— 01 · 农业

洞察农田的 AI 与机器人技术。

农艺决策依赖于在正确的地点对同一区域进行长期观测。Convex 将轨道影像、光谱指数与气候背景转化为按监测区域解读的时间序列,使地块内部的变异性不再隐形。

农艺周期在很短的作业窗口内决策,且面对的是高度异质的区域。Convex 在每次符合条件的卫星过境时观测每个监测区域,计算光谱指数,组织时间序列,并结合当地气候背景返回一份面向运营的解读。

洞察农田的 AI 与机器人技术。
01 · 农业
— 运营背景

运营层面的问题

  1. 01
    地块内部的变异性

    大田的平均值掩盖了行为各异的分区。缺少空间切分,管理就会把不均匀的区域当作均匀区域来处理。

  2. 02
    观测不连续

    田间踏访是点状且昂贵的。两次踏访之间,重要的变化在无人记录的情况下发生。

  3. 03
    受云层影响的光学覆盖

    并非每一次卫星过境都能生成可用影像。整个周期必须显式地应对有效观测缺失的情况。

  4. 04
    缺少农艺解读的原始数据

    孤立的光谱指数不能说明该做什么。缺少的正是解读演化并写出可读诊断的那一层。

  5. 05
    脱节的气候背景

    降雨、温度与水分亏缺能解释影像所呈现内容的大部分原因,但它们通常存放在另一个系统里。

农田中的麦穗

/ 农业智能与计算机视觉

Nexa M1Nexa Vision

从农田观测到诊断,将数据转化为更清晰的农艺决策。

— Convex 架构

从观测到行动

同一套架构贯穿所有行业。变化的只是哪一层最为关键,以及哪些专有系统参与其中。

观测→
解读→
决策→
协同→
执行
观测

Nexa Vision

对绘制的区域进行裁切,获取符合条件的 Sentinel-2 影像,并逐像素计算光谱指数。

解读

Nexa M1

读取时间序列,与既往周期对比,撰写该区域的运营诊断。

决策

Atmos

将当地气象背景纳入解读:降水、温度与作业窗口状况。

协同

Synapse Control

安排监测周期日程,跟踪任务状态,并按区域自动交付报告。

执行

Axis

田间的物理执行层。研发中——参见技术成熟度。

— 数据层

驱动分析管线的数据

与本行业已部署系统兼容的数据源。不预设任何数据层:每个受监测区域都会声明其实际可用的数据。

轨道光学影像

按云量与区域有效性筛选的 Sentinel-2 多光谱影像。

光谱指数

在客户声明的多边形精确裁切范围内计算 NDVI、NDRE 及衍生指数。

地理空间数据

监测区域的 GeoJSON 多边形、服务器端计算的面积以及按地块裁切。

时间序列

按周期保存的历史,支持对同一区域进行跨月对比。

气候背景

与每次观测时段关联的当地气象序列。

运营历史

该区域既往的报告,作为已观测内容的记录加以保留。

— 应用

技术应用

每项应用都说明所解决的问题、使用的数据、参与的 Convex 系统以及产生的运营输出。

按区域划分的变异性地图

在异质地块上采取均匀管理。

数据
Sentinel-2 影像、光谱指数、区域多边形。
系统
Nexa Vision
输出
按指数出图并裁切至区域范围,标注相对严重程度。

周期的时序跟踪

各次观测之间缺乏可比性。

数据
按周期的指数时间序列。
系统
Nexa Vision + Nexa M1
输出
按区域绘制的周期演化曲线,并突出变化点。

与异常相符的信号

损失发现得太晚。

数据
光谱指数、区域历史、气候背景。
系统
Nexa M1
输出
指出行为与区域其余部分不一致的分区,供田间核验。

该时段的气候解读

影像缺少对田间所发生情况的解释。

数据
观测时段内的当地气象序列。
系统
Atmos
输出
与区域报告关联的降雨与温度背景。

按周期自动交付

报告的生成依赖有人记得去生成。

数据
订阅状态、符合条件的过境日历。
系统
Synapse Control
输出
每个周期结束时自动交付的 PDF 报告。
— 运营流程

一个闭环,从传感器到档案

  1. 01采集

    符合条件的卫星过境被识别,影像经云量校验。

  2. 02处理

    在客户声明多边形的精确裁切范围内计算光谱指数。

  3. 03解读

    Nexa M1 读取序列,与区域历史对比,撰写本周期诊断。

  4. 04警报

    偏离分区与重要变化被突出显示,供田间核验。

  5. 05行动

    农艺团队依据空间切分结果决定干预措施。

  6. 06历史

    该周期被归档,纳入该区域的时间序列。

— 交付物

系统交付的内容

地图

在区域多边形上按光谱指数出图。

时间序列

同一监测区域逐周期的演化。

诊断

由 Nexa M1 撰写的周期解读。

报告

按周期生成并自动交付的 PDF。

气候背景

观测时段内的气象条件。

运营历史

既往周期得以保留的记录。

— 技术阶段

按能力划分的成熟度

我们明确区分已投入运营的能力与仍在研发中的能力。研究和原型不会被当作已部署的产品来呈现。

  • 已投入运营
    按区域的光谱指数监测

    从采集、计算到报告交付的完整周期。

  • 已投入运营
    Nexa M1 运营解读

    基于区域时间序列撰写的诊断。

  • 已投入运营
    时间历史

    对同一区域既往周期的回溯查询。

  • 研发中
    病虫害的专门分类

    模型指出的是行为偏离,而非植物病理诊断。验证进行中。

  • 研发中
    Axis 的田间物理执行

    与监测周期集成的机器人作业。

— 应用场景

应用场景

↳谷物

大面积连片区域,空间变异性是观测的主要目标。

↳咖啡与可可

多年生作物,周期之间的对比比单次读数更有价值。

↳果蔬

面积较小、周期较短,需要更高频的观测。

↳甘蔗

大面积地块,按分区管理,跟踪周期长。

↳林业

对同一区域进行长期地域跟踪。

作物专业模块

对于需要作物专业农艺解读的应用,Convex Robótica 正在开发专业模块,采用专门方法、情境参数与适配模型。

  • 按作物开发
  • 个性化签约
  • 价格面议
  • 可用性取决于各模块的开发进展,并不自动包含在 Lite、Intermedium 或 Pro 中。