斯坦福 David B. Lobell 课题组评测 AlphaEarth在农业任务中表现

斯坦福大学 David B. Lobell 课题组与 Corteva 合作发表的 Harvesting AlphaEarth ，并不是又做了一个新的农业遥感模型，而是把 Google DeepMind 的 AlphaEarth Foundation（AEF） 放进农业这个高要求场景里，系统检验它到底能不能作为可直接使用的 geospatial foundation model。论文的核心结论很明确：

AEF 在本地训练条件下表现很强，尤其在产量预测和县域耕作制图中已具备现实竞争力；但一旦问题转向跨区域、跨尺度和强时序敏感任务，AEF 的优势迅速减弱，甚至暴露出显著短板。

这项工作的重要性，不在于简单比较“谁更准”，而在于它第一次把农业任务中最关键的三个要求—— generalizability、time sensitivity、interpretability ——明确放到 AEF 的检验框架里。

一、 AEF从 “通用优势”到农业场景的“条件优势”

理解这篇文章，首先要把它放回 AEF 原始论文的语境里。原始 AEF 论文想解决的问题，是地球观测中长期存在的特征工程负担：数据来源多、时空分辨率不一致、观测稀疏且异步、不同传感器之间还存在大量 harmonization 问题。AEF 的做法，是把光学、雷达、LiDAR、气候、地形、重力场和文本等多模态信息压缩进一个统一的 64 维 embedding space，并以 10 m 分辨率发布 2017–2024 年的全球年度表征层，供用户在 Google Earth Engine 上直接调用。Harvesting 论文对这部分也做了简要回顾，并指出原始 AEF 的内部评测主要集中在土地利用/土地覆盖等任务上，对农业这一更强调时间窗口、尺度转换和空间迁移的应用场景，证据仍然不足。

AEF原始论文图1 AEF embedding fields 在多任务评测中的性能优势

因此，Harvesting AlphaEarth 的真正问题不是“AEF 有没有用”，而是“AEF 的有效性在农业中能延伸到什么程度”。

这篇文章将评测对象明确设定为三个农业下游任务：作物产量预测、春季耕作方式制图、覆盖作物制图；同时覆盖县级和田块级两个尺度，并结合 USDA-NASS 的公共数据与 Corteva 的田块级私有数据。仅在田块产量部分，样本就包括 89,938 个玉米田块、73,492 个大豆田块和 20,401 个冬小麦田块；覆盖作物样本达到 47,709 个 field-year。这里最值得注意的一点是：作者并没有拿 AEF 和其他 foundation model 横向比较，而是拿它和农业研究中真正常用的 RS feature workflow 做对照。这使得论文的结论更接近实际研究与生产情境。

更重要的是，它的评测协议明显比许多“模型有效性展示”更严格。作者没有采用会夸大性能的随机切分，而是使用 State-Year CV / County-Year CV 来规避空间自相关，使用 Yearly CV 检验跨年泛化，进一步增加 Scale-Transfer 和 Space-Transfer 任务，分别考察跨尺度与跨生态区迁移能力。也就是说，这篇文章真正回答的是：

如果用户并不总是在“同一区域、同一尺度、相邻年份”里做预测，AEF 还能否维持它在原始论文中的优势？

二、 AEF 不是概念验证，而是可用方案

在局地建模，AEF表现亮眼。县级产量预测中，AEF-based 模型与 RS-based 模型在 State-Year CV 下总体相当；在更接近真实应用的 Yearly CV 下，AEF 反而显示出更好的跨年稳定性。以 XGB 为例，玉米、大豆、冬小麦的县级 yearly 结果分别达到 0.77、0.77、0.78 ，对应的 RS-XGB 为 0.74、0.70、0.69 。这不是简单的“略高一点”，而是说明 在按年份划分训练与测试的评测设置下（模型需要面对真实的跨年变化，而不能依赖相邻年份之间的相似性），AEF 的年度 embedding 仍然保留了相当强的作物状态信息。尤其对冬小麦，论文指出 RS-based 模型在高产区间存在明显低估，而 AEF 在这一段部分缓解了偏差。换句话说，

