Forneci radiância bruta a uma IA agrícola hiperespectral. Em um teste sintético retido, sua pontuação caiu de 0.887 para 0.373.
Um alerta de NDVI que diz apenas "estressado" deixa o produtor sem saber como escolher entre nitrogênio, irrigação ou uma inspeção de campo para mancha-de-asfalto precoce; construí o SpectraRx em torno dessa decisão. No caminho deliberadamente corrompido desta demonstração sintética baseada na física, a mesma CNN espectral de 424 bandas cai de 0.887 para 0.373 em seu teste retido quando forneço radiância bruta no topo da atmosfera em vez de reflectância de superfície corrigida.
Não incluí essa falha na demonstração como um truque de mágica. Coloquei-a ali porque uma pontuação de estresse da cultura sem as condições que tornam sua entrada significativa é um convite para transformar um mapa bonito em uma decisão de campo ruim. Os cenários são cubos sintéticos, baseados na física, para uma lavoura de milho e uma geografia, e não capturas reais ou garantias de campo. O objetivo é tornar a cadeia inspecionável enquanto as premissas permanecem visíveis.
Começo com essa mancha âmbar isolada de NDVI porque ela expõe o limite de um alerta de detecção. Ela serve como sinal para olhar mais de perto, mas não diz se uma barra de 27 metros deve alterar a dosagem de nitrogênio, se um padrão de estresse hídrico precisa de inspeção ou se uma mancha-de-asfalto precoce deve enviar um agrônomo a campo. Eu queria que a demonstração respondesse à pergunta seguinte e, em seguida, mostrasse as evidências e os limites dessa resposta.
Você pode executar a cadeia em veriprajna.com/demos/hyperspectral-agriculture-ai. A tela não esconde o caso inconveniente. Ela permite ignorar a correção atmosférica e observar a mudança no fluxo de decisão.
Aprendi que a calibração altera o objeto que o classificador enxerga
Eu costumava classificar a correção atmosférica como mero trabalho de preparação. O cubo chega como radiância no topo da atmosfera, e a correção por linha empírica da demonstração transforma isso em reflectância de superfície BOA com a proveniência de calibração vinculada ao cenário. Essa distinção parecia encanamento de engenharia até que a contornei deliberadamente.
Mantive a rede treinada e seus pesos fixos. Mudei o caminho de entrada. No teste retido, sintético e fundamentado na física de 1.280 pixels de uma cultivar e solo inéditos, o resultado passou de 0.887 de macro-F1 para 0.373. Esse é um resultado medido para este modelo e este teste, não uma afirmação de que todo modelo hiperespectral falhará na mesma proporção.
Achei o contraste mais útil do que uma grande tabela de benchmark porque ele torna concreta uma falha prática. O caminho sem correção não é apenas uma entrada mais ruidosa. A radiância bruta carrega efeitos atmosféricos e de iluminação para dentro de um classificador que foi projetado para interpretar a reflectância de superfície corrigida. Uma rede ainda pode retornar uma classe e uma confiança, mas nenhuma das duas é motivo suficiente para autorizar uma prescrição.
Tornei visível o caminho da radiância bruta porque um número de acurácia isolado ignora a questão operacional: o que deve acontecer após o sistema descobrir que está em terreno menos seguro? No SpectraRx, a resposta não é um bloqueio universal. A TOA bruta ainda chega ao classificador neste teste deliberado, e os gates subsequentes de confiança e de concordância com a física tornam a incerteza visível.
Dediquei tempo para separar esse resultado da alegação de que a rede se tornou inútil. O classificador é uma CNN espectral 1-D personalizada que lê uma curva completa de 424 bandas de 400 a 2515 nm. Sua função normal é distinguir pixels saudáveis, com deficiência de nitrogênio, com estresse hídrico e com mancha-de-asfalto precoce a partir da reflectância de superfície BOA. O experimento de calibração não altera as classes da cultura, não retreina o modelo nem substitui silenciosamente a linha de base por uma mais fraca. Ele altera uma condição upstream e permite que o restante da cadeia de decisão mostre a consequência.
