Il livello di analytics tra rilevamento e prescrizione
In questa demo sintetica basata sulla fisica per una singola coltura e area geografica, l'NDVI può segnalare stress da azoto, idrico e fungino con lo stesso colore ambra. SpectraRx legge la curva completa a 424 bande per ogni pixel, identifica la causa, genera una prescrizione a rateo variabile con la reale geometria della barra di irrorazione e crea un modello di registro in stile IPM per la revisione. I pixel non supportabili instradano l'incertezza verso lo scouting in campo.
0.887
Macro-F1 nella separazione dei tipi di stress
CNN spettrale a 424 bande rispetto a 0,69 dell'incumbent Sentinel-2, su un set held-out di 1.280 pixel
424 bande
Curva completa VNIR e SWIR per pixel
Da 400 a 2515 nm tra visibile, vicino infrarosso e infrarosso a onde corte
Da 0,887 a 0,373
Accuratezza senza correzione atmosferica
La calibrazione è strutturale, misurata nell'app
Questa è una demo eseguibile. Le scene iperspettrali sono cubi sintetici basati sulla fisica; i connettori live per sensori e macchinari agricoli non sono implementati. Il classificatore addestrato, i gate deterministici, i formati di esportazione e il modello di registro in stile IPM generato funzionano esattamente come mostrato.
Il divario tra rilevare un problema e agire per risolverlo.
Il monitoraggio multispettrale e l'NDVI possono colorare di ambra un ampio appezzamento di mais e definirlo stressato. Non ne identificano la causa. Carenza di azoto, deficit idrico e infezione fungina precoce richiedono risposte diverse, mentre l'avviso di stress fornisce all'operatore un unico colore per tutte.
Il costo di tirare a indovinare è operativo. Una diagnosi errata spreca un passaggio sul problema sbagliato, mentre un segnale di patologia mancato riduce i tempi di intervento. Una singola macchia ambra non localizza nulla di tutto questo.
La soluzione onesta non è una mappa termica più accattivante. È un livello di analytics che legge la fisica della coltura, separa le cause e instrada le zone ad alta astensione verso lo scouting quando i dati sottostanti non sono affidabili. Questo è il livello che abbiamo costruito.
Una catena deterministica: acquisizione, calibrazione, diagnosi, gate di controllo, prescrizione, registrazione. Il classificatore propone una diagnosi; il codice decide se è sicuro intervenire.
Ogni scena è un cubo iperspettrale a 424 bande che copre da 400 a 2515 nm tra visibile, vicino infrarosso e infrarosso a onde corte. Una correzione atmosferica a linea empirica recupera la riflettanza superficiale bottom-of-atmosphere dalla radianza top-of-atmosphere e applica un contrassegno di provenienza della calibrazione per scena. Una CNN spettrale 1-D personalizzata, scritta da zero in puro numpy con convoluzione reale, backpropagation e Adam, classifica la curva completa di ciascun pixel tra sano, carenza di azoto, stress idrico o macchia di catrame (tar spot) precoce, con scaling di temperatura affinché la sua confidenza sia calibrata. Un modello di feature fisiche a banda stretta e l'incumbent reale a banda larga Sentinel-2 operano in parallelo come baseline.
L'affidabilità non dipende mai dal report di confidenza del modello stesso. Prima che un pixel si trasformi in una prescrizione, supera tre controlli deterministici.
La correzione atmosferica applica un flag di provenienza per ogni scena. Nella modalità di esclusione deliberata, i dati grezzi top-of-atmosphere raggiungono il classificatore affinché i gate a valle di confidenza e concordanza fisica possano evidenziare il percorso di errore.
I pixel a bassa confidenza o con firma mista si astengono anziché forzare una classe. Le zone con il 34 percento o più di pixel astenuti vengono instradate allo scouting; le altre zone utilizzano la maggioranza non astenuta per la prescrizione.
Se la CNN propone una classe ma la feature fisica documentata dissente (indica azoto, ma il red-edge non si è spostato), il pixel si astiene. Un'affermazione deve corrispondere alla spettroscopia.
La mappa delle diagnosi tipizzate viene aggregata da pixel a 5 m a celle di gestione a 25 m utilizzando un profilo di barra da 27 m. La geometria dell'attrezzatura è parte integrante del calcolo, non un ripensamento. Le dosi agronomiche seguono le regole di diagnosi configurate, inclusa una regola sui fungicidi che consente l'intervento solo all'interno della finestra fenologica R3 impostata. Il piano viene esportato in formato ISO-XML e GeoJSON.