AEF 在县域尺度上已不只是“可以试试”，而是已经具备替代一部分传统特征工程流程的现实可能。

图3 Yearly CV 下三类作物县级产量预测的观测值与预测值对比

这种表现并非偶然。Harvesting 的一个细节很重要：作者为 RS baseline 构建的并不是简化版特征，而是相对完整且任务定制的农业特征集。产量任务中，RS 特征包括 Landsat 六个波段、NDVI、GCVI、月尺度气候变量，并通过二阶谐波回归和物候指标提取，把整个生长季的时序观测压缩为 80 个 harmonic/phenology predictors，再补充月尺度 GDD 和降水特征。也就是说，AEF与一套相当成熟的农业遥感表征方法相比，依旧表现出竞争力。也就是说：

“直接可用的 foundation model” ≈ “真正成熟的传统 workflow”。

耕作制图的结果也支持这一判断。县级低强度耕作比例预测中，AEF 与 RS 整体接近：在所有年份汇总后，AEF-RF 的结果略高于 RS-RF，但差距并不大。田块级耕作分类在 County-Year CV 下，各模型 accuracy 与 weighted F1 大体都在 0.75–0.80 区间，AEF 也没有明显掉队。这意味着，在“本地训练—本地应用”的典型农业任务中，AEF 已经不是一个仅供展示的 representation，而是一个能进入候选方案清单的实际工具。

这一点还体现在数据工程层面。论文总结了 AEF 的几个现实优势：其一，多源信息已经被内建 harmonization；其二，AEF 以 image dataset 形式托管在 GEE，上手速度远高于逐景下载、云掩膜、时序配准和特征拟合的传统流程；其三，空间覆盖更完整。作者举了一个很有说服力的例子：在 90,210 条玉米田块产量记录中，AEF embedding 基本可以完整获取，而 RS 特征最终只成功下载并构建了 89,938 条，缺口主要来自 Landsat 时序不足或无法稳定完成 harmonic fitting。对于农业研究者来说，这意味着 AEF 的价值不仅是“性能”，更是 降低了进入门槛和数据准备成本 。

三、AEF的适用边界

这篇论文明确指出： 农业里最关键的问题，恰恰是 AEF 当前最薄弱的地方。

第一个边界来自 scale transferability 。在县级训练、田块级测试的 Scale-Transfer 任务中，AEF 的表现显著差于 RS。玉米田块产量的 scale-transfer 结果中，AEF-XGB 为 0.25 ，而 RS-XGB 为 0.38 ；大豆是 0.11 对 0.24 ；冬小麦更为明显，AEF-XGB 仅 -0.04 ，RS-XGB 则仍有 0.22 。作者对此给出了直接解释：embedding 本身是一种压缩表示，当县级均值聚合发生后，田块内部与产量密切相关的异质性信息会被稀释；而 RS 特征保留的仍然是冠层结构、植被活力、土壤水分等更直接的物理信号，因此跨尺度迁移更稳。

这一点其实非常关键。它说明 foundation model 的统一表示能力，并不自动等于尺度鲁棒性 。 在农业中，尺度从来不是纯技术细节，而是决定信息是否仍然有效的结构性问题。一个县级平均值中有用的 embedding，并不一定还能代表田块层面的生长差异。Harvesting 通过这组结果，实际上修正了一个相当普遍的期待：

