做遥感应用的同学，大多有过这样的经历：下载了几百 GB 的 Sentinel-1 数据，准备做一个作物分类项目，结果第一步就卡住了。SAR 图像不是光学影像，斑点噪声、极化组合、地形起伏引起的几何畸变，每一项都够调一阵子。好不容易把特征工程做完，又发现能用的农业地块标注只有几十个，神经网络一训练就过拟合，换一个片区效果立刻下降。
这个场景背后，是 SAR 农业监测领域长期存在的核心矛盾：数据丰富，标注稀缺。Sentinel-1 单星重访周期约 6 天，SAR 不受云雨天气影响，时间序列数据非常充足；但农业地块的人工判读与标注成本很高，且作物类型具有明显的区域性和季节性差异，标注复用率低。
SAR2Agri（Learning SAR Intensity Representations for Agricultural Monitoring）这个工作，尝试用自监督表征学习直接回应这个矛盾。它的核心判断是：先在大规模无标注的 SAR 强度数据上，通过对比学习让模型学会通用的雷达散射模式，再在下游农业任务上做轻量微调，从而显著减少标签需求，并改善模型的跨区域迁移能力。
这篇文章会从四个层面展开：先说清楚 SAR 农业监测为什么难；然后拆解 SAR2Agri 的数据构建、模型结构与训练策略；接着分析实验揭示的规律；最后给出如果要在自己的项目里借鉴这套思路，具体怎么做、会遇到哪些坑。
1. SAR 农业监测的真实痛点：数据很丰富，标签很稀少
SAR（Synthetic Aperture Radar，合成孔径雷达）在农业遥感里的地位很特殊。光学影像容易受云雨干扰，SAR 则几乎可以全天时、全天候获取地表信息。对于作物长势监测、土壤湿度反演、洪涝受灾评估这类任务来说，这种稳定获取数据的能力非常宝贵。
但 SAR 数据有个特点：它不像光学影像那样“看着像什么就知道是什么”。SAR 记录的是地表目标对雷达波束的后向散射强度，同一个地块在不同极化、不同入射角、不同耕作阶段下，表现可能差异很大。农田里作物还小时，地表散射以土壤为主；作物长大后，体散射成分增加；收割后，散射机制又回到裸露地表。这种复杂的时变规律，让基于像素的简单阈值方法很难稳定工作。
传统做法通常依赖人工设计的时序特征，比如计算不同时相的后向散射均值、最大值、变化率，或者拟合散射时序曲线，再交给随机森林、SVM 等分类器。这类方法有两个明显限制：
- 特征设计依赖领域经验：不同区域、不同作物、不同轨道参数下，哪种特征组合最优，往往要靠反复试验。
- 模型迁移能力差：在一个地区训练好的特征和分类器，换到另一个地区后性能可能显著下降，因为散射机制发生了变化。
深度学习本来可以缓解这些问题，但深度学习依赖大量标注数据。农业地块标注需要外业调查、高分影像目视解译或农户调研，成本远高于普通遥感分类任务。因此，实际项目中经常出现“有数据、没标签”的尴尬局面。SAR2Agri 正是针对这一瓶颈提出的方案：先用无标注数据做自监督预训练，再用少量标注数据做微调。
2. 核心思路转变：从“人工定义特征”到“学习强度表征”
要理解 SAR2Agri 的价值，首先要理解“表征学习”和“手工特征”的差别。
传统遥感图像分类的流程是：原始图像 → 人工设计特征 → 分类器。例如，对 SAR 时间序列，我们可以计算某个时段的平均后向散射、变化幅度、纹理统计量，这些特征是否有效，取决于我们对微波与地物相互作用机制的理解是否到位。
表征学习的流程完全不同：原始图像 → 神经网络自动提取表征 → 分类器。网络不依赖人工编写特征规则，而是从大量数据中自动学习什么是有用的散射模式。关键问题变成：在没有标签的情况下，怎么让网络学到对下游任务有用的表征？
SAR2Agri 采用了对比学习（contrastive learning）路线。通俗地说，对比学习的训练逻辑很像“看图找不同”：把同一块地表区域进行多种数据增强，得到两个不同的“视角”，让网络学会把同一区域的增强视图拉近，把不同区域的视图推远。这样一来，网络被迫学习那些在增强变换中保持不变的本质特征——比如地块的结构、纹理、散射强度模式，而不是具体的噪声或者某个成像参数。
这种思路和自监督学习在自然图像领域的发展一脉相承。SimCLR、MoCo、BYOL 等方法已经证明了对比预训练可以大幅降低下游任务对标注数量的需求。SAR2Agri 的贡献在于，把这条路线真正迁移到了 SAR 强度数据上，并针对 SAR 图像的特点设计了增强策略和训练流程。
这样做的好处很直接：预训练阶段完全不需要人工标注，可以用全球范围的海量 Sentinel-1 数据。农业地块标签只需要在后续微调阶段准备，而且用量可以少得多。
3. SAR2Agri 方法拆解：数据、增强、对比学习与微调
3.1 预训练数据：放在真实世界尺度上的规模化训练
