卫星一直在拍农田，真正稀缺的是知道地里种了什么

从太空往下看，塞内加尔的花生盆地并不模糊。

卫星会一次又一次飞过，记录地表在雨季和旱季里的颜色变化。哪里返青，哪里成熟，哪里收割，都留在一串串像素里。

可对农业部门来说，一个更简单的问题仍然很难回答：这一块田里，今年到底种了什么？

大农场常有机械作业记录、保险数据和数字化边界。小农田却可能只有不规则的田埂，一块地里还同时种着不止一种作物。要把卫星图像变成作物地图，通常需要人员走进田间，一块块标记，再让算法学习。

当土地分散、调查经费有限、年份变化又很大时，这张地图很容易过期，甚至从未完整存在过。

剑桥大学研究人员最近把一个开源地球表征模型Tessera用于塞内加尔花生盆地。研究报告，在他们的测试中，主要作物分类的总体准确率达到84%；在一个跨年度场景里，比次优方法高28%。

这不是“AI从太空预测粮食产量”，也不是“算法解决饥饿”。它识别的是作物类型，不是收成，更没有证明这些地图已经改变了政策结果。

但它触碰了一个常被忽略的基础问题：在信息最稀缺的地方，怎样用较少的地面标签和计算资源，把不断涌来的卫星影像变成一张可以工作的地图。

卫星看见了颜色，却不知道名字

一张卫星图像里，每个像素都带着光谱信息。植物在不同波段反射多少光，会随叶片、含水量和生长阶段变化。

问题在于，卫星只记录变化，不知道它们的名字。

同一片绿色，可能是花生，也可能是谷子；同一种作物，因为播种日期、降雨、土壤和品种不同，也会呈现不同的季节曲线。一块十几米宽的小田，甚至可能被道路、树木和邻田共同挤进同一个像素。

传统做法是收集大量带标签的地面样本：调查员确认一块田种了什么，再把答案与卫星数据对应起来。标签越多，模型通常越容易学会辨认。

可最需要地图的地方，往往最缺标签。

这正是Tessera试图改变的部分。它先把一个地点一整年的卫星影像压缩成一个“嵌入”——可以把它理解为一份浓缩档案，保留这个位置在不同季节里的光谱与变化特征。每个档案对应约10米尺度的地表位置。

随后，研究人员只用相对有限的地面样本，训练一个分类器去辨认不同作物。

这并不意味着模型不再需要人。相反，地面调查仍然决定哪些名字能被正确教给算法。改变的是：同样数量的标签，有机会被更充分利用；当地机构不必从头训练一个庞大的地球模型。

84%之后，更重要的是那16%

研究团队把这种方法与两类常见的卫星制图方法，以及Google DeepMind的AlphaEarth进行了比较。官方报道给出的核心数字是84%的总体分类准确率。

这个结果说明，通用地球表征可以迁移到资源有限的小农制图任务中。

但如果只记住84%，就会错过论文最重要的警告。

研究者发现，当训练和测试跨越不同年份时，准确率会下降。作者认为，2018年和2021年的地面调查质量差异可能是原因之一。也就是说，模型再强，也无法把不一致的地面真值自动变成可靠答案。

研究还没有测试混作地块里的次生作物。

对许多小农来说，一块田并不只属于一个标签。主作物之间可能穿插豆类、谷物或其他作物，既分散风险，也支撑家庭食物来源。若地图只能给整块田贴上一个名字，它就可能把真实农业里最复杂、也最重要的部分抹平。

所以，那16%的错误并不只是技术指标。它可能意味着一块田被认错、一个年份的政策判断失真，或一种被当作“次要”的作物从统计中消失。

一张地图能做什么，不能做什么

作物地图是许多农业决策的底层信息。

政府和援助机构需要知道哪些地区种了什么，才能估计某次干旱、洪水或病虫害可能影响哪些作物；农业保险需要基础地图理解风险；研究者需要长期序列观察轮作和土地变化；统计部门也需要用它校准抽样调查。

在气候冲击频繁、农业人口众多的地区，地图更新得早一点，意味着预警和调查可以更快到达真正需要的地方。

但地图不能替代后面的工作。

知道一块田种花生，不等于知道花生长得好不好；知道种植面积，不等于知道最终产量；知道可能减产，也不等于粮食会自动送到受影响的人手中。

从一张作物图到粮食安全，中间还有天气、土壤、市场、仓储、道路、价格、家庭收入和公共治理。

世界粮食计划署长期把气候冲击与塞内加尔的粮食脆弱性联系起来。世界银行也在当地农业转型计划中强调粮食安全、就业与价值链建设。这些背景说明地图为什么重要，却不能反过来证明这项模型已经产生了社会效果。

真正的开放，不只是把代码放出来

Tessera是开源模型。这让大学、政府和公益机构有机会检查、使用和改造它，而不必购买一个封闭系统。

但“开源”不等于“零门槛”。

有人仍需组织地面调查，有人要判断哪些标签可信，有人要维护数据和计算环境，也有人要向农民解释地图的用途与错误。模型跨到新的国家、气候和作物后，还需要重新验证。

更关键的是，地图会进入资源分配。哪里被识别为受灾区，哪里进入抽样调查，哪里得到技术支持，都可能受到它的影响。

这时，技术公平就不只是免费使用代码，而是四个更具体的问题：谁提供数据，谁能纠错，谁解释不确定性，地图出错时谁负责。

一个在论文测试里表现良好的模型，只有被当地机构长期掌握，才可能成为公共基础设施。否则，它仍可能只是一次从外部飞过的技术演示。

人还要走进田里

卫星的优势，是不断回来。

它能跨越道路、季节和行政边界，留下一个地区长期变化的证据。AI的优势，是从大量影像里提取人难以逐一处理的模式。

可农业最终发生在地面上。

雨是否落在关键几天，种子是否按时到达，某块田为什么混种，农民今年为何换了作物，这些都不是一串像素自己能够解释的。

剑桥团队的工作最值得保留的，并不是“机器终于看懂农田”这种胜利叙事。

它更像一次基础设施实验：能不能把太空中早已存在的图像，变成资源有限的地方也能维护的知识；能不能让地图更新得更快，同时诚实标出它看不见的部分。

卫星还会继续飞过花生盆地。

真正决定一张地图有没有价值的，不只是它从天上看得多清楚。

而是地面上的人，能不能用它看见问题，也能在它看错时，及时把答案改回来。

---

发布摘要

剑桥大学团队把开源地球表征模型Tessera用于塞内加尔小农作物制图，研究测试总体准确率84%，一个跨年场景较次优方法高28%。但这仍是区域作物分类，不是产量预测或粮食安全成效；跨年漂移、地面标签质量和混作遗漏，决定它离公共基础设施还有多远。

备选标题

• 地图上没有的小农田，怎样被粮食系统看见
• 84%准确率背后，AI仍然需要人走进农田

平台改编建议

• 视频号：从“卫星看得见绿色，却不知道它叫什么”进入，60至90秒解释图像—嵌入—标签—地图链条。
• 小红书：做六张卡，分别写84%、10米、跨年漂移、混作、作物分类不等于产量、谁负责纠错。
• 头条号：扩展农业统计、保险、灾害预警和开放模型的治理成本。