Oltre i modelli a terra piatta
Gli algoritmi tradizionali sbagliano e hanno allucinazioni perché trattano il terreno agricolo come una superficie piatta.
Correzioni basate sulla fisica
L’algoritmo corregge gli errori del machine learning associando le coordinate a dati di campo storicamente accurati provenienti da versanti topograficamente identici, non solo dalla pianura adiacente.
È la differenza tra un’ipotesi plausibile e un numero verificato.
Efficienza ibrida
Il deep learning è combinato con funzioni di pedotrasferimento fisiche, per esempio calcolando matematicamente il carbonio organico, per ridurre il costo computazionale ed eliminare le allucinazioni.
Livello commerciale
Il motore ottimizza l’errore assoluto medio, cioè la vicinanza esatta ai risultati di laboratorio, e segnala le aree che richiedono ancora analisi fisiche.