剑桥大学计算机科学与技术系研究团队近日宣布，成功研发名为Tessera的AI基础模型，旨在突破卫星遥感对小规模农田的监测瓶颈。传统卫星监测工具多针对工业化大农场设计，难以准确识别面积不足一公顷且边界模糊的小农地块，这直接影响全球粮食安全数据的可靠性。Tessera模型通过深度学习多年卫星影像，将地表图像转化为捕捉季节性作物变化的紧凑数字嵌入特征。该算法特别强化了对田块边缘信号的解析能力，有效克服了传统方法依赖地块内部信息导致的识别盲区。 在奥地利小农田的实地测试中，Tessera的作物分类准确率显著优于现有主流技术，同时仅消耗百分之八的算力，且完全摒弃了繁琐的人工调参流程。首席作者Madeline Lisaius指出，此类精度提升对国家尺度的农业规划具有决定性意义，直接关系到联合国粮农组织及世界银行等机构的粮食储备与跨国采购决策。尽管该技术全面投入实际政策制定尚需数年，但其低成本与高可扩展性已引起国际粮食安全决策者的高度关注。相关论文将于2026年7月在多伦多的ISPRS会议上进行专题展示。