SAR2Agri：学习SAR强度表征，解锁农业遥感监测新路径

SAR2Agri 这类方法要解决的核心问题，不是“用深度学习给农业遥感影像分类”这么简单，而是“如何让模型真正理解 SAR 强度数据”。光学遥感影像的像素值接近人眼感知的地表反射特征，但 SAR 强度图里的数值来自雷达后向散射，受斑点噪声、入射角、地形、土壤湿度和作物结构共同影响。直接把光学影像的分割、分类模型搬过来，经常出现训练集精度高、换一块地就失效的现象。SAR2Agri 这个名字里的 “Learning Intensity Representations” 点出了关键：不是改模型结构，而是先学习一种适合农业监测任务的强度表征。本文围绕这个思路，说明 SAR 强度数据从原始回波到模型输入的完整链路，用一套最小可运行的 PyTorch 示例演示如何构造时序强度表征，并给出数据组织、特征验证、软件衔接和生产部署的实践建议。

农业监测对遥感数据的要求很明确：要在作物生长季内高频、稳定地获取地表信息。光学遥感受云雨影响严重，多雨地区在关键物候期经常拿不到干净影像。SAR 合成孔径雷达主动发射微波，不受光照和大部分天气条件限制，Sentinel-1 这类卫星可以提供 6 到 12 天重复观测的 C 波段双极化数据。这也是 SAR2Agri 这类工作选择 SAR 作为输入的原因。但 SAR 数据不是拿过来就能用，它需要经过原始回波仿真、聚焦、多视、滤波、地形校正等一系列处理，才能成为深度学习模型可以消费的强度图。理解这条链路，是正确设计表征学习流程的前提。

1. 先理解 SAR 强度表征在农业监测中的位置

1.1 从原始回波到强度图像的链路

SAR 卫星记录的不是一张普通照片，而是地面散射体对雷达脉冲的原始回波数据。热词里反复出现的“sar原始回波仿真数据”“sar回波数据集”“一幅图生成sar原始回波数据”，本质上都是在围绕这条链路做文章。原始回波经过距离压缩和方位压缩后，会得到单视复数影像 SLC，每个像素包含幅度和相位信息。多数农业监测任务不直接使用相位，而是取幅度平方得到强度数据，再经过多视处理降低斑点噪声，最后做辐射定标和地形校正，得到后向散射系数图。

在这个链条里，强度图已经是“处理后的产品”，但它仍然不是深度学习的理想输入。原因在于 SAR 强度数据的统计特性与光学影像完全不同。相干成像机制会产生乘性斑点噪声，同一块均质地表在 SAR 图像上的强度值呈大幅波动。农田在 C 波段 VH 极化的后向散射主要来自作物冠层体散射，VV 极化则同时受地表和冠层影响，两个通道的组合本身就包含作物结构信息。SAR2Agri 这类表征学习方法，第一步就是把这些原始强度统计量转换成语义更稳定的特征。

从实践角度看，一般不建议从原始回波开始做农业监测研究。原始回波数据量大、处理链条长，普通研究者很难拿到完整的卫星原始回波数据。常见做法是直接使用经过定标和地形校正的 Sentinel-1 GRD 强度产品，或者使用模拟软件生成的 SAR 回波仿真数据来验证算法在不同极化、不同入射角下的鲁棒性。SAR 回波仿真数据的好处是地面真值完全已知，适合做表征学习的消融实验，但仿真数据与真实数据的分布差异需要额外处理。

1.2 为什么农业监测不能照搬光学影像模型

很多刚接触 SAR 深度学习的开发者，第一个想法是把 RGB 三通道换成 VV、VH、入射角三个通道，然后直接跑语义分割网络。这个做法能跑通，但精度和泛化能力往往不理想。

问题出在几个层面。第一，光学影像像素值大致稳定，同一种地物在不同时间的变化主要体现在光谱反射率上；SAR 强度值却会因为土壤水分、降雨、风、收割活动发生剧烈跳变，单时相强度图几乎无法区分作物类别。第二，SAR 强度图动态范围很大，农田后向散射系数可能从 -25 dB 到 5 dB 之间变化，直接用线性值训练，模型会被少数高亮像素主导。第三，SAR 图像存在固有的斑点噪声，如果不做滤波或设计噪声鲁棒的网络结构，模型学到的是噪声模式而不是作物模式。

