近日，为深化遥感技术与智能工程领域的交叉融合，拓宽师生学术视野，助力智慧农业与数字乡村建设，信息与智能工程学院教师肖衡以“基于多模态遥感大模型的热带复杂种植结构精准制图技术”为题，开展了一场学术交流讲座。
讲座中，肖衡老师围绕农业遥感监测与作物精准制图展开系统分享。她指出，农业是国家命脉，大尺度、高精度、高时效的作物监测数据对粮食安全与农业决策至关重要。热带地区在全球粮食安全与特色农业版图中举足轻重，却常年受制于“云谜遮蔽地物、碎块交织成迷、同物异谱难辨”的复杂场景。传统遥感手段屡屡失效：光学影像因云雨频繁缺失，雷达数据虽能穿透云雾却难以单独区分作物类型，人工样本采集成本高昂且难以覆盖多样化的种植模式。面对这些长期困扰遥感监测的难题，如何破局？肖老师系统梳理了当前多模态大模型技术在数据重建、样本生成、模型微调与验证全链条中的前沿进展，探讨了一条让热带种植结构“看得清、分得准、用得上”的技术路径。
破云重见：多源时序重建夯实数据底座
针对热带多云雨造成的数据缺失“硬伤”，肖老师的研究团队提出了多源时序重建方法。通过融合Sentinel-1雷达结构数据与Sentinel-2高光谱影像，引入时间对齐注意力机制实现多源数据精准同步，结合低秩融合与时间感知解码器，可智能补全缺失信息、生成连续时序数据。现有研究表明，在80%数据缺失的极端条件下，该类模型仍能保持RMSE为0.03、R²为0.95的优异表现，训练效率较同类模型提升10倍，为高精度制图筑牢了“数据底座”。
智取样本：弱监督生成破解“无米之炊”
样本稀缺是热带农业遥感另一大瓶颈。讲座中介绍的街景自动化弱监督样本生成技术，为这一问题提供了低成本、可扩展的解决思路。基于GSV街景影像智能采集与多级场景过滤，采用CNN初分类与视觉大模型零样本验证双重校验，配合高分辨率影像完成几何一致性校正，可在无需大量人工标注的前提下快速生成大规模高质量弱标签，让“无米之炊”有了新的解法。
模型赋能：物候约束与少样本迁移实现“一次训练、多地复用”
在模型应用层面，讲座重点探讨了遥感大模型的物候约束微调与零/少样本迁移策略。依托TerraFM、Prithvi等多模态基础大模型，通过跨模态预适应、LoRA高效微调、物候约束注入三阶段流程，在保持大模型强大泛化能力的同时显著降低计算开销。更值得关注的是，该方法支持跨区域快速迁移——从海南到泰国、马来西亚，仅需1%–5%的本地样本即可快速适配，展现出“一次训练、多地复用”的广阔应用前景。
从“破雾穿云”的数据重建，到“智绘农图”的全链验证，本次讲座系统梳理了多模态遥感大模型在热带复杂种植结构精准制图领域的前沿探索。尽管相关技术仍在持续演进，但已为破解云雨遮挡、地块破碎、样本不足、物候混乱等长期难题提供了切实可行的技术路径，为热带作物智能监测、精细管理与农业数字化升级注入了新的动能。
此次学术讲座搭建了遥感技术与智能工程领域的交流平台，不仅让师生深入了解了遥感大模型在热带农业中的前沿应用，更为学院相关专业的科研创新、人才培养与学科交叉发展注入了新动力。未来，信息与智能工程学院将持续举办高水平学术活动，推动技术创新与产业应用的深度融合。
一审一校 | 肖 衡
二审二校 | 杨 涛 周显春
三审三校 | 李成名 尹 娜
