרטי — מהסוג שהיית מקבל מכל פלטפורמת AgTech מהמדף. ירוק שופע, חופת עלווה אחידה, בריאה כמו בספר לימוד. אילו הייתי מראה אותו לחקלאי, לאגרונום או למשקיע, כולם היו אומרים את אותו הדבר: "נראה מצוין".

התמונה השנייה לא הייתה באמת תמונה בכלל. זו הייתה קוביית נתונים היפרספקטרלית — יותר מ-200 פסים צרים של מדידה אלקטרומגנטית, רובם בלתי נראים לעין האנושית. וכשהעברתי אותה דרך הרשת הקונבולוציונית התלת-ממדית שבנינו, היא ציירה תמונה שונה לחלוטין. חלק מאותו שדה ירוק "בריא" היה כבר במצוקה ביוכימית. ייצור הכלורופיל היה בירידה. ה-Red Edge — אותו מצוק תלול ברפלקטנס בין מה שצמח סופג לבין מה שהוא מפזר — הוסט בכמה ננומטרים לכיוון אורכי גל קצרים יותר.

השדה גסס. הוא פשוט עוד לא הספיק להשחים.

הרגע הזה גיבש משהו שהסתובבתי סביבו זמן מה: כל תעשיית ה-AgTech בנתה את שכבת הבינה שלה על שקר. השקר שלפיו תצלום לוויין הוא צילום. שאפשר להזרים אותו דרך ResNet שאומן על חתולים ומכוניות ולצפות שיספר לך משהו משמעותי על פיזיולוגיה של צמחים. שֶׁ"ירוק" משמעו "תקין".

זה לא כך. ועד שֶׁ"ירוק" מפסיק להיות "תקין" בתמונת RGB, כבר איבדת את היבול.

מדוע ראייה ממוחשבת סטנדרטית נכשלת בחקלאות?

הנה האמת הלא נוחה לגבי רוב ניטור היבולים המונע בינה מלאכותית: הוא משתמש במתמטיקה הלא נכונה כדי להסתכל על הנתונים הלא נכונים.

הפרדיגמה השלטת בראייה ממוחשבת ב-AgTech שאולה ישירות מצילום צרכני. קח תצלום לוויין, התייחס אליו כאל JPEG, הזן אותו לרשת נוירונים קונבולוציונית דו-ממדית שתוכננה — פשוטו כמשמעו תוכננה — לזהות קצוות, צורות ומרקמים. הארכיטקטורות הללו הן צאצאיות של מסווגי ImageNet. הן מבריקות בהבחנה בין כלב למנורה. הן גרועות בהבחנה בין חופת חיטה הסובלת ממחסור בחנקן לבין חופה הסובלת מעקת מים.

הסיבה היא מבנית. רשת קונבולוציה דו-ממדית מחליקה מסנן קטן על פני הממדים המרחביים של תמונה ומיד סוכמת על פני כל ערוצי הצבע. בתמונת RGB תלת-ערוצית, זה בסדר — הערוצים מתואמים מאוד ונושאים מידע מרחבי דומה. אבל בקובייה היפרספקטרלית עם 200+ פסים, סכימה זו הרסנית. היא מוחצת את הממד הספקטרלי בשכבה הראשונה. המתאם בין פס 10 לפס 150 — שעשוי להיות בדיוק החתימה של פתוגן פטרייתי — ממוצע אל תוך האַיִן.

אני זוכר שישבתי בפגישה שבה מישהו בצוות שלי העלה את המשוואה של קונבולוציה דו-ממדית סטנדרטית והקיף בעיגול את הסכימה על פני הערוצים. "כאן אנחנו מאבדים הכול", הוא אמר. הוא צדק. הרשת חיפשה את ה"צורה" של שדה גוסס. אבל שדה גוסס לא משנה צורה עד שכבר מאוחר מדי. המידע הרלוונטי חי בספקטרום, לא בצללית.

ה"צורה" של יבול גוסס היא אינדיקטור שלאחר המוות. ה"ספקטרום" של יבול הנתון בעקה הוא סימן חיים אבחוני.

וזמן ההשהיה של הזיהוי אכזרי: 10 עד 15 ימים. עד שמודל RGB מסמן שדה כנתון בעקה, הנזק הביולוגי לרוב בלתי הפיך. בשלב הזה אתה כבר לא עוסק בחקלאות מדייקת. אתה עורך נתיחה שלאחר המוות.

