Transferability and operational reliability of a Prithvi crop classification foundation model under phenological and geographic shift across three continents
Aggiunta all'archivio di AIChronos il (numero del 20 settembre 2026 ricostruito)· fonte del · Venkatesh Kolluru, Rajat Shinde, Abdelhak Marouane, Caden Helbling, Deepak Shah, Othneil Drew
Lo studio valuta le prestazioni fuori distribuzione del modello fondazionale Prithvi-EO-2.0 per la classificazione delle colture su tre continenti, evidenziando un calo significativo dell'accuratezza quando c'è uno sfasamento tra il window di osservazione e la fenologia locale. Sebbene l'errore di calibrazione aumenti e gran parte della scena venga etichettata con alta confidenza ma bassa precisione in condizioni non allineate, l'entropia del Monte Carlo dropout rileva correttamente questi shift fenologici senza bisogno di retraining completo. Due semplici aggiustamenti operativi, come la consolidazione delle classi da 13 a 10 e il compressione del window temporale verso un plateau ottimale di circa 75 giorni, ripristinano l'accuratezza media.
- L'accuratezza globale scende dal 65% negli USA al 40% in Europa principalmente a causa dello sfasamento fenologico e non della scarsa trasferibilità spaziale.
- Il modello mantiene una confidenza deterministica alta anche quando fallisce, portando all'etichettatura errata di scene con precisione vicina allo zero (12-51%).
- La consolidazione delle classi dominanti da 13 a 10 aumenta l'accuratezza media del 8.4 punti percentuali senza fine-tuning.
- Un window temporale compresso verso un plateau tra i 75 e i 90 giorni preserva l'accuratezza, mentre finestre più strette (<30 giorni) degradano le prestazioni.
- L'entropia del Monte Carlo dropout è efficace nel rilevare shift fenologici in tutti gli eventi testati su tre continenti.
Perché conta. Per chi sviluppa agenti AI o modelli locali, questo paper evidenzia che la semplice trasferibilità spaziale non garantisce affidabilità operativa se il dominio temporale (fenologia) cambia; è cruciale monitorare metriche di incertezza come l'entropia e adattare i parametri operativi prima del deployment.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.