SAR2Agri 的预训练数据来自真实的 Sentinel-1 强度数据，也就是我们通常所说的 GRD（Ground Range Detected）产品。相比原始的复数斜距产品，GRD 数据已经做过热噪声去除、辐射定标和地形校正，更接近一个“可以直接用于分析的后向散射强度图像”。
这里有一个细节值得注意：论文使用的强度数据是 Gamma0 辐射度量，而不是我们更常见的 Sigma0。两种度量都反映后向散射强度，但几何基准不同。Gamma0 对地形起伏的敏感性较低，在丘陵和山地地区做农业监测时更稳定。很多 SAR 初学者会把这两个概念混为一谈，实际处理时如果选错了辐射度量，后续分类结果会很不稳定。
预训练数据集构建的核心思想是“尽量大、尽量多样”。模型从全球不同地区随机选取切片，而不是只关注某个特定农业区。这样的好处是，网络有机会接触各种地表类型、各种气候带、各种耕作制度下的散射模式，从而形成更通用的表征。
从论文描述来看，预训练数据构建是自动化的：不需要人工挑选“好”的切片，只需要按坐标网格在可用的 Sentinel-1 影像中随机采样。这种思路非常适合大规模扩展，数据量从几万块增加到几十万块，只需要增加存储和计算资源，不需要增加人力成本。
3.2 数据增强：对比学习里的隐藏主角
对比学习成功与否，很大程度上取决于数据增强策略。如果增强太弱，正样本对过于相似，网络学不到区分性；如果增强太强，正样本对差异过大，训练过程可能不稳定甚至崩溃。
SAR2Agri 针对 SAR 图像的特点设计了一系列增强操作。其中最核心的是对像素值进行随机变换，模拟不同成像条件对后向散射强度的影响。SAR 的后向散射强度会受土壤湿度、粗糙度、入射角等因素影响，这些影响在图像上往往表现为整体增益的变化。因此在增强中引入随机的强度缩放和偏置，可以让网络学会在散射强度整体变化的情况下，仍然保持对地物类型的辨识能力。
另一个关键增强是随机掩蔽。相当于把图像中的一部分区域遮住，让网络根据局部上下文恢复完整语义。这种增强对于农业地块识别非常有用，因为农田地块内部有时会出现信号异常（比如残留的噪声或饱和像元），模型需要学会不受这些异常点的干扰。
增强的引入方式也很有讲究。不是所有增强在每个训练步骤中都固定使用，而是按照一定概率随机选择。这种随机性让每次训练看到的数据视图都不一样，相当于隐式地扩大了训练样本规模。
我在自己的遥感分类实践中也体会到，很多自监督预训练项目失败，不是模型结构的问题，而是增强策略没调好。SAR2Agri 把增强重点放在强度域和空间掩蔽上，而不是像自然图像那样大量使用色彩抖动，这是由 SAR 数据本身的物理特性决定的。
3.3 网络结构与对比损失：U-Net 风格骨干 + SimCLR 风格训练
SAR2Agri 的骨干网络采用 U-Net 风格结构。U-Net 原本用于医学图像分割，它的特点是编码器逐步下采样提取高层语义，解码器逐步上采样恢复空间分辨率，并且编码器和解码器之间有跳跃连接，保留局部细节。
在 SAR 农业监测场景中，U-Net 这种结构有两个明显优势：
- 空间分辨率保持：作物地块边界往往很细，分割和制图任务需要保留清晰的边界信息，纯分类网络容易丢失空间细节。
- 语义与细节结合：SAR 图像既需要全局上下文（比如农田分布格局），也需要局部散射特征（比如地块内的纹理），U-Net 的跳跃连接恰好能同时保留两者。
训练目标采用 SimCLR 风格的对比损失。核心做法是：对同一张输入图像做两次不同的增强，得到两个“正样本对”；同一批次中的其他图像则作为“负样本”。网络需要学会把正样本对的表征拉近，把负样本之间的表征推远。
这里有一个容易误解的地方：对比学习不是直接进行分类，而是让表征空间变得有结构。训练完成后的表征向量，本身并没有“玉米”或“小麦”的语义标签，它只是把相似散射模式的图像聚到一起。真正赋予语义的是后续的微调分类器。
3.4 下游农业任务微调：少样本如何转化
预训练完成后，SAR2Agri 进入微调阶段。此时，骨干网络的权重已经具备了对 SAR 强度数据的通用理解，只需要在少量带标签的农业地块数据上继续训练。
微调时通常有两种做法：
- 线性探针（linear probing）：冻结骨干网络，只在表征上训练一个线性分类器。这种方式适合标签非常少的情况，评估速度快，也方便观察预训练表征的质量。
- 端到端微调（fine-tuning）：把分类器和骨干网络一起继续训练。这种方式精度上限更高，但需要更多标签和更谨慎的训练策略，否则容易破坏预训练学到的表征。
SAR2Agri 的实验表明，自监督预训练后的少样本微调，效果优于直接使用全监督训练，尤其在每类标注样本非常有限的条件下优势更明显。这说明预训练过程确实学到了与农业地物散射机制相关的通用特征。
4. 实验结果中的三个关键规律
4.1 预训练轮次与表征质量不是单调关系