מלכודת הירוק

התחלתי לקרוא לזה "מלכודת הירוק", וברגע שאתה רואה אותה, אתה כבר לא יכול שלא לראותה.

צמח נשאר ירוק לעין האנושית — ולכל מצלמה סטנדרטית — זמן רב לאחר שהעקה הפיזיולוגית כבר החלה. הירידה ביעילות הפוטוסינתטית, שהיא המבשר האמיתי להצהבה הנראית לעין, גורמת לשינויים עדינים ברפלקטנס באורכי גל ספציפיים מאוד: סביב 531 ננומטר (מחזור הקסנתופיל) ובטווח 700 עד 1300 ננומטר שבו שולט פיזור מבנה התא. שום דבר מזה אינו נרשם בחיישן RGB. הוא בלתי נראה מעצם התכנון.

הפתרון העוקף של התעשייה היה NDVI — מדד הצמחייה של ההפרש המנורמל. הוא היה סטנדרט הזהב במשך עשורים. אתה לוקח את הרפלקטנס בקרוב-אינפרא-אדום, מחסר את האדום, מחלק בסכום, ומקבל מספר שמתואם בקירוב עם ביומסה. פשוט. אלגנטי. ובלתי מספק יותר ויותר.

NDVI מתייחס לכל אזור ה"אדום" וכל אזור ה"NIR" כאל גושים מונוליטיים. הוא רווי בחופות צפופות. הוא אינו יכול להבחין בין סוגי עקה — מחסור בחנקן משפיע על האזורים הנראים ואזור ה-red-edge באופן שונה מעקת מים, שמופיעה בעיקר בפסי האינפרא-אדום קצר-הגל. NDVI אומר לך שמשהו לא בסדר. הוא אינו יכול לומר לך מה.

אנשים שואלים אותי כל הזמן: "אי אפשר פשוט להשתמש במדדי צמחייה טובים יותר?" אפשר. יש עשרות מדדי פסים צרים. אבל אתה עדיין עושה חשבון עם שתיים או שלוש נקודות נתונים כשעומדות לרשותך מאתיים. זה כמו לאבחן מטופל על ידי בדיקת החום שלו והתעלמות מבדיקות הדם.

מה קורה כשאתה באמת קורא את הספקטרום?

פריצת הדרך — ואני מתכוון לזה במובן המילולי, הבלתי זוהר ביותר של המילה — הגיעה כשהפסקנו להתייחס לנתוני לוויין כאל דימות והתחלנו להתייחס אליהם כאל ספקטרוסקופיה.

חיישן היפרספקטרלי אינו מצלם תמונה. הוא מודד קורנוּת פוטונים על פני מאות פסי אורך גל צרים ורציפים. כל פיקסל אינו צבע; הוא טביעת אצבע כימית. והמאפיין החזק ביותר באותה טביעת אצבע, עבור חקלאות, הוא דבר הנקרא Red Edge.

ה-Red Edge הוא העלייה החדה ברפלקטנס בין כ-670 ננומטר (שם הכלורופיל סופג אור בעוצמה) לבין 780 ננומטר (שם מבנה התא הפנימי של הצמח מפזר אותו). בצמח בריא, המעבר הזה תלול — מצוק על הגרף הספקטרלי. כשעקה מכה, ייצור הכלורופיל יורד, הספיגה פוחתת, ונקודת הפיתול של אותו מצוק מוסטת לכיוון אורכי גל קצרים יותר. פיזיקאים קוראים לזה "ההיסט הכחול".

אנחנו מדברים על היסט של כמה ננומטרים. מצלמת RGB סטנדרטית, המשלבת את כל הפוטונים מכ-600 עד 700 ננומטר לערוץ "אדום" יחיד, אינה יכולה מתמטית לזהות נדידה של 5 ננומטרים. היא ממצעת אותה החוצה. חיישן היפרספקטרלי, עם פסים ברוחב 5 עד 10 ננומטרים, מפענח את צורת העקומה וממקד את המיקום המדויק של הפיתול.