预训练得到的高层表征，并不天然比低层物理特征更适合跨尺度应用。

第二个边界来自 time sensitivity 。这点在耕作和覆盖作物任务中尤其突出。田块级耕作分类在 Yearly CV 下，AEF-based 模型的 accuracy 和 weighted F1 明显下降到约 0.70 ，而 RS-based 模型仍大致维持在 0.75 。论文特别指出，高强度耕作之所以更难识别，是因为它对应的是一个很短的窗口：作物残茬被移除、土壤表面受到扰动，这些变化只在相对短暂的时段中最明显。RS 特征使用 4–6 月逐月组织的波段、植被指数和 tillage indices；而 AEF 当前公开发布的是 年度 embedding 。即便 AEF 在训练时强调“continuous time-series featurization”，真正可调用的数据产品仍然是年尺度汇总。农业管理行为恰恰最不适合这种时间粒度。

覆盖作物制图把这一问题暴露得更彻底。覆盖作物从秋收到次年春播横跨两个年度，作者不得不把两年的 AEF embedding 拼接成输入；而 RS baseline 则按月组织 10 月到次年 5 月的波段、植被指数、温度和降水特征。结果是，在 County-Year CV 和 Yearly CV 下，整体最强的都是 RS-based RF ，accuracy 与 weighted F1 维持在 0.80–0.85 左右；AEF 的特点是更容易识别正类，也就是“有覆盖作物”的地块，但同时更容易把负类错判成正类。更值得注意的是，作者还指出 XGB 在这项任务上整体弱于 RF，一个原因是冬末春初观测噪声更大，RF 对噪声鲁棒性更高。这个细节其实提示出另一层问题：

当数据时段本身观测条件差、物候窗口又窄时，AEF 并没有表现出明显优于传统特征的抗噪能力。

图7 Yearly CV 下覆盖作物田块分类性能的年际波动与模型差异

换句话说，Harvesting 让我们看清了一个本来容易被忽略的事实：原始 AEF 论文里的“连续时间建模能力”，并不应直接等同于农业任务中的“时间敏感性”。训练机制上的 time-continuous，并不必然转化为发布产品层面的 time-resolved。只要最终可用的是 annual embedding，它在季内预测、短时管理行为识别、物候转折捕捉上的能力就会受到根本约束。

三、空间迁移失败

如果说前两部分揭示的是 AEF 在农业中的“局部边界”，那么空间迁移实验给出的则是一个更深层的判断： AEF 当前还不是一个可以脱离地域背景而稳定工作的农业 representation。

论文把美国玉米带划分为两个生态区：东部的 Eastern Temperate Forests（ETF） 和西部的 Great Plains（GP） ，并进行双向迁移。结果极具冲击力。在县级产量预测中，玉米 East→West 时，AEF-based RF 的结果只有 0.02 ，而 RS-based RF 达到 0.66 ；大豆 East→West 时，AEF-based RF 甚至降到 -0.28 ，而 RS-based RF 仍有 0.53 。即使在田块级，AEF 也整体落后于 RS，只是差距略小。也就是说， AEF 在本地拟合中可以接近甚至超过 RS，但一旦训练区域和应用区域分离，优势迅速消失 。

图8 不同生态区县级 AEF embedding 在二维空间中的明显分离

Fig. 8 是这篇论文最关键的证据之一。作者用 t-SNE 可视化不同生态区的 crop-specific AEF embeddings，发现东部和西部样本在嵌入空间中分得很开，只有边界县有少量重叠。这个图之所以重要，不只是因为它“展示了分离”，而是因为它把性能下降与表示结构直接联系起来： AEF 学到的不是纯粹可迁移的作物状态，而是包含了很强的地域特异性 。一旦在某一区域内训练模型，模型学到的就不仅是“某种表征对应某种产量”，而是“某一地区特有表征对应某种产量”，迁移自然困难。

作者把这种空间偏移进一步推到了跨国层面。用美国训练的县级大豆产量模型去预测阿根廷 2019–2024 年的大豆产量时，AEF-based 模型在所有年份都显著失效，全年汇总后 RF 和 XGB 分别为 -2.13 和 -2.45 ；而 RS-based 模型虽然并不完美，但仍能维持在 0.27 和 0.26 。这是整篇文章最不能被忽略的结果之一，因为它说明： AEF 的空间迁移问题不是美国玉米带内部的小扰动，而是跨国情境下的结构性失败。

