A camada de analytics entre a detecção e a prescrição

Um satélite diz que um talhão está estressado. O SpectraRx diz o que está errado, por que e o que aplicar.

Name: SpectraRx
Author: Veriprajna

Nesta demo sintética baseada em física para uma única cultura e geografia, o NDVI pode sinalizar estresse de nitrogênio, hídrico e fúngico com o mesmo tom âmbar. O SpectraRx lê a curva completa de 424 bandas em cada pixel, nomeia a causa, prescreve em taxa variável na geometria real da barra e gera um modelo de registro no estilo IPM para revisão. Pixels que não podem ser sustentados direcionam a incerteza para a checagem em campo.

0.887

Macro-F1 separando tipos de estresse

CNN espectral de 424 bandas vs 0.69 do incumbente Sentinel-2, em um conjunto retido de 1.280 pixels

424 bandas

Curva VNIR e SWIR completa por pixel

400 a 2515 nm abrangendo o visível, infravermelho próximo e infravermelho de ondas curtas

0.887 para 0.373

Acurácia sem correção atmosférica

A calibração é estrutural, medida no próprio aplicativo

Esta é uma demo executável. As cenas hiperespectrais são cubos sintéticos fundamentados na física, e conectores ao vivo de sensores e maquinário agrícola não estão implementados. O classificador treinado, os gates determinísticos, os formatos de exportação e o modelo gerado de registro no estilo IPM rodam exatamente como mostrado.

Um alerta de "estresse" sem causa não é uma decisão

A distância entre detectar um problema e tomar uma atitude.

O monitoramento multiespectral e o NDVI podem pintar um grande talhão de milho em âmbar e rotulá-lo como estressado. Eles não identificam a causa. A deficiência de nitrogênio, o déficit hídrico e a infecção fúngica inicial exigem respostas distintas, enquanto o alerta de estresse entrega ao operador uma única cor para todas elas.

O custo de adivinhar é operacional. Um diagnóstico incorreto desperdiça uma passada de pulverização no problema errado, enquanto um sinal de doença não detectado reduz a janela de ação. Uma única mancha âmbar não localiza nada disso.

A solução honesta não é um mapa de calor mais bonito. É uma camada de analytics que lê a física da cultura, separa as causas e direciona zonas de alta abstenção para checagem em campo quando os dados subjacentes não forem confiáveis. Essa é a camada que construímos.

Como o SpectraRx funciona

Uma cadeia determinística: adquirir, calibrar, diagnosticar, filtrar por gates, prescrever e registrar. O classificador propõe um diagnóstico; o código decide se é seguro agir com base nele.

Cada cena é um cubo hiperespectral de 424 bandas cobrindo de 400 a 2515 nm ao longo do visível, infravermelho próximo e infravermelho de ondas curtas. Uma correção atmosférica por linha empírica recupera a refletância de superfície no fundo da atmosfera a partir da radiância no topo da atmosfera e aplica uma tag de proveniência de calibração por cena. Uma CNN espectral 1D personalizada, desenvolvida do zero em numpy puro com convolução real, retropropagação e Adam, classifica a curva completa de cada pixel em saudável, deficiência de nitrogênio, estresse hídrico ou mancha-de-asfalto inicial, escalada por temperatura para que sua confiança seja calibrada. Um modelo de feições físicas de banda estreita e o incumbente real de banda larga Sentinel-2 são executados em paralelo como linhas de base.

Três gates que operam fora do modelo

A confiança nunca depende do próprio relatório de confiança do modelo. Antes que qualquer pixel se transforme em prescrição, ele passa por três checagens determinísticas.

1. Proveniência da calibração

A correção atmosférica aplica uma tag de proveniência por cena. No modo de bypass deliberado, os dados brutos do topo da atmosfera chegam ao classificador para que os gates posteriores de confiança e concordância física possam expor o caminho da falha.

2. Confiança e ambiguidade

Pixels de baixa confiança ou com assinaturas mistas abstêm-se em vez de forçar uma classe. Zonas com 34 por cento ou mais de pixels em abstenção são roteadas para checagem em campo; outras zonas usam sua maioria não abstida para a prescrição.

