结论：这一轮最值得单独跟踪的是 CAFOSat。它不是又一个泛泛的遥感分类数据集，而是把一个真实应用里最难的几件事放到同一个 benchmark 中：公开清单里的点位不准、农业设施形态差异大、负样本很像正样本、跨州泛化困难、还要解释模型到底看到了 barn、manure pond 还是 grazing area。对遥感 AI 来说，这比单纯刷分类精度更有价值，因为它直接暴露了 VLM 和通用视觉基础模型进入高分辨率地理应用时的短板。

我按 2026-06-13 05:00 +08 检索公开来源，过滤了 SAR、PolSAR、InSAR、radar-only、microwave-only 和 SAR-optical fusion 方向。本篇选择 CVPR 2026 EarthVision Workshop 论文 CAFOSat: A Strongly Annotated Dataset for Infrastructure-Aware CAFO Mapping Using High-Resolution Imagery。论文有 arXiv、CVF Open Access 页面、GitHub 仓库和 Hugging Face 数据集；数据基于 NAIP 高分辨率航空影像，不是雷达方向。

这篇适合放进“多源数据融合、效率部署与应用落地”。原因是它关心的不是单张遥感图像语义理解，而是把多州 CAFO 公开记录、NAIP 影像、土地覆盖约束、人工核验、弱监督定位、基础设施标注、合成增强和可复现实验拆分整合成一个可用 benchmark。它提醒我们：遥感大模型真正落地时，数据质量、空间对齐和 hard negative 往往比换一个更大的 backbone 更关键。

背景

CAFO 是 Concentrated Animal Feeding Operations，即集中式动物饲养设施。它们和农业生产、环境监管、公共健康、疾病监测和气候韧性规划都有关系。问题在于，CAFO 的空间清单往往并不干净：不同州的数据来源不一致，许可记录和实际设施位置可能偏移，点位可能只落在农场入口或行政记录中心，而不是影像里真正可见的 barn、manure lagoon 或放牧区域。