זו הכוונה שלי כשאני אומר מפות אינן תמונות — הן נתונים. כאשר ארגון מצמצם מדידות רדיומטריות לתמונה חזותית לשם חיבור למודל בינה מלאכותית מהמדף, הוא הורס מידע באופן פעיל. הוא מתייחס למכשיר מדעי כאל מצלמת טלפון.

כתבתי על הפיזיקה שמאחורי זה לעומק רב יותר בגרסה האינטראקטיבית של המחקר שלנו, אבל הנקודה המרכזית היא זו: על ידי זיהוי ההיסט הכחול של ה-Red Edge, המודלים שלנו חוזים כשל יבול בעוד השדה עדיין נראה ירוק ורענן לעין הבלתי מזוינת. לא ימים מראש. שבועות מראש — 7 עד 14 ימים לפני הופעת הסימפטומים, על פי מדדי הביצוע שלנו.

בניית הארכיטקטורה שעדיין אינה קיימת

לדעת את הפיזיקה זה דבר אחד. לבנות רשת נוירונים שיכולה באמת לנצל אותה זה דבר אחר.

הייתה תקופה — הייתי מנחש כשלושה חודשים — שבה אני והצוות שלי התווכחנו כל הזמן על ארכיטקטורה. הדרך הקלה הייתה מובנת מאליה: קח רשת קונבולוציה דו-ממדית מוכחת, פרוץ את השכבה הראשונה כדי לקבל 200 ערוצי קלט במקום 3, כוונן, ושלח לייצור. מחצית מהסטארטאפים של AgTech בעולם עשו בדיוק את זה. חלקם אפילו השתמשו ב-ResNet-50 שאומן מראש על ImageNet — מודל שלמד לזהות עיניים, גלגלים ופרווה — ו"העבירו למידה" אל תוך נתוני לוויין.

חזרתי שוב ושוב לאותה התנגדות: המאפיינים אינם מועברים. ההתפלגות הסטטיסטית של ערכי הפיקסלים בתמונה רדיומטרית אינה דומה כלל לצילום צרכני. פרופיל הרעש שונה. המאפיינים הרלוונטיים — עקומות ספיגה ספקטרליות, לא קצוות ופינות — אינם קיימים ב-ImageNet. אתה לא מעביר ידע. אתה מעביר בלבול.

אז בנינו מאפס. שתי ארכיטקטורות מפתח צמחו.

הראשונה הייתה רשת נוירונים קונבולוציונית תלת-ממדית, שבה לגרעין הקונבולוציה יש שלושה ממדים: גובה, רוחב ועומק ספקטרלי. במקום להחליק על פני התמונה ולסכום על פני הפסים, הגרעין מחליק דרך הספקטרום. הוא לומד מאפיינים ספקטרליים מקומיים — שיפוע ה-Red Edge, עומק באר ספיגת מים — ישירות מנתונים גולמיים. התוצאות שלנו התיישבו עם ממצאים שפורסמו לפיהם רשתות קונבולוציה תלת-ממדיות עולות משמעותית על מקבילותיהן הדו-ממדיות בסיווג היפרספקטרלי בדיוק משום שהן משמרות מתאמים בין-פסיים.

השנייה הייתה טרנספורמר ספקטרלי-מרחבי. בעוד שרשתות קונבולוציה תלת-ממדיות מצטיינות בחילוץ מאפיינים מקומיים — מתאמים בין פסים סמוכים — הן מתקשות בתלויות ארוכות-טווח. חיבור תבנית ספקטרלית בטווח הנראה עם אחת באינפרא-אדום קצר-הגל, במרחק מאות פסים, דורש מנגנון שונה. אנו מתייחסים לווקטור הפיקסל ההיפרספקטרלי כאל רצף של אסימונים ספקטרליים ומשתמשים בקשב-עצמי כדי לאפשר למודל להתמקד דינמית בפסים הרלוונטיים ביותר לחיזוי נתון. בחיזוי עקת בצורת, הוא לומד להקדיש קשב ליחס שבין פסי ה-Red Edge לפסי ספיגת מים ב-SWIR, ומתעלם למעשה מרעש באזורים לא רלוונטיים.

אנחנו לא משתמשים במודלים מהמדף. אנחנו מהנדסים ארכיטקטורות שבהן הממד הספקטרלי מטופל כאזרח מדרגה ראשונה.