La demo genera quindi un modello di registro in stile IPM conforme a EU Farm to Fork a partire da diagnosi e prescrizione per la revisione da parte di agronomi e conformità. Non offre una trasmissione o un connettore normativo live. L'unico passaggio in cui a un modello linguistico è consentito interagire con la pipeline è la redazione del testo di giustificazione a partire da fatti già calcolati, con un fallback basato su template affinché la demo funzioni senza chiave API.
La scena sintetica basata sulla fisica della demo. Ogni immagine sottostante è uno screenshot dell'applicazione in esecuzione.
La scheda NDVI mostra il campo nel modo in cui lo fornisce un servizio di monitoraggio satellitare: un'unica regione ambra nel quadrante nord-est, etichettata come stressata, senza causa e senza prescrizione. Questo è il punto di partenza che ogni team di agricoltura di precisione già possiede, nonché il punto in cui il processo decisionale si blocca.
L'esecuzione di Diagnostica campo suddivide quella singola regione ambra in cause distinte: carenza di azoto in ambra, stress idrico in blu e macchia di catrame precoce in rosso, con pixel tratteggiati astenuti e indirizzati allo scouting a terra. Su questa scena sintetica held-out basata sulla fisica, il pannello del verdetto riporta una macro-F1 di 0,89 per SpectraRx contro 0,69 dell'incumbent Sentinel-2, un'accuratezza calibrata di 0,89 e il 20,1 percento della superficie astenuta. Una sola mappa si trasforma in tre interventi differenti.
L'obiezione più ovvia a qualsiasi classificatore colturale è che abbia semplicemente memorizzato la forma dei propri dati di addestramento. L'ispettore spettrale risponde direttamente a parte di questo quesito. Per la macchia di catrame (tar spot), il tracciato di salienza delle bande calcolato in modo indipendente raggiunge il picco nei bin campionati a 530 e 535 nm più vicini alla diagnostica PRI attorno a 531 nm. Per l'azoto, attribuisce peso al red-edge tra 680 e 720 nm. Il sistema verifica separatamente le diagnostiche idriche SWIR documentate a 970, 1450 e 1940 nm; tali controlli non vengono presentati come i picchi di salienza più elevati della CNN.
L'attivazione di Salta correzione atmosferica invia al classificatore la radianza grezza top-of-atmosphere. L'accuratezza crolla da 0,887 a 0,373; il 92,2 percento dei pixel si astiene e 140 zone di gestione su 144 vengono indirizzate allo scouting di verifica a terra. Quattro zone di stress idrico mantengono l'applicazione in base alla regola di zona, dimostrando che si tratta di un presidio ispezionabile anziché di un blocco indiscriminato.
La diagnosi si articola in 144 celle di gestione con profilo di barra da 27 m e risoluzione a 25 m: 21 zone di applicazione, 25 da perlustrare e 98 già sane. Ciascuna zona di applicazione include prodotto e dose in base alle regole di prescrizione deterministiche della demo. I dati sono esportabili come ISO-XML e GeoJSON, nonché come registro in stile IPM conforme a EU Farm-to-Fork, che elenca le coordinate geografiche di ciascuna zona, l'evidenza spettrale, le alternative valutate, la scadenza fenologica R3 e una riga per la firma dell'agronomo certificato.
Nel test sintetico basato sulla fisica su cultivar e terreno held-out da 1.280 pixel, SpectraRx ottiene una macro-F1 di 0,887 contro 0,69 dell'incumbent Sentinel-2 e 0,856 di un modello di feature fisiche a banda stretta. Per singola classe, l'incumbent costituisce una baseline davvero solida sull'azoto, vicina a 1,0. Rimane indietro sull'acqua, 0,63 contro 0,97, e sulla macchia di catrame precoce, 0,61 contro 0,77. Questo è un risultato sul meccanismo, non una garanzia in campo aperto.
Il medesimo incumbent con cui la demo si confronta, a confronto diretto. È una baseline reale e solida, non un termine di paragone fittizio.
| Dimensione | Incumbent a banda larga Sentinel-2 | SpectraRx |
|---|---|---|
| Bande lette per pixel | 13 a banda larga | 424, VNIR e SWIR (da 400 a 2515 nm) |
| Separa azoto, acqua, tar spot | Azoto sì; acqua e tar spot debolmente | Tutti e tre, per pixel |
| F1 stress idrico (set held-out) | 0,63 | 0,97 |
| F1 tar spot precoce (set held-out) | 0,61 | 0,77 |
| Comportamento su pixel ambigui o non calibrati | Classifica comunque | Si astiene, indirizza allo scouting di verifica a terra |
| Cosa si ottiene in output | Una segnalazione generica di stress | Una diagnosi tipizzata, una prescrizione a rateo variabile e un modello di registro revisionabile in stile IPM |
L'NDVI e il monitoraggio multispettrale possono rilevare che qualcosa non va senza identificare la causa. SpectraRx legge la curva completa di riflettanza a 424 bande per ciascun pixel e specifica la diagnosi, le lunghezze d'onda determinanti e la linea d'azione. Nel test sintetico su cultivar e terreno held-out basato sulla fisica da 1.280 pixel della demo, separa i tipi di stress con una macro-F1 di 0,887 rispetto a 0,69 dell'incumbent a banda larga Sentinel-2; lo stress idrico è a 0,97 contro 0,63 e la macchia di catrame precoce a 0,77 contro 0,61.
