Ho alimentato un'AI iperspettrale per colture con radianza grezza. Su un test sintetico di hold-out, il punteggio è sceso da 0.887 a 0.373.

Un avviso NDVI che dice solo "stressato" lascia un agricoltore nell'impossibilità di scegliere tra azoto, irrigazione o un'ispezione per il tar spot precoce; ho costruito SpectraRx attorno a questa decisione. Nel percorso deliberatamente alterato di questa demo sintetica basata sulla fisica, la stessa CNN spettrale a 424 bande scende da 0.887 a 0.373 sul suo test di hold-out quando la alimento con radianza grezza top-of-atmosphere al posto della riflettanza superficiale corretta.

Non ho inserito quel fallimento nella demo come un trucco da prestigiatore. L'ho messo lì perché un punteggio di stress delle colture senza le condizioni che rendono significativo il suo input è un invito a trasformare una mappa ordinata in una pessima decisione sul campo. Le scene sono cubi sintetici, basati sulla fisica per una singola coltura di mais e una specifica area geografica, non acquisizioni reali o garanzie sul campo. Il punto è rendere la catena ispezionabile mantenendo visibili le ipotesi.

Inizio con quella singola macchia ambrata di NDVI perché mostra il limite di un avviso di rilevamento. È utile come segnale per osservare più da vicino, ma non può dire se una barra irroratrice da 27 metri debba modificare la dose di azoto, se un pattern di stress idrico richieda un'ispezione o se il tar spot precoce debba inviare un agronomo sul campo. Volevo che la demo rispondesse alla domanda successiva, mostrando poi le evidenze e i limiti di tale risposta.

È possibile eseguire la catena su veriprajna.com/demos/hyperspectral-agriculture-ai. La schermata non nasconde il caso scomodo: mi consente di ignorare la correzione atmosferica e osservare come cambia il percorso decisionale.

Ho imparato che la calibrazione cambia l'oggetto che il classificatore vede

Ero solito archiviare la correzione atmosferica tra il lavoro preparatorio. Il cubo arriva come radianza top-of-atmosphere e la correzione empirical-line della demo la trasforma in riflettanza superficiale BOA con la provenienza della calibrazione allegata alla scena. Questa distinzione sembrava mero lavoro idraulico di ingegneria finché non l'ho deliberatamente aggirata.

Ho mantenuto fissi la rete addestrata e i suoi pesi. Ho cambiato il percorso di input. Sul test sintetico di hold-out basato sulla fisica di 1.280 pixel provenienti da una cultivar e da un suolo mai visti prima, il risultato è passato da 0.887 macro-F1 a 0.373. Si tratta di un risultato misurato per questo modello e per questo test, non dell'affermazione che ogni modello iperspettrale fallirà nella stessa misura.

Ho trovato questo contrasto più utile di una tabella di benchmark più ampia perché rende concreto un fallimento pratico. Il percorso non corretto non è semplicemente un input più rumoroso. La radianza grezza trasferisce effetti atmosferici e di illuminazione in un classificatore progettato per interpretare la riflettanza superficiale corretta. Una rete può ancora restituire una classe e un livello di confidenza, ma nessuno dei due costituisce un motivo sufficiente per autorizzare una prescrizione.

Ho reso visibile il percorso della radianza grezza perché un dato di accuratezza da solo tralascia la domanda operativa: cosa dovrebbe accadere dopo che il sistema scopre di trovarsi su un terreno meno solido? In SpectraRx, la risposta non è un blocco universale. In questo test deliberato la TOA grezza raggiunge comunque il classificatore, e i gate a valle di confidenza e concordanza fisica rendono visibile l'incertezza.

Ho dedicato del tempo a distinguere quel risultato dall'affermazione che la rete sia diventata inutile. Il classificatore è una CNN spettrale 1-D personalizzata che legge una curva completa a 424 bande da 400 a 2515 nm. Il suo compito abituale è distinguere pixel sani, con carenza di azoto, con stress idrico e con tar spot precoce a partire dalla riflettanza superficiale BOA. L'esperimento di calibrazione non modifica le classi colturali, non riaddestra il modello né sostituisce silenziosamente una baseline più debole: cambia una singola condizione a monte e lascia che il resto della catena decisionale mostri la conseguenza.

