我向高光譜作物 AI 輸入原始輻亮度：在保留合成測試中，其評分從 0.887 降至 0.373
僅標記「受壓迫」的 NDVI 預警，讓種植者無法在補充氮肥、灌溉或早期焦油斑病巡檢之間做出抉擇；我正是圍繞該決策構建了 SpectraRx。在此基於物理原理的合成演示中故意設置的故障路徑下，同一個 424 波段光譜 CNN 的指標從 0.887 降至 0.373——當我為其輸入未校正的大氣頂層輻亮度而非校正後的表面反射率時，在其保留測試集上呈現了這一結果。
我將這一故障放入演示中並非為了嘩眾取寵。我之所以把它放在那裡，是因為脫離了賦予輸入實質意義的特定條件，作物受壓迫評分只會誘使人們將一張看似精美的地圖轉化為糟糕的田間決策。這些場景是針對單一玉米作物及地理區域、基於物理原理構建的合成數據立方體，而非真實採集數據或田間保證。這樣做的目的，是在假設條件清晰可見的前提下，使整個決策鏈具備可檢查性。
我以那個單一的琥珀色 NDVI 斑塊切入，是因為它揭示了檢測預警的局限性。它適合作為促使人們進一步仔細觀察的信號，但無法說明 27 米的噴桿是否應當調整施氮量、某種水分脅迫模式是否需要核查，抑或早期焦油斑病是否應促使農藝師親自下田踏勘。我希望該演示能夠回答下一個問題，並展示該答案背後的依據及其局限。
您可以在 veriprajna.com/demos/hyperspectral-agriculture-ai 運行該處理鏈。介面並未掩蓋令人困擾的異常情況，而是允許我跳過大氣校正，並觀察決策路徑如何相應改變。
我意識到校正改變了分類器所觀察的對象
我過去常把大氣校正歸類為前期準備工作。數據立方體最初以大氣頂層（TOA）輻亮度的形式輸入，而演示中的經驗線性校正法將其轉化為底部大氣（BOA）表面反射率，並將校正溯源資訊附在場景中。在故意繞過它之前，這種區別聽起來不過是工程底層的管道細節。
我保持訓練好的網路及其權重固定不變，僅改變了輸入路徑。在針對未見過的品種與土壤、包含 1,280 個像素且基於物理原理的合成保留測試集上，結果從 0.887 macro-F1 降至 0.373。這是該模型與該測試的實測結果，而非斷言所有高光譜模型都會出現同等程度的下降。
我發現這種對比遠比一張龐大的基準評測表更有價值，因為它將實際應用中的失效具象化了。未經校正的路徑不僅僅意味著噪聲更大的輸入。原始輻亮度會將大氣與光照效應帶入原本專為解讀校正後表面反射率而設計的分類器中。神經網絡依然能夠輸出類別與置信度，但兩者皆不足以構成批准處方的充分理由。
我之所以將原始輻亮度路徑公開展示，是因為單憑準確率數字無法回答實操問題：當系統發現自身處於較不可靠的依據之上時，應當採取何種行動？在 SpectraRx 中，答案並非簡單的全盤阻止。在這次刻意的測試中，原始 TOA 依然會進入分類器，而下游的置信度與物理一致性門控則使這種不確定性顯現出來。
我花費精力將該結果與「神經網絡已毫無用處」的論調區分開來。該分類器是一個自定義的一維光譜 CNN，負責讀取從 400 到 2515 nm 的完整 424 波段曲線。其常規任務是基於 BOA 表面反射率區分健康、缺氮、水分脅迫及早期焦油斑病的像素。校正實驗既未更改作物類別，也未重新訓練模型，更未暗中替換為較弱的基準。它僅僅改變了一項上游條件，並讓決策鏈的其餘部分展示其後果。
我發現這很有意義，因為面對糟糕的評分，人們通常只會要求再測一個分數。在這種情況下，我需要提出一個不同的問題：當輸入發生改變後，系統依據何種證據採取行動？答案始於校正溯源，但絕不能止步於此。置信度數值僅僅是其中一項信號。當 CNN 的分類與文獻記載的物理特徵衝突時（例如判定為缺氮卻未出現預期的紅邊位移），物理一致性檢驗機制可以選擇棄權。檢查器還會展示完整的光譜曲線與波段顯著性軌跡，以便操作人員將模型的依據與文獻記載的診斷特徵進行對比。
我將該檢查器視為問責介面，而非證明其絕無差錯的憑據。針對早期焦油斑病，顯著性軌跡中取樣的 530 和 535 nm 波段最接近 531 nm 附近的 PRI 診斷特徵；缺氮的依據則分布在 680 至 720 nm 的紅邊範圍內；水分的 SWIR 特徵則是診斷核查項，而非聲稱的最高顯著性峰值。這些檢驗使推理過程可供審查。它們既不會將合成基準轉化為真實田間保證，也不會在輸入路徑可靠性下降時免除實地巡檢的必要性。
我也克制了刻意削弱基準以使失效顯得更具戲劇性的衝動。在保留合成分布偏移測試中，真實的 Sentinel-2 寬波段現有方案達到了 0.69 macro-F1。由於具備紅邊和 SWIR 波段，它在缺氮檢測上接近 1.0。高光譜模型整體達到了 0.887，其最強的結構性優勢體現在水分脅迫與早期焦油斑病上。這是一次富有意義的對比，但它依然無法決定在跳過校正後，某個特定分區是否應當接收處方。門控與分區規則的存在，正是為了回答後續的這項實操問題。