Achei isso útil porque a reação comum a uma pontuação ruim é pedir outra pontuação. Neste caso, eu precisava de uma pergunta diferente: que evidências o sistema possui para agir após a entrada ter sido alterada? A resposta começa com a proveniência de calibração, mas não pode parar por aí. Um valor de confiança é apenas um sinal. A verificação de concordância com a física pode se abster quando a classe da CNN entra em conflito com a feição documentada, como uma indicação de nitrogênio sem o deslocamento esperado na borda vermelha (red-edge). O inspetor também exibe a curva completa e um traço de saliência de bandas para que o operador possa comparar as evidências do modelo com os diagnósticos documentados.
Utilizo esse inspetor como uma superfície de prestação de contas, não como prova de infalibilidade. Para a mancha-de-asfalto precoce, as classes amostradas do traço em 530 e 535 nm situam-se mais próximas do diagnóstico de PRI em torno de 531 nm. As evidências de nitrogênio localizam-se na faixa de borda vermelha de 680 a 720 nm. As feições de SWIR para água são verificações de diagnóstico, e não alegações de picos máximos de saliência. Essas verificações disponibilizam o raciocínio para inspeção. Elas não transformam um benchmark sintético em uma garantia de campo real e não eliminam a necessidade de inspeção em campo quando o caminho de entrada se torna menos confiável.
Também resisti a enfraquecer a linha de base para fazer a falha parecer mais dramática. No teste sintético retido de mudança de distribuição, o modelo concorrente real de banda larga do Sentinel-2 alcança 0.69 de macro-F1. Ele fica próximo de 1.0 em nitrogênio porque possui bandas de borda vermelha e SWIR. O modelo hiperespectral atinge 0.887 no geral, com sua maior vantagem estrutural em estresse hídrico e mancha-de-asfalto precoce. Essa é uma comparação significativa, mas ainda não decide se uma determinada zona deve receber uma prescrição após a calibração ser ignorada. O gate e a regra de zona existem para responder a essa questão operacional posterior.
Eu precisava que a salvaguarda alterasse uma ação em campo, não apenas a cor de um painel
Tive o cuidado de não transformar a abstenção em mais uma promessa vaga. Um pixel hachurado significa que o sistema está retendo o diagnóstico em nível de pixel quando a confiança é baixa, a assinatura é mista ou o classificador entra em conflito com a feição física documentada. O cenário padrão de demonstração seed-7 calibrado mostra 20.1% dos pixels com abstenção. Esse número é uma observação no aplicativo para esse cenário específico, não uma métrica de avaliação universal.
Tive então que decidir o que o operador faz com um mapa contendo esses pixels. Um pulverizador não trabalha pixel por pixel. O SpectraRx agrega pixels de diagnóstico de 5 metros em células de manejo de 25 metros usando o perfil de uma barra de pulverização de 27 metros. A regra é visível de propósito: zonas com pelo menos 34% de pixels com abstenção são direcionadas para inspeção de campo com verdade terrestre, enquanto as outras zonas utilizam a maioria dos pixels sem abstenção.
Penso que essa regra é onde a ideia abstrata de incerteza se transforma em um fluxo de trabalho real. No cenário seed-7 com calibração ignorada, 92.2% dos pixels se abstêm e 140 de 144 zonas de manejo são direcionadas para inspeção de campo. Quatro zonas de estresse hídrico ainda recebem aplicação sob a regra de zona. O sistema não provou que as quatro zonas são seguras em um sentido de mundo aberto. Ele disponibilizou suas condições e sua regra de roteamento para revisão, em vez de fingir que toda entrada modificada precisa resultar em pulverização ou em uma tela em branco.
Também quis que um leitor de sensoriamento remoto cético visse mais do que apenas o gate. O inspetor espectral mostra a curva de 424 bandas e um traço laranja de saliência de bandas. Na mancha-de-asfalto precoce, as classes amostradas de saliência em 530 e 535 nm ficam mais próximas do diagnóstico de PRI próximo de 531 nm; as evidências de nitrogênio aparecem na faixa de borda vermelha de 680 a 720 nm. Para a água, as feições de SWIR documentadas são verificações de diagnóstico, não alegações sobre o pico mais alto de saliência da CNN. Trata-se de uma comparação inspecionável com a física documentada, e não de uma prova de que o modelo nunca utilizará um indício espúrio.