所以，SAR2Agri 的核心观点是：在进入像素级分类或回归之前，先做一个强度表征学习步骤。这个步骤可以从时间序列中提取出稳定、可迁移的物候特征，让后续分类器面对的不是原始强度，而是经过学习的高层表示。农业监测里特别适合这种做法，因为作物类型与物候曲线强相关：水稻在移栽期 VH 后向散射明显上升，小麦在抽穗期 VV/VH 比值发生变化。学习强度表征，本质上是让模型自己发现这些物理规律。

1.3 农业监测任务里“表征”到底指什么

表征在农业监测里不是一个抽象概念，它需要能被下游任务验证。通常有三层含义。

第一层是单像素时间序列表征。把每个像素在时间维上的强度变化看作一条曲线，表征学习的目标是压缩这条曲线，保留作物类别和物候阶段最相关的信息。比如一个长度为 40 的 VH 时间序列，可以用一个 64 维向量表示，这个向量再输入分类器判断作物类型。

第二层是空间邻域表征。农田不是孤立像素，作物行向、田埂、灌溉设施都会影响雷达散射。模型需要从空间邻域中提取纹理信息，这通常由卷积或局部注意力完成。

第三层是跨极化表征。VV 和 VH 不是独立通道，两者比值和差值能反映散射机制。一个设计良好的强度表征模块，应该能自动学习两个极化通道之间的组合关系。

SAR2Agri 的方法论核心，就是把这三层表征放在同一个框架里学习，而不是人工设计后向散射指数。人工特征在特定区域有效，换一个农作物体系、换一个地形条件，指数阈值得重新标定。学习表征则通过数据驱动方式适应新场景，这也是它被命名为 “Learning Intensity Representations” 的原因。

2. 环境准备与数据约定：先把实验边界定清楚

2.1 需要的软件、Python 依赖和验证数据

开始写代码之前，先明确环境。我的建议是使用 Python 3.9 以上版本，深度学习框架选择 PyTorch，因为遥感领域开源模型和论文复现代码大多基于 PyTorch。地理栅格读取使用 rasterio，它在处理 tif、投影信息、多波段读取方面比 OpenCV 更适合遥感数据。

下面是一份可用的环境依赖列表，实际项目请先确认版本兼容性：

依赖文件可以这样组织：

conda create -n sar2agri python=3.10 conda activate sar2agri conda install -c conda-forge rasterio pip install torch numpy matplotlib scikit-learn tqdm

关于数据来源，学习阶段不要一开始就使用几十 G 的大区域影像。SAR2Agri 类方法的核心验证点是“表征是否有效”，不是“模型跑得多快”。建议先准备一个包含 2 到 3 种作物、连续 20 到 30 个时相的 Sentinel-1 GRD 强度数据集，切成小 patch 用于训练。如果暂时没有真实数据，也可以使用 SAR 回波仿真软件生成强度图，但要在文章里说明这是仿真数据，不能直接代表真实分布。

2.2 数据目录结构：时序强度图如何组织

SAR 强度数据通常按时间编号存储。项目目录推荐这样组织：

data/ region_a/ S1A_20230601_VV.tif S1A_20230601_VH.tif S1A_20230613_VV.tif S1A_20230613_VH.tif ... labels/ crop_type.tif split/ train_ids.txt val_ids.txt

labels/crop_type.tif 是类别标签图，每个像素值为整数类别编号。split 文件夹记录训练和验证使用的图幅编号，避免相邻区域泄漏到验证集。这里有一个容易被忽略的点：SAR 影像相邻像素空间高度相关，裁剪 patch 时必须确保同一时间序列的所有 patch 要么全在训练集，要么全在验证集，不能让同一地块的不同 patch 同时出现在训练和验证中。

2.3 标签设计：作物类别和物候阶段

农业监测标签有两种常见形式。一种是分类标签，例如“水稻”“玉米”“大豆”，适合作物制图任务。另一种是物候阶段标签，例如“移栽期”“分蘖期”“抽穗期”，适合做物候监测。

分类标签可以直接作为监督信号。物候标签则更复杂，同一作物在同一个时相反季节不同，最好把“像素-时间”组合作为样本，标签是当前像素在当前时间处于的物候阶段。SAR2Agri 的表征学习可以同时服务于这两种任务：如果是分类任务，表征模块的输出进入分类头；如果是物候估计，学习到的强度表征按时间排序后输入回归头。

