农林供应链、毁林监测和监管核查都希望把可可种植园画得更准。直觉上，0.5 米影像总比 10 米影像可靠；但覆盖全域的成本、可得性与更新频率也完全不同。针对科特迪瓦的研究表明，分辨率选择应由景观破碎度和树冠覆盖条件驱动，而不是把最高分辨率当成默认配置。
可核查事实
Is sub-metre resolution necessary for cocoa mapping? 于 2026 年 7 月 9 日提交 arXiv。研究关注可可制图对毁林监测、供应链透明度和监管应用的重要性，并在科特迪瓦比较不同空间分辨率和表征输入。
作者使用 0.5 米 Pleiades 超高分辨率影像、10 米 Sentinel-2 年度合成影像，以及 TESSERA 与 AlphaEarth Foundations（AEF）嵌入训练模型；同时评估 4 个公开可可制图产品。它不是只比较一次总体分数，而是按树冠覆盖密度和景观破碎度做分层精度评估。
精度评估采用 2,821 个独立判读参考点。这些点分布在不同的树冠密度和景观破碎度梯度上，目的在于检查同一个模型是否只在容易的景观中表现良好。
论文报告，Pleiades 超高分辨率模型 F1 为 0.92，并在所有分层中保持 0.90 以上。在十米级输入中，TESSERA 最好，F1 为 0.86；AEF 为 0.82；Sentinel-2 为 0.76。这些指标仅属于研究的数据、独立样本和分层定义，不能直接当作其他国家或作物的性能承诺。
四个公开产品中，论文称 Kalischek 产品表现最好，F1 为 0.83，与内部训练的 AEF 模型接近。结果也显示，Pleiades 与十米级方法的差异会在更破碎的景观、以及低或高树冠覆盖密度条件下扩大。
论文由此给出有条件的结论：复杂可可景观可从有针对性的超高分辨率采集获益；对大范围制图，基础模型嵌入可作为可扩展的替代输入。这个结论并不等于可用嵌入取代独立参考样本、地块边界核验或供应链审计。
核心机制
分辨率不是孤立的技术参数。十米像元在破碎小农景观里可能混入非可可树冠、道路、其他作物与阴影；亚米级影像能减少空间混合，却带来成本、覆盖和时相约束。基础模型嵌入可以改变十米影像的可分性，但不能恢复在原始像元中根本不存在的边界细节。
因此，团队应把采购问题改写为一个分层决策：哪些 AOI 的破碎度、树冠覆盖、监管风险或争议概率足以证明超高分辨率的额外价值，哪些 AOI 可以用十米级数据和嵌入先建立候选层。
GIS 场景
可可供应链的地块识别、毁林风险筛查和实地核查可采用两级制图。第一层用广域 Sentinel-2 或嵌入生成一致的候选图；第二层将高破碎、低/高树冠覆盖、模型低置信或高监管风险单元送入 Pleiades、无人机或现场复核。每个对象应保存影像日期、分辨率、云/阴影条件、模型版本、置信度和人工结论。
这种策略同样适用于其他小农镶嵌景观，但阈值必须由本地独立样本建立。地图图层只能表示“与可可一致的候选范围”，不能直接成为经营主体、合规状态或毁林责任的最终事实。
技术路径
- 用独立参考点按树冠覆盖和景观破碎度建立分层验证集。
- 在同一时段、同一 AOI 比较十米影像、嵌入、超高分辨率和现有产品。
- 报告每层 F1、召回、误检、样本量与空间分布，不只报全域平均数。
- 为破碎度高、极端树冠覆盖和低置信对象设定升级到高分辨率或现场核验的规则。
- 将数据许可、影像时相、地块几何、模型与人工核验版本回链到每次发布。
检查清单
- 是否按景观破碎度和树冠覆盖分层验证。
- 是否使用与训练区域独立的参考样本。
- 是否记录影像分辨率、日期、云/阴影和模型版本。
- 是否为高风险对象设置高分辨率或人工复核升级路径。
- 是否把候选范围与合规或经营事实分开管理。
风险边界
研究结果来自科特迪瓦可可景观的特定影像、参考点和分层方案。树种混合、采集季节、传感器、地块大小和标注规则变化都会改变结论。高分辨率也可能带来时相不一致或覆盖缺口；任何用于监管或商业尽调的地图都必须保留证据、独立复核和申诉更正流程。
结论
可可制图不该在“十米”与“亚米”之间二选一。先用景观复杂度和独立分层验证定位高价值 AOI，再把高分辨率留给真正需要的区域，才能同时控制制图成本与证据质量。