Passando il cursore su qualsiasi zona nell'ispettore spettrale, viene tracciato un profilo di salienza delle bande che evidenzia quali lunghezze d'onda la CNN ha effettivamente ponderato, calcolato in modo indipendente dalle feature del classificatore stesso. La macchia di catrame (tar spot) è associata alla banda dell'indice di riflettanza fotochimica a 531 nm e l'azoto al red-edge tra 680 e 720 nm. Il sistema controlla inoltre le diagnostiche idriche SWIR documentate a 970, 1450 e 1940 nm, senza presentarle come i principali picchi di salienza della CNN. Il benchmark è un set sintetico held-out derivato da cultivar e terreno su cui nessuno dei due modelli è stato addestrato.
Tre gate deterministici sono posti all'esterno del modello: un gate di provenienza della calibrazione, un gate di confidenza e ambiguità, e un controllo di concordanza fisica che si astiene se la classe della CNN è in disaccordo con la feature fisica documentata. Le zone con il 34 percento o più di pixel astenuti vengono instradate allo scouting; le altre zone ricevono la prescrizione in base alla maggioranza dei pixel non astenuti. Nella scena calibrata predefinita, il 20,1 percento dei pixel si astiene. Questo è un presidio visibile, non una pretesa di perfezione; l'F1 per il tar spot è 0,77.
La mappa diagnostica viene aggregata da pixel a 5 m a celle di gestione a 25 m utilizzando un profilo di barra da 27 m. Nella demo ciò genera 144 celle di gestione (21 per l'applicazione, 25 per lo scouting, 98 sane), con prodotti e dosi per zona, ed esporta in formato ISO-XML e GeoJSON. I formati di esportazione sono reali; i connettori push live dei partner non sono implementati in questa demo.
SpectraRx genera un modello di registro in stile IPM per EU Farm-to-Fork in modo deterministico a partire da diagnosi e prescrizione: coordinate geografiche, evidenza spettrale per zona e copertura della classe maggioritaria, alternative valutate, prodotto e dose raccomandati, scadenza della finestra per fungicidi, provenienza della calibrazione, nome e versione del modello e riga per la firma dell'agronomo certificato. La demo non promette una procedura o un connettore normativo live.
Ogni numero si riproduce esattamente con seed prefissati ed è misurato su un set held-out di 1.280 pixel provenienti da cultivar e terreno su cui nessun modello è stato addestrato, a dimostrazione di un distribution shift anziché di una memorizzazione. Le scene sono cubi sintetici basati sulla fisica: la baseline sana segue la riflettanza della vegetazione verde pubblicata e le firme di stress sono perturbazioni fisiche documentate introdotte indipendentemente dal classificatore. Riportiamo la macro-F1 di 0,887 come risultato su quel set sintetico etichettato per una singola coltura e area geografica, mai come garanzia in campo aperto. L'accuratezza nel mondo reale richiede una libreria di ground-truth su due stagioni, lavoro rimandato a sviluppi futuri.
Non in questa demo. Le integrazioni live con sensori e i connettori push dei partner non sono implementati. Ciò che è reale è la catena di analytics: correzione atmosferica, CNN spettrale a 424 bande, gate deterministici, algoritmi di prescrizione e formati di esportazione ISO-XML, GeoJSON e in stile IPM. Veriprajna sviluppa soluzioni di analytics agnostiche rispetto ai sensori; non possediamo satelliti né produciamo sensori.
La ricerca alla base di questa demo: l'architettura, la progettazione della verifica e il blueprint aziendale.
Soluzione completa
Esplora la soluzione Hyperspectral AI for Precision Agriculture →La parte complessa è la catena calibrata, con capacità di astensione e consapevolezza dell'attrezzatura, non il classificatore. Noi la costruiamo.
Se il vostro team si ritrova con mappe di stress su cui non può agire, il problema interessante è dove tracciare la linea di astensione per le vostre colture, sensori e attrezzature. Questa è la conversazione che preferiamo affrontare, piuttosto che una presentazione commerciale.