L'ho trovato utile perché la reazione consueta a un punteggio negativo è richiederne un altro. In questo caso avevo bisogno di una domanda diversa: di quali evidenze dispone il sistema per agire dopo che l'input è cambiato? La risposta comincia con la provenienza della calibrazione, ma non può fermarsi lì. Il valore di confidenza è solo un segnale. Il controllo di concordanza fisica può astenersi quando la classe della CNN è in conflitto con la caratteristica documentata, come un'indicazione di azoto priva del previsto spostamento del red-edge. L'ispettore mostra inoltre la curva completa e una traccia di salienza delle bande affinché l'operatore possa confrontare le evidenze del modello con le diagnosi documentate.

Utilizzo quell'ispettore come superficie di responsabilità e verifica, non come prova di infallibilità. Per il tar spot precoce, i canali campionati della traccia a 530 e 535 nm si trovano più vicini al valore diagnostico PRI intorno a 531 nm. Le evidenze dell'azoto si collocano nell'intervallo red-edge tra 680 e 720 nm. Le caratteristiche SWIR dell'acqua sono verifiche diagnostiche piuttosto che picchi di salienza dichiarati. Questi controlli rendono il ragionamento accessibile all'ispezione: non trasformano un benchmark sintetico in una garanzia sul campo reale e non eliminano la necessità di un sopralluogo quando il percorso di input diventa meno affidabile.

Ho anche evitato di far apparire debole la baseline per rendere il fallimento più drammatico. Nel test sintetico di hold-out con spostamento della distribuzione, l'attuale riferimento a banda larga Sentinel-2 raggiunge 0.69 di macro-F1. È vicino a 1.0 sull'azoto perché dispone delle bande red-edge e SWIR. Il modello iperspettrale raggiunge 0.887 complessivo, con il suo vantaggio strutturale più marcato nello stress idrico e nel tar spot precoce. È un confronto significativo, ma non decide comunque se una particolare zona debba ricevere una prescrizione una volta ignorata la calibrazione. Il gate e la regola di zona esistono proprio per rispondere a tale successiva domanda operativa.

Avevo bisogno che la protezione cambiasse un'azione sul campo, non solo il colore di un cruscotto

Ho fatto attenzione a non trasformare l'astensione in un'altra promessa vaga. Un pixel tratteggiato significa che il sistema sospende la diagnosi a livello di pixel quando la confidenza è bassa, la firma spettrale è mista o il classificatore è in conflitto con la caratteristica fisica documentata. La scena demo predefinita e calibrata del seed-7 mostra il 20.1% dei pixel in astensione. Quel dato è un'osservazione interna all'applicazione per quella scena, non una metrica di valutazione universale.

Ho dovuto poi decidere cosa debba fare un operatore con una mappa contenente tali pixel. Un'irroratrice non lavora un pixel alla volta. SpectraRx aggrega pixel di diagnosi da 5 metri in celle di gestione da 25 metri utilizzando un profilo di barra da 27 metri. La regola è deliberatamente visibile: le zone con almeno il 34% di pixel astenuti vengono indirizzate a un sopralluogo di riscontro a terra, mentre le altre zone utilizzano la maggioranza dei pixel non astenuti.

Credo sia proprio in quella regola che l'idea astratta di incertezza diventa un flusso di lavoro reale. Nella scena seed-7 con calibrazione ignorata, il 92.2% dei pixel si astiene e 140 su 144 zone di gestione vengono indirizzate al sopralluogo. Quattro zone con stress idrico continuano ad applicare il trattamento in base alla regola di zona. Il sistema non ha dimostrato che le quattro zone siano sicure in senso assoluto (open-world): ha reso disponibili per la revisione le proprie condizioni e la propria regola di instradamento, invece di fingere che ogni input modificato debba produrre un'irrorazione oppure uno schermo vuoto.