מערכות הייצור שלנו משתמשות בהיברידיה: קצה קדמי של רשת קונבולוציה תלת-ממדית לחילוץ מאפיינים ספקטרלי-מרחבי מקומי, קצה אחורי של טרנספורמר להקשר גלובלי. המבנה המיקרוסקופי של כימיית העלים והמבנה המקרוסקופי של שונות השדה, נלכדים בצינור עיבוד יחיד.

בעיית התיוג שאיש אינו מדבר עליה

הנה משהו שלא עולה מספיק במצגות המכירה של AgTech: יש לנו פטה-בייטים של דימות לוויין וכמעט שום דבר מזה אינו מתויג.

"אימות קרקע" משמעו לשלוח פיזית אגרונום לשדה כדי לאמת אם צמח נתון בעקה, מה סוג העקה, וכמה היא חמורה. זה יקר. זה איטי. זה אינו ניתן להרחבה. ובלי תוויות, למידה עמוקה מונחית מתה כבר בהגעה.

זו הייתה הבעיה שהדירה שינה מעיניי יותר מכל החלטת ארכיטקטורה. יכולנו לבנות את רשת הקונבולוציה התלת-ממדית האלגנטית ביותר בעולם, והיא הייתה חסרת תועלת ללא נתוני אימון.

הפתרון הגיע מלמידה עצמית-מונחית. התאמנו מקודדים אוטומטיים ממוסכים (Masked Autoencoders) לנתונים ספקטרליים: מסכים חלק מהפסים — מסתירים את ה-NIR, נניח — ומאמנים את המודל לשחזר את החסר מתוך מה שנותר. על ידי אילוץ הרשת ללמוד את המתאמים בין חלקים שונים של הספקטרום ("אם הרפלקטנס האדום גבוה, ה-NIR אמור להיות נמוך עבור סוג משטח זה"), היא בונה ייצוג פנימי חסין של פיזיקת הצמח ללא ולו תווית אנושית אחת.

לאחר מכן אנו מכווננים על מערכי נתונים מתויגים קטנים למשימות ספציפיות — זיהוי חלדון סויה, כימות חנקן, מיפוי עקת מים. מדדי ביצוע עדכניים מראים שמסגרות עצמיות-מונחות יכולות להשיג מעל 92% דיוק בזיהוי מוקדם של מחלות, בהתאמה לבסיסי ייחוס מונחים במלואם תוך צמצום דרסטי של הצורך בתוויות שדה. טכניקת הזיווג הספקטרלי מבוססת-המרחק שלנו — שימוש במרחק אוקלידי בין ווקטורים ספקטרליים כדי לזהות אוטומטית פיקסלים דומים ונבדלים — שיפרה את הדיוק במעל 11% בהשוואה לאשכול מסורתי.

זה מה שמאפשר קנה מידה גלובלי. אנחנו לא צריכים צבאות של אגרונומים בכל מחוז. אנחנו צריכים פיזיקה, מתמטיקה, ומספיק נתוני לוויין לא מתויגים כדי ללמד את המודל איך נראה בריא לפני שאי פעם נאמר לו איך נראה חולה.

מה זה אומר בפועל בדולרים?

למדתי שאלגנטיות טכנית אינה שווה דבר אם היא אינה מיתרגמת לערך כלכלי. אז הרשו לי להיות קונקרטי.

הערך הכלכלי של בינה חקלאית הוא פונקציה של זמן. מידע המתקבל לאחר נקודת ההתערבות הוא בעל ערך אפס. מודל RGB שאומר לך שהשדה שלך נתון בעקה 10 ימים לאחר שהתערבות הייתה עוזרת הוא דיווח מזג אוויר יקר. מודל היפרספקטרלי שאומר לך 14 יום לפני שסימפטומים נראים לעין מופיעים מעניק לך חלון לפעולה — יישום ממוקד של קוטלי פטריות, התאמת השקיה, השלמת חומרים מזינים — בעוד ההתערבות עדיין יכולה לשנות את התוצאה.

מחקרים מצביעים על כך שזיהוי מוקדם של מחלות מבוסס בינה מלאכותית יכול למנוע אובדני יבול של 15 עד 40%, כשההחזר על ההשקעה עבור טכנולוגיית הזיהוי לרוב עולה על 150%. עבור ארגון המנהל אלפי הקטרים, אלה מיליוני דולרים בהכנסה נשמרת.

