农业适宜性图往往同时依赖细粒度边界、季节变化和地理上下文。只用经典分割网络，可能保留局部细节但对时空泛化不足；只用预训练基础模型，又可能因为输入聚合或任务规模而失去局部信息。一项 AI4Agri 竞赛实践将 U-Net 与 Prithvi-2.0 组合，为 GIS 团队提供了“先分开验证、再决定是否集成”的案例。
可核查事实
- 该论文于 2026 年 7 月 9 日以 arXiv v1 提交。
- 任务是预测法国南部的葡萄种植潜力。
- 每个像元的种植潜力标注为从 1 到 5 的等级。
- AgriPotential 数据由 2017 至 2019 年的 34 个时相 Sentinel-2 多光谱影像构成。
- 数据集包含 6,329 个训练块、781 个验证块和 800 个测试块。
- 研究将全时相输入堆叠给 U-Net，并将 34 个时相聚合成四个季节均值供 Prithvi 使用。
- 集成预测以 0.65 的 U-Net logit 与 0.35 的 Prithvi logit 线性组合。
- 论文报告集成模型测试 ±1 准确率为 68.32，在 7 个团队中排名第 2。
核心机制
核心机制不是简单平均两个模型，而是让两种输入表示互补。U-Net 使用完整多时相、多通道信息，侧重像元级边界；Prithvi 分支使用季节聚合和预训练兼容波段，补充更平滑的时空表示。论文的集成权重由验证集校准，说明权重属于数据口径的一部分，不能直接搬到别的地区。
研究还利用高置信度 U-Net 预测为未标注像元生成伪标签，再辅助 Prithvi 训练。伪标签能扩大训练信号，也会把教师模型偏差带入学生，因此必须保存置信阈值、伪标签比例和未标注区域分布。
GIS 场景与实施路径
这种方法可用于葡萄园候选区初筛、地块优先调查和农业适宜性风险图层。先将结果定义为“模型估计的潜力等级”，而非地籍、土壤检测或种植许可结论；再叠加坡度、土壤、水源、保护区和已有地块等权威图层复核。
实施路径按地区和年份划分训练、验证和留出测试区，分别比较 U-Net、基础模型和集成模型的等级误差、边界稳定性与低置信区域。发布时保留 Sentinel 影像时相、波段、云处理、归一化、季节聚合、模型权重和输出坐标系。
可执行建议
- 先以独立空间与年份留出区比较单模型和集成模型，不根据训练分数设权重。
- 输出潜力等级、置信度和数据覆盖图层，标明无观测或伪标签主导区域。
- 将影像时相、云处理、波段、归一化、模型版本和集成权重写入数据口径。
- 用权威土壤、坡度、水资源和保护地数据复核候选区，不直接作为投资或许可结论。
- 在新的年份或地区重新校准权重，并保留原有版本用于变化比较。
风险边界
论文研究的是法国南部竞赛数据，68.32 的 ±1 准确率不等于其他产区的可靠性。潜力等级还受品种、经营方式、灌溉、市场、法规和极端气候影响，遥感模型无法完全观察。预印本与竞赛排行榜结果需要经过本地数据、权威图层和人工调查复验。
结论
U-Net 与基础模型可以互补，但集成不是自动升级。以独立时空验证确定权重、以不确定性和权威图层约束输出，才能把农业潜力预测安全接入 GIS 决策流程。