SAR2Agri: Learning SAR Intensity Representations for Agricultural Monitoring

📄 arXiv: 2608.11142v1 📥 PDF

作者: Moti Rattan Gupta, Anupam Sobti

分类: cs.CV

发布日期: 2026-08-11

💡 一句话要点

提出SAR2Agri以解决农业监测中的SAR图像表示问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 合成孔径雷达 农业监测 自监督学习 物候特征 遥感技术 作物类型映射 深度学习

📋 核心要点

  1. 现有的多模态遥感模型在农业监测中依赖光学影像，无法充分利用SAR图像的优势。
  2. 本文提出了一个自监督学习管道，专注于仅使用SAR强度影像，通过改进的时间预训练任务捕捉物候特征。
  3. 在SICKLE基准测试中，模型在作物类型映射上达到了84.9%的IoU，显著优于现有光学和SAR基线。

📝 摘要（中文）

农业监测面临复杂的时间、物候和气候动态挑战，而合成孔径雷达（SAR）卫星提供全天候成像能力，支持作物类型映射、产量预测和物候事件检测等关键监测任务。现有的多模态遥感基础模型主要依赖光学影像进行SAR表示学习，而专注于SAR的模型则多用于目标检测和土地覆盖分类。本文提出了首个自监督学习管道，专注于仅使用SAR强度影像进行农业应用，通过掩蔽和课程学习改进时间预训练任务，最终在SICKLE基准上实现了84.9%的IoU，超越了光学和现有SAR基线，展示了该管道在农业监测中的有效性。

🔬 方法详解

问题定义：本文旨在解决农业监测中对SAR图像表示的不足，现有方法多依赖光学影像，未能充分利用SAR的全天候成像能力。

核心思路：提出了一个自监督学习管道，专注于仅使用SAR强度影像，通过掩蔽和课程学习来增强模型对物候特征的捕捉能力。

技术框架：整体架构包括数据预处理、掩蔽策略、课程学习模块和自监督训练阶段，旨在优化SAR图像的特征学习。

关键创新：最重要的创新在于首次将自监督学习应用于仅使用SAR强度影像的农业监测，突破了传统依赖光学影像的限制。

关键设计：在模型设计中，采用了特定的损失函数以增强特征学习效果，并通过课程学习逐步增加任务难度，以提高模型的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在SICKLE基准测试中，本文提出的模型在作物类型映射任务上达到了84.9%的IoU，较光学基线提升了15.3个百分点，较现有SAR基线提升了2.2个百分点，显示出该方法在农业监测中的显著优势。

🎯 应用场景

该研究的潜在应用领域包括农业监测、作物健康评估和精准农业管理。通过提高SAR图像的利用效率，能够为农业决策提供更准确的数据支持，进而提升粮食安全和资源管理的效率。未来，该方法可能扩展到其他领域，如环境监测和灾害评估。

📄 摘要（原文）

Agricultural monitoring faces unique challenges, arising from the landscape's complex temporal, phenological, and climate dynamics, yet monitoring them is critical for ensuring food security. Synthetic Aperture Radar (SAR) satellites offer all-weather day-night imaging capability supporting key monitoring tasks including crop type mapping, yield prediction and phenological event detection. Existing multimodal remote sensing foundation models including TerraMind and CopernicusFM learn SAR representations by grounding them in optical imagery using joint encoding and contrastive learning techniques, while SAR-specific foundation models such as SAR-JEPA, SARMAE, and SAR-W-MixMAE primarily focus on target detection, flood mapping, and land cover classification applications. Recent work has introduced phenology inspired temporal pretext tasks with optical imagery which has shown strong performance on agricultural downstream tasks. In this work, we propose the first self-supervised learning pipeline focused on using only SAR intensity imagery for agricultural applications. We improve the temporal pretext tasks through masking and curriculum learning to enhance the pretraining pipeline's ability to capture phenological features from SAR. On the SICKLE benchmark, our final model achieves 84.9% IoU on crop type mapping, outperforming optical baselines (by 15.3 pt) and existing SAR baselines (by 2.2 pt), demonstrating the effectiveness of our proposed pipeline for pretraining SAR intensity encoders for agricultural monitoring.