3. Concordância física

Se a CNN aponta uma classe mas a feição física documentada discorda (ela indica nitrogênio, mas o red-edge não se deslocou), o pixel se abstém. Uma alegação precisa coincidir com a espectroscopia.

Do diagnóstico a um plano pronto para a barra e um modelo de registro auditável

O mapa tipificado de diagnóstico é agregado de pixels de 5 m para células de manejo de 25 m utilizando um perfil de barra de 27 m. A geometria do equipamento faz parte do cálculo, não é uma reflexão tardia. As taxas agronômicas seguem as regras de diagnóstico configuradas, incluindo uma regra de fungicida que autoriza a aplicação somente dentro da janela R3 configurada. O plano é exportado em ISO-XML e GeoJSON.

A demo então gera um modelo de registro no estilo IPM do programa Farm to Fork da UE a partir do diagnóstico e da prescrição para revisão agronômica e de conformidade. Ela não oferece submissão regulatória ao vivo nem conectores. O único ponto em que um modelo de linguagem pode tocar nesta esteira é na renderização desse texto justificativo a partir de fatos já calculados, com um fallback baseado em templates por padrão para que a demo rode sem chave de API.

A mancha âmbar, processada de ponta a ponta

A cena sintética baseada em física da demo. Cada imagem abaixo é uma captura de tela do aplicativo em execução.

Uma cor para três problemas distintos

A aba de NDVI exibe o talhão da forma como um serviço de monitoramento por satélite o entrega: uma região em âmbar no quadrante nordeste, rotulada como estressada, sem causa e sem prescrição. Este é o ponto de partida que toda equipe de agricultura de precisão já possui, e o ponto onde a tomada de decisão trava.

A aba de satélite NDVI mostrando uma região estressada em âmbar com a legenda uma mancha, nenhuma causa, nenhuma prescrição, e o painel de veredito ainda ocioso. — A visualização do NDVI: uma mancha âmbar, nenhuma causa, nenhuma prescrição.

A mancha se decompõe em zonas tipificadas

Executar Diagnosticar talhão divide aquela única região âmbar em causas distintas: deficiência de nitrogênio em âmbar, estresse hídrico em azul e mancha-de-asfalto inicial em vermelho, com pixels hachurados abstidos e roteados para checagem em campo. Nesta cena sintética retida baseada em física, o painel de veredito reporta macro-F1 de 0.89 para o SpectraRx contra 0.69 para o incumbente Sentinel-2, acurácia calibrada de 0.89 e 20.1 por cento do talhão em abstenção. Um único mapa se transforma em três trabalhos distintos.

Visualização de diagnóstico do SpectraRx: a mancha âmbar resolvida em zonas de nitrogênio (âmbar), água (azul) e mancha-de-asfalto inicial (vermelho) com pixels hachurados em abstenção, e um painel de veredito indicando macro-F1 de 0.89 no SpectraRx, 0.69 no Sentinel-2 e 20.1 por cento da área do talhão em abstenção. — O diagnóstico: zonas de nitrogênio (âmbar), água (azul), mancha-de-asfalto (vermelho) e abstidas (hachuradas), com o veredito no conjunto retido.

O modelo lê a física, não apenas os dados

A objeção óbvia a qualquer classificador de lavouras é que ele aprendeu o formato dos seus próprios dados de treino. O inspetor espectral responde a parte dessa questão diretamente. Para a mancha-de-asfalto, o traço de saliência de bandas calculado de forma independente tem pico nas bandas amostradas de 530 e 535 nm mais próximas da feição diagnóstica do PRI próximo a 531 nm. Para o nitrogênio, ele prioriza a borda vermelha (red-edge) de 680 a 720 nm. O sistema checa separadamente as bandas diagnósticas documentadas de água no SWIR em 970, 1450 e 1940 nm; essas checagens não são apresentadas como os picos mais altos de saliência da CNN.