设计标签时要注意类别数量不要太多。农业监测常见问题是类别样本极不平衡，某个地块类别占 90%，其他类别总共占 10%。这种情况下，训练时需要使用类别权重或 focal loss，否则模型会退化到“把所有像素预测为多数类”。

3. 构建一个最小 SAR2Agri 风格的强度表征学习流程

3.1 输入设计：空间窗口加时间序列

SAR2Agri 的输入设计需要考虑两个维度：空间维度和时间维度。

空间维度上，农田纹理与作物行向有关，patch 太小时模型看不到纹理结构，patch 太大时边界混合严重。对于 Sentinel-1 GRD 数据，一般 32x32 到 64x64 像素的窗口比较合适，对应地面大约 300 到 600 米范围，足够覆盖一块中小型农田。

时间维度上，把每个 patch 在所有时相的强度图堆叠起来。假设有 N 个时相，每个时相包含 VV 和 VH 两个通道，那么一个样本的形状是 (N, 2, H, W)，或者把通道放到前面变成 (2N, H, W)。推荐保留时间维，方便模型利用时间注意力机制。

下面是一个 Dataset 示例，用于按时序读取 patch：

import os import numpy as np import rasterio import torch from torch.utils.data import Dataset class SARTimeSeriesDataset(Dataset): def __init__(self, image_dir, label_path, date_list, patch_size=32, transform=None): self.image_dir = image_dir self.label_path = label_path self.date_list = date_list self.patch_size = patch_size self.transform = transform with rasterio.open(label_path) as src: self.label = src.read(1) self.height = src.height self.width = src.width self.transform_meta = src.transform self.valid_pixels = np.argwhere(self.label > 0) print(f"valid samples: {len(self.valid_pixels)}") def __len__(self): return len(self.valid_pixels) def _read_single_date(self, date_str): vv_path = os.path.join(self.image_dir, f"{date_str}_VV.tif") vh_path = os.path.join(self.image_dir, f"{date_str}_VH.tif") with rasterio.open(vv_path) as src: vv = src.read(1) with rasterio.open(vh_path) as src: vh = src.read(1) return vv, vh def __getitem__(self, idx): cx, cy = self.valid_pixels[idx] half = self.patch_size // 2 y1 = max(0, cy - half) y2 = min(self.width, cy + half) x1 = max(0, cx - half) x2 = min(self.height, cx + half) time_series = [] for date_str in self.date_list: vv, vh = self._read_single_date(date_str) vv_patch = vv[x1:x2, y1:y2] vh_patch = vh[x1:x2, y1:y2] stack = np.stack([vv_patch, vh_patch], axis=0) time_series.append(stack) # shape: (T, C, H, W) sample = np.stack(time_series, axis=0).astype(np.float32) label = self.label[cx, cy] - 1 if self.transform is not None: sample = self.transform(sample) return torch.from_numpy(sample), label

这段代码有几个关键点。第一，标签位置使用行优先索引，与 rasterio 读取数组的坐标对应。第二，每个时相单独读取一个文件，会带来大量 IO，实际数据量大时建议先把所有时相读入内存，或者使用内存映射。第三，边界 patch 会被裁剪成不完整尺寸，推荐在初始化时直接过滤掉距离边界小于 half 的像素，避免样本尺寸不一致。

3.2 强度表征模块：从强度序列到隐向量

表征模块的设计目标是输入时间序列强度图，输出一个紧凑的、对下游任务有用的向量。这里给出一个简洁的基线结构：先用二维卷积提取空间特征，再沿时间维做全局平均池化和一维卷积，最后得到表征向量。

import torch.nn as nn class IntensityEncoder(nn.Module): def __init__(self, in_channels=2, feat_dim=64, num_dates=20): super().__init__() self.spatial_conv = nn.Sequential( nn.Conv2d(in_channels, 16, kernel_size=3, padding=1), nn.BatchNorm2d(16), nn.ReLU(inplace=True), nn.Conv2d(16, 32, kernel_size=3, padding=1), nn.BatchNorm2d(32), nn.ReLU(inplace=True), nn.AdaptiveAvgPool2d((1, 1)) ) self.temporal_conv = nn.Sequential( nn.Conv1d(32, 64, kernel_size=3, padding=1), nn.BatchNorm1d(64), nn.ReLU(inplace=True), nn.Conv1d(64, feat_dim, kernel_size=3, padding=1), ) self.num_dates = num_dates def forward(self, x): # x shape: (B, T, C, H, W) b, t, c, h, w = x.shape x = x.view(b * t, c, h, w) spatial_feat = self.spatial_conv(x) # (B*T, 32, 1, 1) spatial_feat = spatial_feat.view(b, t, -1).permute(0, 2, 1) # (B, 32, T) temporal_feat = self.temporal_conv(spatial_feat) # (B, feat_dim, T) representation = temporal_feat.mean(dim=2) # (B, feat_dim) return representation