论文在实验中发现，预训练轮次和表征质量之间并不是简单的“越多越好”。在预训练早期，表征的判别性持续提升；但到一定阶段后，继续增加预训练轮次可能让表征变得过于“抽象”，对具体类别的区分能力反而下降。
这个现象在多类对比学习中并不罕见。随着训练进行，模型对负样本对的区分越来越容易，但每个样本在特征空间中的嵌入分布会变得更加分散，导致类别之间的边界变得模糊。对于下游分类任务来说，这可能不是好消息。
这意味着，使用自监督预训练模型时，不能简单地认为预训练时间越长越好。实际项目中，更合理的做法是固定一个适当的预训练轮次，然后接下游任务评估；如果资源允许，可以训练多个检查点，比较哪个检查点的微调效果最好。
4.2 少样本优势：迁移后的小样本分类更稳
SAR2Agri 实验最突出的结论，是少样本条件下自监督表征优于全监督基线。在每类只有几十个训练样本的情况下，直接训练深度模型很容易过拟合，而使用预训练表征后，只需要训练一个相对简单的分类器，泛化能力明显更强。
这个结论符合表征学习的理论逻辑。自监督预训练在无标注数据上建立了丰富的先验，下游分类器只需要在低维表征空间里做判别，而不是从原始 SAR 图像重新学习所有特征。这就像一位有经验的农学家看遥感图，即使只见过几块新作物样本，也能凭已有的农田知识快速判断。
对于农业遥感项目，这个优势非常实用。农业生产具有季节性，一个作物季通常只有几个月时间，在这期间收集足够多的标注样本往往来不及。通过自监督预训练，可以在作物季开始前就准备好通用表征，季中只需标注少量地块即可完成当年制图任务。
4.3 跨区域泛化的可能性
另一个关键结论是，预训练表征具有较强的跨区域迁移能力。从论文展示的结果看，在一个区域预训练得到的表征，用于另一个区域的农业监测任务时，仍能取得不错的效果。
SAR 散射机制的物理规律是全局一致的：玉米、小麦、水稻在不同地区的微波响应虽然有差异，但基本散射过程相似。一个在这些变化中学会了稳定特征的表征模型，自然更容易适应新区域。这种迁移能力恰好回应了传统手工特征方法“换一个地区就要重新设计特征”的痛点。
不过需要提醒的是，跨区域迁移不等于完全无监督迁移。实际操作中，目标区域仍然需要一定数量的标注样本来校正区域性的散射差异，只是需求量远小于从零开始训练。
5. 哪些农业监测任务最适合这条路线
SAR2Agri 的方法不是万能的，但从技术特点看，以下几类任务最适合借鉴它的思路。
第一类是大范围作物类型制图。这类任务的特点是地域广、地块多、作物类型复杂，完全依靠人工标注不现实。用自监督预训练表征加少量样本，可以在不牺牲太多精度的前提下大幅降低标注成本。
第二类是时序变化监测。SAR 数据天然适合频繁观测，无论是作物物候阶段划分，还是洪涝、干旱对农田的影响评估，都需要对长时序数据做一致性分析。预训练表征如果能在不同时相的数据上保持稳定，就更容易发现异常变化。
第三类是标注样本难以获取的边远地区项目。有些地区外业难以进入，或者缺乏高分光学影像辅助判读，获取标签比较困难。自监督预训练可以利用全球公开的 Sentinel-1 数据，把“无标签的先验知识”带到这些地区。
不太适合的场景包括：对单个地块精度要求极高且已有大量准确标注的小范围实验田研究。这种情况下，与其引入大模型预训练带来的工程复杂度，不如直接使用传统方法和足够多的本地标注数据，成本低且结果直观。
6. 如果想在自己的项目里借鉴 SAR2Agri
6.1 前置工作：数据获取与预处理
想走这条路线，第一步是准备 Sentinel-1 GRD 强度数据。数据可以从 ESA 的 Copernicus Data Space 获取。以下是一个简化版的下载思路，命令需要根据官方文档更新认证方式：
# 思路示例：查询 Sentinel-1 GRD 产品 # 1. 获取访问令牌 # TOKEN=$(curl -s -X POST "https://identity.dataspace.copernicus.eu/auth/realms/CDSE/protocol/openid-connect/token" \ # -d "grant_type=password" \ # -d "username=YOUR_USERNAME" \ # -d "password=YOUR_PASSWORD" \ # -H "Content-Type: application/x-www-form-urlencoded" | jq -r '.access_token') # 2. 