农业 GIS 的作物分类、物候和产量任务并不只依赖卫星图像。缺少天气、土壤或管理数据时，通用 EO 模型的预训练并不能替代这些输入。
可核查事实
- 该论文于 2026 年 8 月 31 日以 arXiv v1 提交。
- 研究在七个真实农业数据集上比较两种地球观测基础模型、一个表格基础模型和传统监督基线。
- 数据集覆盖产量预测、物候估计和作物分类三类农业任务。
- 论文把预训练—部署模态缺口列为农业基础模型落地的关键瓶颈。
- 多个农业下游任务需要非影像模态，而部分 EO 基础模型在架构上无法直接输入这些数据。
- 论文沿空间单元、农作制度、数据划分、任务类型和数据集规模五个结构轴描述农业任务空间。
- 研究报告不同评价设置下模型排名高度不稳定，没有通用胜者。
- 论文指出，通用表格基础模型在若干设置中可与或优于 EO 基础模型。
核心机制
模型输入能力与业务特征之间的差距是核心机制。若任务需要深层土壤、农业气象和日尺度天气，而模型只能接收固定卫星通道，预训练表征无法恢复缺失信号。农业任务又在地块或行政区尺度、农作制度、时间划分和标签规模上不同，平均分不能代表新地区或下一季的能力。
GIS 场景与实施路径
适用于地块作物识别、物候预警、县域产量估计和农业风险图层。为每个任务列出影像、指数、DEM、气象、土壤和调查数据，并与模型原生输入逐项比对。采用空间留出、年度留出或滚动预测，再与能使用全部特征的简单基线并列。
可执行建议
- 建立模态覆盖表，列明关键影像、气象、土壤和管理数据。
- 将作物分类、物候和产量预测分开验收。
- 使用空间和时间留出测试模拟新地区与未来季节。
- 与使用全部特征的随机森林或时序基线并列比较。
- 记录模型版本、输入模态、数据时相、空间尺度和适用范围。
风险边界
一个区域的模型胜者不保证适用于其他作物、传感器和农作制度。极端天气、管理变化、统计口径和标签延迟也会改变结果。论文为预印本，本地服务仍须独立复验。
结论
农业基础模型应先核对业务模态覆盖，再验证时空泛化；完整输入目录和基线测试是发布 GIS 预测图层的前提。