这个编码器把时间和空间分开处理，空间卷积负责提取每个时相的纹理特征，时间卷积负责建模物候变化。它不是一个最先进的结构，但足够作为 SAR2Agri 表征学习的基线。实际研究里可以用 Transformer 的 attention 替换时间卷积，或者使用 3D 卷积同时建模时空关系，但基线版本的可解释性更好，便于后续排查问题。

3.3 监督训练与自监督训练两种模式

SAR2Agri 的表征学习可以在两种模式下运行。

监督模式最简单。在上面的编码器后面接一个线性分类头，用作物类型标签做交叉熵损失：

class SupervisedSAR2Agri(nn.Module): def __init__(self, num_classes, feat_dim=64): super().__init__() self.encoder = IntensityEncoder(in_channels=2, feat_dim=feat_dim) self.classifier = nn.Linear(feat_dim, num_classes) def forward(self, x): rep = self.encoder(x) logits = self.classifier(rep) return logits

自监督模式更贴近 SAR2Agri “学习表征”的本意，因为农业标签往往难以获取。常见做法是时间序列对比学习：同一像素在不同时相窗口下的强度序列是正样本对，不同位置或不同作物区域的序列是负样本对。模型学习让正样本的表征靠近、负样本的表征远离。训练完成后，编码器输出的表征可以直接用于聚类或下游分类。

自监督方案在真实项目中更容易落地，因为不需要逐像素标注标签。农业地块类型标注成本很高，需要地面调查和专家解释。使用自监督表征学习，可以先在大范围无标注 SAR 时序数据上预训练编码器，再用少量标注样本微调分类头。这种方法符合 SAR2Agri 的核心理念。

3.4 参数说明：训练超参数和调参方向

表征学习模型的超参数对实验影响很大，下面列出几个关键项：

训练 SAR 模型时要特别注意批次大小对 BatchNorm 的影响。SAR patch 之间差异很大，批次太小时批统计量波动大，推荐批次至少 16 到 32。如果显存受限，优先减小 patch_size，而不是减小 batch_size。

4. 表征质量的验证方法：不能只看分类精度

4.1 下游分类精度评估

训练完成后，第一件事是验证表征在下游任务上的表现。作物分类精度是最直接的指标。用独立的验证集计算总体精度和各类别 F1 分数：

from sklearn.metrics import accuracy_score, f1_score, classification_report all_preds = [] all_labels = [] model.eval() with torch.no_grad(): for x, y in val_loader: logits = model(x) preds = logits.argmax(dim=1).cpu().numpy() all_preds.extend(preds) all_labels.extend(y.cpu().numpy()) acc = accuracy_score(all_labels, all_preds) f1_macro = f1_score(all_labels, all_preds, average='macro') print(f"Accuracy: {acc:.4f}, Macro F1: {f1_macro:.4f}") print(classification_report(all_labels, all_preds))

如果 Macro F1 和 Accuracy 差距过大，说明模型只在多数类上表现好。这个指标比单一精度更能反映农业类别不平衡问题。

4.2 特征可视化：从表征向量看物候规律

分类精度高不等于表征有物理意义。SAR2Agri 强调学习强度表征，所以验证阶段还要检查表征是否捕捉到了物候规律。

最简单的方法是取同一像素在真实时序上的表征向量，按时间顺序排列，画出每一维特征的变化曲线。理想情况下，特征曲线在作物生长关键节点会出现明显拐点。因为表征是模型学出来的，不是人工设计的指数，需要人为检查这些曲线是否与已知物候一致。

另一种方法是 t-SNE 可视化。随机采样不同类别的像素，提取表征向量后用 t-SNE 降到二维平面，观察类别是否形成聚类。如果类别完全重叠，说明表征没有学到类别差异，需要检查训练是否收敛、数据是否存在时间错位问题。