היישומים במורד הזרם מצטברים. מפות ספקטרליות מאפשרות טכנולוגיית קצב משתנה — ריסוס רק של האזורים שזוהו כלוקים בחסר, לא של השדה כולו. מודלים היפרספקטרליים יכולים לכמת את תכולת החנקן בעלים בדיוק מספק כדי לצמצם את היישום ב-10% על פני תיק, ולחתוך עלויות ונגר סביבתי בו-זמנית. פסי תרמי ו-SWIR מספקים מדדים ישירים לעקת מים ביבול, ומאפשרים אופטימיזציה של השקיה שיכולה לצמצם את צריכת המים ב-20 עד 25%.

וההוכחות קיימות מעבר לעבודה שלנו עצמנו. Descartes Labs השתמשה בלמידת מכונה על ארכיוני ספקטרום לוויין כדי לחזות את ייצור התירס בארה"ב בטעות סטטיסטית של רק 2.37% בתחילת אוגוסט — שבועות לפני שהסקר הרשמי של ה-USDA הגיע לדיוק דומה. Planet Labs חברה ל-Organic Valley כדי לייעל מרעה על ידי מידול ביומסה ואיכות מספוא מתוך חתימות ספקטרליות, והגדילה את ניצול המרעה ב-20%. Gamaya פרסה רחפנים היפרספקטרליים על קני סוכר ברזילאיים וזיהתה חתימות של נמטודות שרחפני RGB פספסו לחלוטין.

לפירוק הטכני המלא של הארכיטקטורה ומדדי הביצוע שלנו, ראו את מאמר המחקר שלנו.

מדוע אי אפשר פשוט להשתמש ב-LLM לזה?

אני מקבל את השאלה הזו יותר משהייתי רוצה להודות. בדרך כלל ממשקיעים, לפעמים מלקוחות פוטנציאליים שנאמר להם ש-GPT יכול לעשות הכול עכשיו.

LLM אינו יכול לנתח קובייה היפרספקטרלית של 200 פסים. ממשק API כללי לראייה שאומן על תצלומי אינטרנט אינו יכול להבחין בין מחסור בחנקן לזיהום פטרייתי בחופת חיטה. גישת "עטיפת AI" — לקיחת API סטנדרטי והנחת ממשק ספציפי לתחום מעליו — עובדת לתמצות טקסט. היא חסרת אונים בתחומים מדעיים בעלי סיכון גבוה שבהם הנתונים עצמם שונים מהותית מכל דבר שמודל היסוד ראה.

יש גם סוגיה עמוקה יותר. כשאתה מוציא במיקור חוץ את הבינה שלך לקופסה שחורה, אתה מאבד את יכולת הביקורת. חברת ביטוח ארגונית המתמחרת ביטוח יבול פרמטרי צריכה לדעת מדוע המודל סימן שדה. סוחר סחורות המקבל החלטת פוזיציה על בסיס תחזיות יבול צריך לעקוב אחר ההיגיון בחזרה למדידות פיזיקליות. "ה-API אמר כך" אינו תשובה מקובלת בהקשרים אלה.

אנחנו בונים מודלים מהיסוד. אנחנו מחזיקים בבעלות על הפעולות המתמטיות שממירות קורנוּת ספקטרלית לתובנה אגרונומית. זו אינה העדפה פילוסופית — זו דרישה עבור כל לקוח שזקוק לכך שהבינה המלאכותית שלו תהיה ניתנת לביקורת, ניתנת להסבר, ומעוגנת בפיזיקה ולא במתאם סטטיסטי עם טקסט אינטרנטי.

התשתית שאיש אינו רוצה לבנות

אני צריך להיות כן לגבי משהו: המודל הוא החלק הזוהר. התשתית שמתחתיו היא המקום שבו רוב הצוותים מוותרים.

תמונה היפרספקטרלית בודדת יכולה להיות גדולה פי 50 עד 100 מתמונת לוויין RGB סטנדרטית. מסע טיסת רחפן בודד מייצר טרה-בייטים. אי אפשר לאחסן את זה בתיקיות ולטעון אותו עם ספריות תמונה סטנדרטיות. אתה צריך פורמטי טנזור מקטעיים ודחוסים — Zarr, Cloud Optimized GeoTIFF — המאפשרים קריאה מקבילה של פרוסות ספקטרליות ספציפיות כך שאשכול ה-GPU שלך יוכל באמת לקלוט נתונים במהירות הנדרשת לאימון רשתות קונבולוציה תלת-ממדיות.