通过 OData 接口查询指定区域和时间的 GRD 产品 # curl -s -G "https://catalogue.dataspace.copernicus.eu/odata/v1/Products" \ # --data-urlencode "\$filter=Collection/Name eq 'SENTINEL-1' and \ # ContentDate/Start gt 2024-01-01T00:00:00Z and \ # ContentDate/Start lt 2024-02-01T00:00:00Z" \ # -H "Authorization: Bearer $TOKEN"拿到原始 GRD 数据后，需要做辐射定标和地形校正，得到 Gamma0 强度图。这个过程可以在 SNAP（ESA 的免费遥感处理软件）中完成，也可以用 Python 的 pyroSAR、snapista 等工具做批处理。处理完成后，将图像按固定尺寸切成切片，并保存为标准格式的数组文件。
# 文件路径：prepare_slices.py # 该脚本用于把预处理后的 SAR 强度图切成训练切片 import numpy as np import tifffile from pathlib import Path input_dir = Path("./gamma0_tiles") output_dir = Path("./sar_slices") slice_size = 256 stride = 128 output_dir.mkdir(exist_ok=True) slice_idx = 0 for img_path in input_dir.glob("*.tif"): img = tifffile.imread(img_path) h, w = img.shape for y in range(0, h - slice_size + 1, stride): for x in range(0, w - slice_size + 1, stride): patch = img[y:y + slice_size, x:x + slice_size] # 丢弃有效值占比过低的切片，避免全是无效区域 valid_ratio = np.sum(patch > 0) / patch.size if valid_ratio < 0.9: continue np.save(output_dir / f"slice_{slice_idx:06d}.npy", patch) slice_idx += 1 print(f"Saved {slice_idx} slices to {output_dir}")切片的尺度需要根据实际地物大小调整。农田地块通常较大，256×256 像素的切片在 10 米分辨率下对应约 2.5 公里范围，足以覆盖多个地块，也足够让模型学到上下文信息。
6.2 简化版对比预训练实现
SAR2Agri 官方实现未广泛公开，但我们可以用 PyTorch 实现一个简化版对比预训练流程，用来跑通思路。核心包括三部分：数据加载、随机增强、对比损失。
# 文件路径：contrastive_pretrain.py # 简化版 SAR 强度自监督预训练流程，并非官方实现 import torch import torch.nn as nn import torch.nn.functional as F from torch.utils.data import DataLoader, Dataset import numpy as np class SliceDataset(Dataset): def __init__(self, slice_dir): self.files = sorted(list(slice_dir.glob("*.npy"))) def __len__(self): return len(self.files) def __getitem__(self, idx): patch = np.load(self.files[idx]) patch = (patch - patch.mean()) / (patch.std() + 1e-6) return torch.from_numpy(patch).float().unsqueeze(0) # (1, H, W) class RandomIntensityAugment(nn.Module): """随机强度缩放 + 偏置 + 掩蔽，模拟不同成像条件下的散射变化""" def __init__(self, p=0.6): super().