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。
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。
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。
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。
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。
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。

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。
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。
读取时间序列,与既往周期对比,撰写该区域的运营诊断。
将当地气象背景纳入解读:降水、温度与作业窗口状况。
安排监测周期日程,跟踪任务状态,并按区域自动交付报告。
田间的物理执行层。研发中——参见技术成熟度。
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。
按云量与区域有效性筛选的 Sentinel-2 多光谱影像。
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。
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。
按周期保存的历史,支持对同一区域进行跨月对比。
与每次观测时段关联的当地气象序列。
该区域既往的报告,作为已观测内容的记录加以保留。
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。
在异质地块上采取均匀管理。
各次观测之间缺乏可比性。
损失发现得太晚。
影像缺少对田间所发生情况的解释。
报告的生成依赖有人记得去生成。
符合条件的卫星过境被识别,影像经云量校验。
在客户声明多边形的精确裁切范围内计算光谱指数。
Nexa M1 读取序列,与区域历史对比,撰写本周期诊断。
偏离分区与重要变化被突出显示,供田间核验。
农艺团队依据空间切分结果决定干预措施。
该周期被归档,纳入该区域的时间序列。
在区域多边形上按光谱指数出图。
同一监测区域逐周期的演化。
由 Nexa M1 撰写的周期解读。
按周期生成并自动交付的 PDF。
观测时段内的气象条件。
既往周期得以保留的记录。
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。
从采集、计算到报告交付的完整周期。
基于区域时间序列撰写的诊断。
对同一区域既往周期的回溯查询。
模型指出的是行为偏离,而非植物病理诊断。验证进行中。
与监测周期集成的机器人作业。
大面积连片区域,空间变异性是观测的主要目标。
多年生作物,周期之间的对比比单次读数更有价值。
面积较小、周期较短,需要更高频的观测。
大面积地块,按分区管理,跟踪周期长。
对同一区域进行长期地域跟踪。