אחר כך יש את התיקון האטמוספירי. האטמוספירה מעוותת כל מדידה — אדי מים, אירוסולים, פיזור. תמונת לוויין גולמית מכילה את הרעש הזה. אם אתה מזין אותה ישירות לרשת נוירונים, המודל לומד לסווג "אובך" במקום בריאות יבול. אנו מריצים מודלים של העברה קורנתית מבוססי פיזיקה כדי להסיר את האטמוספירה ולשחזר את החתימה הספקטרלית האמיתית של החופה. אחר כך תיקון גיאומטרי ורישום-משותף תת-פיקסלי, כי אם פיקסל בקואורדינטות (x, y) היום אינו מתאים לאותה חלקת קרקע פיזית כמו בשבוע שעבר, ניתוח הזמן שלך חסר משמעות.

שום דבר מזה אינו מרגש. כולו הכרחי. וזו הסיבה ש"פשוט לכוונן מודל ראייה על נתוני לוויין" נכשל בפועל אפילו כשנדמה שהוא עובד בהדגמה.

כאשר ארגון מצמצם נתונים רדיומטריים לתמונה חזותית לשם שימוש במודל בינה מלאכותית מהמדף, הוא הורס נתונים באופן פעיל.

העתיד הספקטרלי כבר כאן

אנחנו נכנסים למה שהייתי מכנה תור הזהב של נתונים היפרספקטרליים. מערך הלוויינים Tanager של Planet ממפה פחמן וחתימות כימיות מהמסלול. EnMAP הגרמני מבצעי. משימת Surface Biology and Geology של נאס"א בדרך. הדלק הגולמי לבינה ספקטרלית עומד להיעשות בשפע.

החזית הבאה היא עיבוד הנתונים האלה במסלול — רשתות קונבולוציה תלת-ממדיות קלות משקל וטרנספורמרים מכומתים הרצים על חומרת לוויין, המשדרים תובנות במקום טרה-בייטים גולמיים. "בשדה A יש חלדון" במקום מזבלת נתונים של ריבוי גיגה-בייטים. ההשהיה יורדת משעות לדקות.

והפיזיקה של הספקטרוסקופיה אינה נעצרת בחקלאות. אותן ארכיטקטורות שאנו משתמשים בהן לזיהוי כלורופיל מסתגלות לזיהוי מינרלים בכרייה, זיהוי דליפות מתאן בניטור סביבתי, ואפילו זיהוי כלי רכב מוסווים שנראים ירוקים ב-RGB אך חסרים את ה-Red Edge של צמחייה אמיתית.

אבל אני חוזר שוב ושוב לחקלאות כי ההימור כה מיידי וכה אנושי. אובדן יבול של 15% שנמנע. מפלס מי תהום שלא דולל מהשקיית יתר. קוטל פטריות שיושם על עשרה דונמים במקום על אלף. אלה אינם שיפורים מופשטים. הם ההבדל בין חווה ששורדת עונה גרועה לבין אחת שאינה שורדת.

עידן ההתייחסות לנתוני לוויין כאל תמונות יפות מגיע לקצו. לא משום שמישהו החליט שכך צריך להיות, אלא משום שהכלכלה כבר אינה תומכת בכך. כשאתה יכול לזהות עקה שבועיים לפני שהיא נראית לעין, לכל יום של עיכוב יש ערך דולרי. כשאתה יכול להבחין בין מחסור בחנקן לעקת מים לזיהום פטרייתי, כל ריסוס גורף הוא בזבוז ניתן למדידה.

הארגונים שנצמדים לראייה ממוחשבת מבוססת RGB ימשיכו לראות את שדותיהם בבירור ולהבין אותם בצורה גרועה. הם יבצעו אופטימיזציה לצורות בעוד הכימיה מספרת סיפור אחר — סיפור שהם היו חירשים לו מאז שהתחילו להתייחס לרדיומטרים כאל מצלמות.

הפסיקו להסתכל על פיקסלים. התחילו לקרוא את הספקטרום.