我需要安全防護措施去改變田間行動，而不僅僅是儀表板上的顏色
我特別注意不將棄權變成另一種模糊的承諾。帶有陰影線的像素意味著當置信度偏低、光譜特徵混合或分類器與記錄的物理特徵衝突時，系統會保留像素級的診斷。在預設已校正的 seed-7 演示場景中，顯示有 20.1% 的像素棄權。該數值是該場景在應用內的實測觀察值，並非通用的評估指標。
接著我必須決定操作人員應當如何處理包含這些像素的地圖。噴霧機無法以單個像素為單位作業。SpectraRx 採用 27 米噴桿規格，將 5 米的診斷像素聚合為 25 米的管理單元。這項規則被刻意公開展示：棄權像素達到或超過 34% 的分區會被引導至實地地面巡檢，而其他分區則採用其非棄權像素的多數類別。
我認為該規則正是將不確定性這個抽象概念轉化為具體工作流程的關鍵所在。在跳過校正的 seed-7 場景中，92.2% 的像素選擇棄權，且 144 個分區中有 140 個 管理分區被引導至田間巡檢。在分區規則下，四個水分脅迫分區仍獲准施作。系統並未在開放世界意義下證明這四個分區是絕對安全的。它公開了自己的決策條件與分流規則以供審核，而不是假裝每次輸入改變都必須要麼進行噴灑、要麼顯示空白螢幕。
我也希望持懷疑態度的遙感領域讀者能看到門控之外的更多細節。光譜檢查器展示了 424 波段曲線和橙色的波段顯著性軌跡。在早期焦油斑病上，取樣的 530 與 535 nm 顯著性波段最接近 531 nm 附近的 PRI 診斷特徵；缺氮證據出現在 680 至 720 nm 的紅邊範圍內。對於水分而言，文獻記錄的 SWIR 特徵屬於診斷核查項，而非聲稱 CNN 最高顯著性峰值的依據。這是一項可與文獻物理特徵進行核對的可審查對比，而非證明模型永遠不會利用偽線索的憑證。
在噴桿與農藝師能夠實際使用之前，我無法稱其為處方
我意識到，在門控發揮作用後，診斷地圖依然是不完整的。預設已校正的場景包含 144 個管理單元：在 V12 生長階段下，有 21 個施作分區、25 個巡檢分區以及 98 個健康分區。SpectraRx 將保留下來的分區決策轉化為變量施肥處方。施氮量依據嚴重程度確定，而殺菌劑僅允許在配置的 R3 窗口期內使用。導出文件採用真實的 ISO-XML 和 GeoJSON 格式，而實時傳感器與農場管理系統的整合並未在此演示中實現。
我將下游記錄設置為確定性的，原因與我將門控公開展示完全一致。該演示根據診斷和處方生成一份符合歐盟「從農場到餐桌」（EU Farm-to-Fork）病蟲害綜合治理（IPM）風格的記錄模板。它涵蓋了分區坐標、多數類別分區覆蓋率、光譜依據、已評估的替代方案、建議藥劑與施用量、R3 截止日期、校正溯源資訊以及認證農藝師簽字欄。這是一份供審查的模板，而非已正式提交的合規記錄。
我將語言模型排除在此信任路徑之外。信號處理、訓練好的光譜分類器、確定性門控、農機計算以及記錄模板承擔了關鍵的決策負載。可選的模型可以根據已計算出的事實生成 IPM 理由論述，並配有模板回退機制，確保演示在沒有 API 金鑰的情況下也能運行。它並不決定作物需要什麼，也不決定某個分區是否需要實地巡檢。
我不再僅僅依據分類器來衡量產品
我依然關注分類器的表現。在保留合成分布偏移測試中，SpectraRx 錄得 0.887 macro-F1，而 Sentinel-2 寬波段現有方案僅為 0.69。兩者的差異在水分脅迫（0.97 對 0.63）與早期焦油斑病（0.77 對 0.61）上表現得最為顯著。兩者在缺氮檢測上均接近 1.0，這非常有價值，恰好使現有方案成為一個真實的基準而非稻草人。
我並未將這些結果作為針對開放田間環境的宣稱。它們僅涵蓋 1,280 個保留合成像素、單一作物及單一地理區域。在任何人做出真實世界準確率宣稱之前，依然需要跨越兩個生長季的地面實況數據庫。我從該演示中吸取的教訓更為聚焦也更為務實：分類評分只是決策系統的一部分，而且它是最容易在脫離其運行條件的情況下被引用的部分。
我之所以將校正失效構建到 SpectraRx 中，是因為它強行讓這些前提條件顯露出來。它展示了輸入如何變化、評分如何下降、下游門控如何揭示不確定性、分區規則如何引導巡檢路徑，以及處方記錄如何保留操作員和審核人員需要檢查的資訊。在追求下一個小數點之前，這套流程才是我想要持續改進的工作。
如果您希望親眼目睹而非聽我描述，以下是整個系統端到端運行的完整過程。
當我想檢驗演示是否保持誠實時，我會重新回到 veriprajna.com/demos/hyperspectral-agriculture-ai。真正有實用價值的作物 AI 系統，應當能夠解釋為何某個場景的可信度下降，將這種不確定性引導至具體的田間行動，並為其已做出和未做出的決策留下完整記錄。