__init__() self.p = p def forward(self, x): if torch.rand(1).item() < self.p: scale = torch.empty(1).uniform_(0.7, 1.3) bias = torch.empty(1).uniform_(-0.2, 0.2) x = x * scale + bias if torch.rand(1).item() < 0.3: mask = torch.rand_like(x[:1]) > 0.2 x = x * mask return x class Encoder(nn.Module): """U-Net风格编码器，只保留编码部分，输出紧凑表征""" def __init__(self, in_channel=1, feat_dim=128): super().__init__() self.encoder = nn.Sequential( nn.Conv2d(in_channel, 32, 3, padding=1), nn.ReLU(), nn.Conv2d(32, 64, 3, padding=1), nn.ReLU(), nn.AvgPool2d(2), nn.Conv2d(64, 128, 3, padding=1), nn.ReLU(), nn.AvgPool2d(2), nn.Conv2d(128, 256, 3, padding=1), nn.ReLU(), nn.AdaptiveAvgPool2d(1), ) self.projection = nn.Sequential( nn.Linear(256, 256), nn.ReLU(), nn.Linear(256, feat_dim), ) def forward(self, x): feat = self.encoder(x).flatten(1) return self.projection(feat) def contrastive_loss(z1, z2, temperature=0.1): """SimCLR 风格的对比损失""" z1 = F.normalize(z1, dim=-1) z2 = F.normalize(z2, dim=-1) batch_size = z1.size(0) # 拼接两个视角，计算余弦相似度矩阵 z = torch.cat([z1, z2], dim=0) # (2B, D) sim = torch.matmul(z, z.T) / temperature # 正样本对：对角线偏移 mask = torch.eye(2 * batch_size, dtype=torch.bool).to(z.device) logits = sim[~mask].view(2 * batch_size, -1) labels = torch.arange(batch_size, device=z.device) labels = torch.cat([labels + batch_size, labels]) return F.cross_entropy(logits, labels)这个简化实现有几个地方需要注意。第一，负样本对来自同一批次内的其他切片，所以批次越大，负样本越丰富，效果通常越好。在显存允许的情况下，尽量把 batch size 调大。第二，输入数据做标准化时，减去均值除以标准差可以避免强度尺度差异对训练的影响，但在下游微调时，需要记录训练集的标准化参数，保持一致。第三，增强的强度不宜过大，否则对比学习任务会变得过于困难，模型难以收敛。
6.3 下游微调与效果验证
预训练完成后，冻结或部分冻结骨干网络，接一个分类头做少样本分类。以作物类型分类为例，代码如下：
# 文件路径：finetune_cls.py # 简化版下游微调，演示如何在预训练表征上训练分类器 import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader class SARClassifier(nn.Module): def __init__(self, encoder, num_classes=4, freeze_backbone=True): super().__init__() self.encoder = encoder self.classifier = nn.Sequential( nn.Dropout(0.3), nn.Linear(128, num_classes), ) self.freeze_backbone = freeze_backbone def forward(self, x): with torch.set_grad_enabled(not self.freeze_backbone): feat = self.encoder.feature(x) return self.classifier(feat) def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total_loss = 0.0 for x, y in loader: x, y = x.to(device), y.to(device) optimizer.zero_grad() logits = model(x) loss = criterion(logits, y) loss.backward() optimizer.step() total_loss += loss.item() * x.size(0) return total_loss / len(loader.dataset)微调阶段有两个训练参数值得注意。