4.3 消融实验：证明学习表征比原始强度有效

一个完整的 SAR2Agri 风格实验，必须回答“学习强度表征”到底带来了什么收益。最简单的消融设计如下：

在相同训练设置下，对比这四组实验的精度和 F1。如果 C 组明显优于 B 组，说明表征学习流程有效；如果差异很小，则可能是分类器本身已经足够强大，表征学习没有发挥应有效果，这时需要检查训练损失是否收敛，或者特征维度是否过小。

5. 与现有 SAR 处理软件的工作流衔接

5.1 SNAP 预处理导出强度图

SAR2Agri 方法输入的是强度图，而不是原始回波，所以预处理必须依赖专业 SAR 处理软件。ESA 的 SNAP 是常用的开源选择，支持 Sentinel-1 数据从 SLC 到 GRD 的完整处理链。

对于农业监测，推荐的处理顺序是：轨道校正、热噪声去除、多视、斑噪滤波、辐射定标、地形校正。地形校正很重要，山区农田的局部入射角会影响后向散射强度，如果跳过这一步，模型会把地形效应误学成作物特征。

处理后导出为 GeoTIFF 时，要注意保持分辨率一致。同一时间序列的 VV 和 VH 波段必须重采样到相同网格，避免像素级不对齐。导出时可以直接把 VV 和 VH 写入同一个多波段 tif，或者分别存储但保证地理变换完全相同。SNAP 的 GRD 产品常见分辨率是 10 米，但默认导出可能是浮点后向散射系数，处理时不要丢失投影和分辨率元数据。

5.2 SAR 处理软件与 Python 深度学习的边界

专业 SAR 处理软件负责生成强度产品，Python 深度学习框架负责表征学习。两者边界要清晰。不要让 Python 代码承担地形校正、极化定标这些会引入系统性误差的操作，也不要让 SAR 处理软件承担模型训练。

有一个常见的混合场景是使用 SAR 回波仿真数据来扩增训练集。仿真软件可以生成不同作物结构、不同入射角下的回波数据，再经过处理得到强度图。这种方式可以用来补充标签稀缺的作物类型，但必须注意仿真数据和真实 SAR 数据的分布差异。建议采用域适应策略：先在仿真数据上预训练，再用真实数据微调，而不是直接把仿真数据混入训练集。

注意：仿真数据可以做预训练和规律验证，但不能替代真实数据处理链路的检验。使用仿真数据跑通的方法，换到真实 Sentinel-1 数据后仍然要重新验证。

5.3 原始回波仿真数据在算法研究中的作用

热词中反复出现“sar原始回波仿真数据”“sar回波数据集”“一幅图生成sar原始回波数据”，说明回波仿真在研究中的需求很明确。SAR 原始回波仿真可以从场景几何和电磁散射模型出发，生成指定成像参数下的回波信号。这种方法对研究“处理链路误差如何影响下游表征”很有价值：可以手动控制噪声水平、定标误差，观察表征学习的鲁棒性。

当输入材料没有提供完整实验环境时，写代码时可以使用仿真生成的强度图作为占位数据。但要注意，仿真强度图的噪声分布经过简化，与真实 SLC 聚焦后的强度分布不完全一致。表征学习模型如果只在仿真数据上训练，真实数据上可能失效。稳妥的做法是把仿真数据当作“单元测试”，验证模型结构能跑通、梯度能传播、表征维度合理，再切换真实数据做正式实验。

6. 常见问题与排查链路

6.1 训练损失不下降或精度一直不变

现象：模型训练多轮，损失几乎不下降，或验证精度保持在一个很低的值。

排查顺序：

1. 检查输入数据的数值范围。SAR 强度线性值通常很大，建议先做分贝转换：10 * log10(x + 1e-8)，再归一化到 0 到 1 或标准化。
2. 检查标签是否从 0 开始。PyTorch 交叉熵损失要求类别编号从 0 开始，如果标签是 1 到 N，会报错或训练异常。
3. 检查时间序列是否按时间顺序排列。如果日期列表乱序，时间卷积会学习到错误的时序依赖。
4. 检查是否存在大量空值或异常值。Sentinel-1 GRD 影像边缘或海洋区域可能有无效像素，需要在 Dataset 中遮挡或填充。