O inspetor espectral para um pixel de mancha-de-asfalto inicial mostrando uma curva de refletância de 424 bandas e um traço laranja de saliência de bandas com pico nas bandas amostradas de 530 e 535 nm próximas ao diagnóstico do PRI. — A saliência da mancha-de-asfalto atinge o pico nas bandas amostradas de 530 e 535 nm mais próximas da feição diagnóstica do PRI perto de 531 nm.

A calibração é estrutural, e o modelo admite isso

Ao acionar Ignorar correção atmosférica, o classificador recebe a radiância bruta do topo da atmosfera. A acurácia despenca de 0.887 para 0.373; 92.2 por cento dos pixels se abstêm e 140 de 144 zonas de manejo são direcionadas para checagem em campo. Quatro zonas de estresse hídrico ainda se aplicam sob a regra de zona, sendo portanto uma salvaguarda auditável em vez de um bloqueio indiscriminado.

A visualização de diagnóstico com a opção Ignorar correção atmosférica ativada: o card de acurácia indica 0.37 não calibrada e o card de área do talhão abstida indica 92.2 por cento, com a maior parte do talhão hachurada e direcionada para checagem em campo. — Ignore a correção atmosférica e a acurácia cai para 0.37, com 92.2 por cento do talhão em abstenção em vez de receber uma prescrição equivocada.

Uma prescrição que a barra de pulverização consegue executar e um modelo de registro para revisão

O diagnóstico se transforma em 144 células de manejo com um perfil de barra de 27 m e resolução de 25 m: 21 zonas para aplicação, 25 para checagem em campo e 98 já saudáveis. Cada zona de aplicação carrega um produto e uma dose sob as regras determinísticas de prescrição da demo. A exportação é feita em ISO-XML e GeoJSON, além do registro no estilo IPM do programa Farm to Fork da UE, que lista geocoordenadas por zona, evidências espectrais, alternativas avaliadas, o prazo limite R3 e uma linha de assinatura de agrônomo certificado.

A tabela de prescrição em taxa variável para barra de 27 m e células de manejo de 25 m, estágio fenológico V12, listando diagnósticos por zona, produtos e doses, com botões de exportação para ISO-XML, GeoJSON e o registro de pulverização IPM do programa Farm to Fork da UE. — A prescrição em taxa variável: produtos e doses por zona na geometria real da barra, exportável para ISO-XML e GeoJSON.

O registro de pulverização IPM do Farm to Fork da UE listando geocoordenadas por zona, a feição espectral acionada como índice de refletância fotoquímica deprimido em 531 nm, produto e dose, prazo limite R3, alternativas avaliadas e linha para data e assinatura de agrônomo certificado. — O registro IPM do Farm to Fork da UE, com evidência espectral por zona e uma linha de assinatura de agrônomo certificado.

Onde o incumbente de banda larga é estruturalmente cego

No teste sintético com distribuição deslocada de cultivar e solo de 1.280 pixels fundamentado na física, o SpectraRx atinge macro-F1 de 0.887 contra 0.69 do incumbente Sentinel-2 e 0.856 de um modelo de feições físicas de banda estreita. Por classe, o incumbente é uma linha de base genuinamente forte em nitrogênio, próximo de 1.0. Ele fica para trás em água, 0.63 contra 0.97, e em mancha-de-asfalto inicial, 0.61 contra 0.77. Este é um resultado de mecanismo, não uma garantia a campo aberto.

A tela de benchmark exibindo barras de F1 por classe para o SpectraRx versus Sentinel-2: saudável 0.81 vs 0.52, nitrogênio 1.00 vs 1.00, água 0.97 vs 0.63, mancha-de-asfalto 0.77 vs 0.61, além de uma matriz de confusão e avaliação ao vivo de 88.7 por cento no SpectraRx contra 69.2 por cento no Sentinel-2. — F1 por classe no conjunto retido: o incumbente empata em nitrogênio, mas fica atrás em água e mancha-de-asfalto, onde a banda larga é cega.