一是学习率。预训练后的骨干网络已经处于较好的参数空间，如果学习率过大，可能破坏原有表征。一般建议骨干网络学习率设为分类头的十分之一，或者干脆冻结骨干网络，只用低学习率训练分类头。二是训练轮次。少样本场景下，几个 epoch 就很容易过拟合，建议配合早停和验证集监控。
效果验证不只关心整体准确率，更要分作物类型看精确率和召回率。农作物分布往往不平衡，水稻面积大、某些小众作物面积小，总体准确率可能掩盖少数类的失败。建议输出混淆矩阵，并重点关注“常见作物被误判为稀有作物”这种代价较高的错误。
7. 常见误区与工程建议
在实际项目中，借鉴 SAR2Agri 思路时容易踩到几个坑，理顺这些有助于少走弯路。
第一个误区：把这里的 SAR 和 ADC 中的 SAR 搞混。在数字电路领域，SAR ADC 是逐次逼近型模数转换器，其中的 SAR 是 Successive Approximation Register 的缩写。而遥感领域的 SAR 是 Synthetic Aperture Radar，两个概念完全不同。看论文和资料时，可以关注上下文，避免搜索和阅读时走错方向。
第二个误区：认为自监督预训练一定需要超大规模算力。对于单个农业项目，完全可以在小范围内训练一个轻量级骨干。相比 ImageNet 级别的预训练，SAR 强度数据是单通道、切片尺寸相对较小，训练成本低很多。即使没有 GPU 集群，用一两张消费级显卡也能完成基本实验。真正的成本大头是数据预处理和存储。
第三个误区：忽略了 Gamma0 和 Sigma0 的选择。不少公开处理流程默认输出 Sigma0。如果目标区域包含山地或丘陵，Gamma0 通常更适合训练和分类。建议在预处理阶段明确记录所使用的辐射度量，并在发布结果时说明，否则他人复现时可能无法对齐。
第四个误区：增强策略照搬自然图像。自然图像对比学习常用的 ColorJitter、高斯模糊等增强，在 SAR 强度数据上意义有限。SAR 的强度域变化才是影响散射特征的主要因素。增强策略应该围绕强度缩放、偏置、局部掩蔽、噪声注入来设计，并做消融实验验证。
第五个误区：忽略时间维度的特殊性。SAR2Agri 的表征学习主要面向图像切片，但在农业监测中，时间序列信息往往比单时相图像更重要。实际项目中，可以把预训练表征与时序统计特征结合，比如对每个时相提取表征，再按时间维度做统计汇总。这种做法往往比单纯使用某一天的图像效果更好。
工程层面，还有几个建议值得落实。
数据管理建议按“原始数据、预处理数据、训练切片、实验记录”分目录存储。SAR 数据量很大，如果目录结构混乱，后期追查数据版本会非常痛苦。建议在预处理脚本中加入输出日志和参数记录，保证每个切片都能回溯到原始影像和预处理参数。
训练实验建议固定随机种子，并记录每次实验的配置，包括增强概率、学习率、预训练轮次和微调轮次。自监督训练的不确定性比监督训练更大，不固定随机种子的话，很难判断效果差异是来自改动还是来自随机性。
安全方面，下载和分享 Sentinel-1 数据时，注意遵守 ESA 的数据使用条款。不要公开分享含有敏感坐标或高分辨率细节的数据集，如需发布，建议做脱敏处理或只发布统计结果。
8. 总结与下一步方向
SAR2Agri 的核心贡献，是把自监督对比学习从自然图像领域成功迁移到 SAR 强度数据上，为农业监测提供了一条“大规模无标注预训练 + 少量标注微调”的实用路径。它的价值不在于提出全新的网络结构，而在于证明了一个重要观点：在标签稀缺的遥感农业场景中，学习型表征比手工特征更有潜力，而自监督预训练能够有效降低深度学习应用的标注门槛。
对于遥感算法工程师来说，这篇文章最重要的启示是：面对新的农业监测任务，不要急着标数据、训模型，可以先问自己几个问题——有没有可用的无标注 SAR 数据？预训练表征能否迁移到当前区域？下游任务是否适合用少量样本微调解决？如果答案都是肯定的，SAR2Agri 的路线值得认真尝试。
下一步可以考虑的方向包括：把时间序列信息显式地纳入预训练过程；探索更轻量的骨干网络以降低部署成本；以及将预训练表征与光学影像特征进行多模态融合，进一步提升农业监测精度。也建议读者在本地先跑通一个最小对比预训练实验，再用自己的数据验证效果，这种体验远比只读论文更深刻。