最常见原因是输入尺度问题。SAR 强度动态范围超过 30 dB，对应线性值可能从 0.001 到 300，如果不做对数变换，梯度会被少数高值像素主导。

6.2 训练集精度高、验证集精度低

现象：训练集精度超过 95%，验证集精度只有 70% 左右。

可能原因有三个。第一，空间数据泄漏：同一地块的 patch 同时出现在训练集和验证集，模型记住了位置而不是作物特征。第二，类别极度不平衡，模型把多数类学得很好，少数类精度很低。第三，特征维度太大，模型没有足够样本约束，过拟合到训练集的噪声模式。

解决方案：

• 在 split 阶段按地块或图幅划分，不要按 patch 随机划分。
• 使用基于类别的加权损失。
• 降低 feat_dim，增加数据增强。
• 在训练时对强度图做小幅噪声扰动，增加对斑点噪声的鲁棒性。

6.3 不同地形区域的特征不一致

现象：模型在平原地区验证精度高，在山区或丘陵地区精度明显下降。

这是因为地形影响局部入射角，同样作物在不同坡向上的后向散射强度差异很大。如果在预处理阶段做了地形校正，这种差异会部分消除，但不会完全消失。表征学习阶段可以采用两种策略：一是把局部入射角作为额外通道输入模型，让模型学习地形因素；二是分区域建模，山区和平原使用不同模型或不同归一化参数。

从 SAR2Agri 的角度看，更好的方案是在输入中加入入射角或地形信息，让表征模块显式区分“作物导致的散射差异”和“地形导致的散射差异”，而不是把两者混在同一个特征空间里。

7. 生产环境注意事项与扩展方向

7.1 大规模推理时的瓦片化处理

研究阶段模型处理的是小 patch，生产环境面临的是大范围影像。一个省份级别的 Sentinel-1 时序强度影像可能达到数千 G 像素，无法一次性放入 GPU 显存。推理时需要按瓦片滑动窗口处理：

1. 将整景影像按 512x512 或 1024x1024 的瓦片切分。
2. 每个瓦片按时间序列读取同地理范围的 VV/VH 数据。
3. 将瓦片输入模型，得到表征或分类结果。
4. 拼接结果时去掉边缘 overlap 部分，避免边界伪影。

瓦片之间要有 50 到 100 像素的重叠，用于消除边缘处卷积特征不完整的问题。

7.2 与光学影像和多源数据的融合

SAR 强度表征不排斥光学影像。实际农业监测中，SAR 和光学是互补的：光学影像空间纹理清晰，但云雨天气缺失；SAR 全天候获取，但语义解释困难。一种混合方案是：在 SAR 强度表征学习的同时，训练一个光学影像编码器，两个表征向量在特征空间中对齐。这样在光学影像缺失的时间点，可以用 SAR 表征补全。

如果要做这种融合，需要注意两种数据在时间和空间上的对齐。时间对齐指 SAR 和光学影像日期应尽量接近，避免因为作物生长阶段不匹配导致特征冲突。空间对齐指两种数据必须配准到同一像素网格。操作上建议以 Sentinel-1 强度图为基准，把光学影像重采样到 SAR 网格。

7.3 时间序列缺失与轨道不一致的问题

SAR 卫星有固定重访周期，但不同轨道的入射角不同。同一个地区相邻两条轨道的 VH 强度可能存在系统性差异。生产环境中，如果某一期数据只有单轨道覆盖，另一期只有双轨道覆盖，模型看到的时间序列会混入轨道偏差。

处理方案是在预处理阶段尽量统一覆盖范围。如果数据来自多个轨道，可以把轨道号作为额外标签加入训练。SAR2Agri 的表征学习对这种系统性偏移比较敏感，因为时间卷积会把它当成物候变化。在训练数据中加入不同轨道、不同入射角的样本，是增强表征鲁棒性的有效手段。

7.4 可复用的实践检查清单

在项目发布或实验复现前，可以按以下清单逐项检查：

如果要从零开始实践 SAR2Agri 风格的表征学习，最值得投入的三件事是：先把预处理链路跑通并验证影像对齐情况，再设计一个能区分作物类型的时序编码器，最后严格按地块划分数据做消融实验。这三步做扎实之后，无论是换更复杂的模型结构，还是加入光学影像融合，都是在已经稳定的地基上迭代。SAR 强度表征学习的核心难点不是模型容量，而是数据背后的物理规律是否被正确建模，这一点在后续扩展中会越来越明显。