Banda larga Sentinel-2 versus SpectraRx

O mesmo incumbente usado como benchmark na demo, lado a lado. É uma linha de base real e robusta, não um espantalho.

Dimensão	Incumbente de banda larga Sentinel-2	SpectraRx
Bandas lidas por pixel	13 bandas largas	424, VNIR e SWIR (400 a 2515 nm)
Separa nitrogênio, água, mancha-de-asfalto	Nitrogênio sim; água e mancha-de-asfalto fracamente	Todas as três, por pixel
F1 de estresse hídrico (conjunto retido)	0.63	0.97
F1 de mancha-de-asfalto inicial (conjunto retido)	0.61	0.77
Comportamento em pixels ambíguos ou não calibrados	Classifica de qualquer forma	Abstém-se, direciona para checagem em campo
O que você obtém	Uma tag de estresse	Um diagnóstico tipificado, uma prescrição em taxa variável e um modelo de registro no estilo IPM auditável

O que esta demo não faz

✓ Não utiliza capturas reais de campo. As cenas são cubos hiperespectrais sintéticos baseados em física; a linha de base saudável segue a refletância de vegetação verde da literatura e as assinaturas de estresse são perturbações físicas documentadas. A acurácia no mundo real requer uma biblioteca de verdade de campo de duas safras, o que fica para etapas futuras.
✓ Não apresenta o macro-F1 de 0.887 como uma garantia em ambiente aberto. Esse é um resultado em um conjunto sintético retido de 1.280 pixels com desvio de distribuição, para uma única cultura (milho) e uma única região.
✓ Não se conecta a sensores em tempo real ou a plataformas de gestão de fazendas. Integrações de sensores ao vivo e conectores de envio a parceiros não estão implementados. Os formatos de exportação ISO-XML e GeoJSON são reais.
✓ Não permite que um modelo de linguagem tome a decisão. O gate determinístico decide; o LLM opcional apenas gera o texto do IPM a partir de fatos já calculados, recorre a um fallback baseado em templates e está fora da cadeia de confiança.
✓ Não apresenta clientes, implantações, projetos-piloto, endossos ou números de ROI. Nenhum deles existe ainda. Esta é uma demo que comprova o mecanismo.

Perguntas que os compradores realmente fazem

Em que isso difere do NDVI e do monitoramento por satélite que já pagamos?

O NDVI e o monitoramento multiespectral conseguem detectar que há algo errado sem identificar a causa. O SpectraRx lê a curva completa de refletância de 424 bandas em cada pixel e aponta o diagnóstico, os comprimentos de onda acionados e a rota de ação. No teste sintético de cultivar e solo de 1.280 pixels da demo, baseado em física e retido, ele separa os tipos de estresse com macro-F1 de 0.887 contra 0.69 do incumbente de banda larga Sentinel-2; o estresse hídrico fica em 0.97 contra 0.63 e a mancha-de-asfalto inicial em 0.77 contra 0.61.

Como sei que o modelo está lendo o estresse da lavoura e não apenas decorando os seus dados?

Passe o cursor sobre qualquer zona no inspetor espectral e ele traçará a curva de saliência de bandas mostrando quais comprimentos de onda a CNN realmente ponderou, calculados independentemente das feições do próprio classificador. A mancha-de-asfalto está associada à banda do índice de refletância fotoquímica em 531 nm e o nitrogênio à borda vermelha (red-edge) de 680 a 720 nm. O sistema também verifica os diagnósticos documentados de água no SWIR em 970, 1450 e 1940 nm, sem apresentá-los como os picos principais de saliência da CNN. O benchmark é um conjunto sintético retido de uma cultivar e solo em que nenhum dos modelos foi treinado.

O que acontece com os pixels sobre os quais o modelo não tem certeza?

Três gates determinísticos operam fora do modelo: um gate de proveniência de calibração, um gate de confiança e ambiguidade e uma checagem de concordância física que se abstém se a classe indicada pela CNN divergir da feição física documentada. Zonas com 34 por cento ou mais de pixels abstidos são roteadas para checagem em campo; outras zonas recebem prescrição com base na sua maioria não abstida. Na cena padrão calibrada, 20.1 por cento dos pixels se abstêm. Esta é uma salvaguarda visível, não uma alegação de perfeição; o F1 da mancha-de-asfalto é 0.77.