Eu não poderia chamar isso de prescrição até que uma barra de pulverização e um agrônomo pudessem utilizá-la
Aprendi que um mapa de diagnóstico continua incompleto mesmo depois de os gates fazerem seu trabalho. O cenário calibrado padrão possui 144 células de manejo: 21 zonas de aplicação, 25 zonas de inspeção de campo e 98 zonas saudáveis no estágio V12. O SpectraRx transfere a decisão da zona sobrevivente para uma prescrição de taxa variável. As taxas de nitrogênio acompanham a severidade, e o fungicida só é permitido na janela configurada de R3. As exportações utilizam formatos reais ISO-XML e GeoJSON, ao passo que integrações ao vivo com sensores e sistemas de gestão agrícola não estão implementadas nesta demonstração.
Tornei o registro downstream determinístico pelo mesmo motivo que tornei o gate visível. A demonstração gera um modelo de registro no estilo MIP do Farm to Fork da UE a partir do diagnóstico e da prescrição. Ele inclui coordenadas da zona, cobertura da classe majoritária na zona, evidências espectrais, alternativas avaliadas, produto e dosagem recomendados, o prazo limite de R3, proveniência de calibração e uma linha de assinatura para agrônomo credenciado. Trata-se de um modelo para revisão, não de um registro formal de conformidade protocolado.
Mantive o modelo de linguagem fora desse caminho de confiança. O processamento de sinais, o classificador espectral treinado, os gates determinísticos, os cálculos de maquinário e o modelo de registro sustentam as decisões estruturantes. Um modelo opcional pode redigir a justificativa de MIP em texto a partir de fatos já calculados, com um fallback baseado em modelos para que a demonstração funcione sem chave de API. Ele não decide o que uma lavoura precisa nem se uma zona deve passar por inspeção de campo.
Deixei de medir o produto apenas pelo classificador
Ainda posso me importar com o classificador. No teste sintético retido de mudança de distribuição, o SpectraRx registra 0.887 de macro-F1 contra 0.69 do modelo concorrente de banda larga do Sentinel-2. A diferença é mais expressiva no estresse hídrico, 0.97 contra 0.63, e na mancha-de-asfalto precoce, 0.77 contra 0.61. O nitrogênio fica próximo de 1.0 em ambos, o que é útil exatamente por manter a tecnologia concorrente como uma linha de base real, e não como um espantalho.
Não utilizo esses resultados como uma alegação sobre lavouras abertas. Eles cobrem 1.280 pixels sintéticos retidos, uma cultura e uma única geografia. Uma biblioteca de verdade de campo de duas safras ainda é necessária antes que alguém possa fazer uma afirmação de acurácia no mundo real. A lição que extraio da demonstração é mais restrita e prática: uma pontuação de classificação é apenas uma parte de um sistema de decisão, e é justamente a parte com maior probabilidade de ser citada sem suas condições operacionais.
Incorporei a falha de calibração ao SpectraRx porque ela força essas condições a virem à tona. Ela mostra a entrada mudando, a pontuação despencando, os gates downstream expondo a incerteza, a regra de zona traçando um caminho de inspeção em campo e o registro de prescrição preservando o que o operador e o revisor precisam inspecionar. Essa sequência é o trabalho que quero aprimorar antes de correr atrás de mais uma casa decimal.
E se você prefere ver isso em funcionamento a me ler descrevendo, aqui está tudo rodando de ponta a ponta.
Retorno a veriprajna.com/demos/hyperspectral-agriculture-ai quando quero testar se a demonstração está sendo honesta. O sistema útil de IA para lavouras é aquele capaz de mostrar por que um cenário se tornou menos confiável, direcionar essa incerteza para uma ação no campo e deixar um registro claro da decisão que tomou e da que deixou de tomar.