论文对原因的讨论也比表面结果更值得重视。作者提出两种可能机制。其一，AEF 训练时不仅重建卫星影像，也重建 DEM 与重力场；而这些信息具有明显地域性和稳定性，可能使 embedding 更倾向于编码“空间位置”。其二，AEF 训练中使用了地理定位的 Wikipedia 文章与视觉表示做对比学习，文本中天然包含区域特异信息，这种跨模态对齐可能进一步强化了地域身份。这个分析很有启发性，因为它指出：多模态并不必然提升 spatial invariance，有时反而会把区域标签更深地写进表示。对于 foundation model 研究，这是一条很值得继续追踪的线索。

四、农业不只要预测，更要解释

Harvesting 进一步追问：AEF 这种 embedding 在农业里是否足够可解释？

作者在县级玉米产量预测中比较了 feature importance。RS-based RF 模型给出的信息是可以直接服务农业理解的：卫星特征比气候变量更重要，GCVI 比 NDVI 和原始波段更有效，这说明氮状态、叶绿素相关信息在该任务中的解释力更强。这类结论可以反过来指导特征选择、观测方案设计，甚至影响后续监测重点。与之相比，AEF-based RF 中最重要的特征是 A05 ，其次是 A17 ，但这些维度并没有可解释的物理意义；而且玉米与大豆最重要的 embedding 维度差异很大，难以抽象出稳定的农业含义。

图9 AEF 与传统 RS 特征在县级玉米产量预测中的特征重要性对比

这并不是一个附带问题。农业研究与地学研究中，很多时候真正重要的并不是“再提升一点点预测精度”，而是知道模型依赖了什么信息、哪些过程真正重要、哪些差异是管理造成的、哪些又是环境背景造成的。AEF 当前给出的，是一个高压缩、高可用但低解释的 representation。如果只是做快速建模，这可能已经足够；但如果目标是因果分析、机制归因或策略设计，当前版本的 AEF 仍然难以替代传统特征。

原始论文强调 AEF 在多任务 benchmark 上的通用优势；Harvesting 则指出，在农业中，一个 representation 是否真正有价值，还要看它是否能在 performance 之外 同时满足三个要求：足够稳定地迁移、足够敏感地响应关键时间窗口、足够清楚地解释其信息来源。AEF 在第一层上已经相当出色，但在后两层仍存在明显距离。

最后小结

这项研究把 AEF 从“强大的通用表示”推进为“具有明确适用条件的农业表示”。

它修正了一个很容易被接受但并不成立的判断：只要 foundation model 足够大、数据足够多、多模态足够丰富，它就会自然优于传统遥感特征。Harvesting 给出的答案恰恰相反： 在农业中，模型是否足够大并不是最关键的问题；尺度是否匹配、时间粒度是否合适、表征是否携带过强地域性，才决定它能否真正进入应用。

因此，这篇文章的价值并不只是“指出 AEF 有哪些不足”，而是更具体地提出了下一代 geospatial foundation model 在农业方向上必须面对的设计要求：发布 monthly/seasonal embeddings ，而不只是 annual products；在训练采样中更系统地平衡区域分布，以降低 geographic shift；同时引入更成熟的 attribution 机制，让 embedding 从“可用”走向“可解释”。这些建议并非泛泛而谈，而是直接从实验结果中生长出来的。也正因为如此， Harvesting AlphaEarth 更像是一篇为农业遥感和 foundation model 研究共同“划边界”的文章：它没有否定 AEF 的潜力，但明确指出，真正重要的进步不只是更强的 benchmark 分数，而是让 representation 在农业这种时空结构高度敏感的领域里，真正变得可迁移、可解释、可部署。