Ele pode realmente controlar nossos equipamentos de taxa variável ou é apenas um mapa?

O mapa de diagnóstico é agregado de pixels de 5 m para células de manejo de 25 m usando um perfil de barra de 27 m. Na demo, isso produz 144 células de manejo (21 para aplicação, 25 para checagem em campo e 98 saudáveis), com produtos e doses por zona, e exportação em ISO-XML e GeoJSON. Os formatos de exportação são reais; conectores de envio ao vivo a parceiros não estão implementados nesta demo.

Isso gera os relatórios necessários para a conformidade com o Farm to Fork da UE e o IPM?

O SpectraRx gera um modelo de registro no estilo IPM do programa Farm to Fork da UE de forma determinística a partir do diagnóstico e da prescrição: geocoordenadas, evidências espectrais por zona e cobertura da zona pela classe majoritária, alternativas avaliadas, produto e dose recomendados, prazo limite da janela de fungicida, proveniência de calibração, nome e versão do modelo e uma linha de assinatura de agrônomo certificado. A demo não alega submissão regulatória ao vivo nem conectores.

As cenas são sintéticas. Por que eu deveria confiar nos números?

Cada número se reproduz com precisão sob sementes fixas e é medido em um conjunto retido de 1.280 pixels de uma cultivar e solo em que nenhum dos modelos foi treinado, tratando-se de um teste de desvio de distribuição e não de memorização. As cenas são cubos sintéticos fundamentados na física: a linha de base saudável segue a refletância de vegetação verde documentada na literatura e as assinaturas de estresse são perturbações físicas registradas, injetadas de forma independente do classificador. Apresentamos o macro-F1 de 0.887 como um resultado naquele conjunto sintético rotulado para uma única cultura e geografia, nunca como uma garantia de campo aberto. A acurácia em condições reais necessita de uma biblioteca de verdade de campo de duas safras, o que representa um trabalho futuro.

Vocês se conectam aos nossos sensores e ao John Deere Operations Center hoje?

Não nesta demo. Integrações com sensores em tempo real e conectores de envio para parceiros não estão implementados. O que é real é a cadeia de analytics: correção atmosférica, CNN espectral de 424 bandas, gates determinísticos, cálculos de prescrição e formatos de exportação ISO-XML, GeoJSON e no estilo IPM. A Veriprajna desenvolve analytics agnósticos a sensores; não possuímos satélites nem fabricamos sensores.

Pesquisa Técnica

A pesquisa por trás desta demo — a arquitetura, o design de verificação e a estrutura empresarial.

Solução completa

Explore a solução de IA Hiperespectral para Agricultura de Precisão →

Fechando a lacuna entre uma tag de estresse e um plano de pulverização?

A parte desafiadora é a cadeia calibrada, com abstenção e compatível com os equipamentos, e não o classificador. Nós a construímos.

Se a sua equipe possui mapas de estresse sobre os quais não consegue agir, o problema relevante é onde traçar a linha de abstenção para a sua cultura, sensores e maquinário. Essa é a conversa que preferimos ter em vez de um discurso comercial.

Diagnóstico de analytics espectral

✓ Mapeie onde uma tag de estresse trava as decisões agronômicas
✓ Defina os comprimentos de onda diagnósticos e as classes para as suas culturas
✓ Estabeleça a proveniência de calibração e os limiares de abstenção
✓ Especifique o relatório IPM que a sua equipe de conformidade deve submeter

Construa a esteira

✓ Um classificador espectral para os seus sensores e cultivares
✓ Correção atmosférica com proveniência por cena
✓ Prescrições em taxa variável adaptadas ao maquinário (ISO-XML, GeoJSON)
✓ Modelos de registro no estilo IPM do Farm to Fork da UE para revisão

Fale pelo WhatsApp Envie um e-mail para a nossa equipe