Volevo anche che un lettore scettico esperto di telerilevamento vedesse qualcosa di più del semplice gate. L'ispettore spettrale mostra la curva a 424 bande e una traccia arancione della salienza delle bande. Sul tar spot precoce, i canali di salienza campionati a 530 e 535 nm si trovano più vicini al valore diagnostico PRI intorno a 531 nm; le evidenze dell'azoto compaiono nell'intervallo red-edge tra 680 e 720 nm. Per l'acqua, le caratteristiche SWIR documentate sono controlli diagnostici, non rivendicazioni sul picco di salienza più elevato della CNN. Si tratta di un confronto ispezionabile con la fisica documentata, non della prova che il modello non possa mai utilizzare un indizio spurio.

Non potevo chiamarla prescrizione finché una barra irroratrice e un agronomo non fossero stati in grado di utilizzarla

Ho imparato che una mappa diagnostica è ancora incompleta dopo che i gate hanno svolto il loro lavoro. La scena calibrata predefinita conta 144 celle di gestione: 21 zone di applicazione, 25 zone di ispezione e 98 zone sane allo stadio V12. SpectraRx trasferisce la decisione sulle zone superstiti in una prescrizione a rateo variabile. Le dosi di azoto seguono la gravità e il fungicida è consentito solo nella finestra R3 configurata. Le esportazioni sono in formati reali ISO-XML e GeoJSON, mentre le integrazioni live con sensori e software di gestione aziendale non sono implementate in questa demo.

Ho reso deterministico il registro a valle per lo stesso motivo per cui ho reso visibile il gate. La demo genera un modello di registro in stile IPM conforme alla strategia Farm to Fork dell'UE a partire dalla diagnosi e dalla prescrizione. Include le coordinate di zona, la copertura di zona della classe maggioritaria, le evidenze spettrali, le alternative valutate, il prodotto e la dose raccomandati, la scadenza R3, la provenienza della calibrazione e una riga per la firma dell'agronomo certificato. È un modello per la revisione, non un registro di conformità depositato.

Ho tenuto il modello linguistico al di fuori di questo percorso di fiducia. L'elaborazione del segnale, il classificatore spettrale addestrato, i gate deterministici, i calcoli per l'attrezzatura e il modello di registro sostengono le decisioni portanti. Un modello opzionale può redigere il testo di giustificazione IPM a partire da fatti già calcolati, con un fallback basato su template affinché la demo funzioni senza una chiave API. Non decide ciò di cui la coltura ha bisogno né se una zona debba essere ispezionata.

Ho smesso di misurare il prodotto basandomi unicamente sul classificatore

Posso ancora attribuire valore al classificatore. Nel test sintetico di hold-out con spostamento della distribuzione, SpectraRx registra 0.887 di macro-F1 contro 0.69 per il riferimento a banda larga Sentinel-2. La differenza è più marcata nello stress idrico, 0.97 contro 0.63, e nel tar spot precoce, 0.77 contro 0.61. L'azoto è vicino a 1.0 per entrambi, il che è utile proprio perché lascia il riferimento esistente come una vera baseline anziché come uno spauracchio fittizio.

Non utilizzo questi risultati per avanzare pretese sul campo aperto. Coprono 1.280 pixel sintetici di hold-out, una coltura e un'area geografica. È ancora necessaria una libreria di dati a terra (ground truth) di due stagioni prima che chiunque possa avanzare un'affermazione sull'accuratezza nel mondo reale. La lezione che traggo dalla demo è più circoscritta e pratica: un punteggio di classificazione è solo una parte di un sistema decisionale, ed è la parte che più facilmente viene citata senza le sue condizioni operative.

Ho integrato il fallimento della calibrazione in SpectraRx perché costringe a tenere in vista tali condizioni. Mostra l'input che cambia, il punteggio che scende, i gate a valle che fanno emergere l'incertezza, la regola di zona che instrada un percorso di ispezione e il registro di prescrizione che preserva ciò che l'operatore e il revisore devono ispezionare. Quella sequenza è il lavoro che desidero perfezionare prima di inseguire un'altra cifra decimale.

E se preferite vederlo piuttosto che leggermi mentre lo descrivo, ecco l'intero processo in esecuzione da un capo all'altro.

Torno su veriprajna.com/demos/hyperspectral-agriculture-ai quando voglio verificare se la demo è onesta. Il sistema di intelligenza artificiale per le colture davvero utile è quello capace di mostrare perché una scena è diventata meno affidabile, instradare quell'incertezza verso un'azione sul campo e lasciare traccia della decisione presa e di quella non presa.