通过整合“Segment Anything”模型和自适应掩膜优化技术,从遥感图像中精确提取农田地块信息

《Computers and Electronics in Agriculture》:Achieving precise cropland parcel extraction from remote sensing images through integration of segment anything model and adaptive mask refinement

【字体: 大 中 小 】 时间:2025年12月28日 来源:Computers and Electronics in Agriculture 8.9

编辑推荐:

  针对卫星影像中农作物地块提取存在的标注依赖性强、异质性强等问题,提出SAM结合自适应掩码精修策略,通过动态提示点分配、冗余掩码过滤和边界对齐缝合三模块,有效提升最小监督下的多区域地块提取精度,在七个代表性地区验证中,召回率、IoU分别提升至0.971、0.908,并优于五种SOTA方法,且在平原区域具有良好泛化性。

  
李慧斌|朱建宇|毛星|郝雪莉|李世尧|余强毅|史云|钱建平
中国农业科学院农业资源与区域规划研究所,中国高效利用耕地国家重点实验室,北京

摘要

从卫星图像中高效提取农田地块对于现代农业管理至关重要。Segment Anything Model (SAM) 的出现为减少农田提取过程中的注释需求和复杂训练提供了可能性。然而,SAM 在处理多样化和异构的农田类型时面临挑战。为了解决这些问题,本研究提出了一种新颖的无监督方法,该方法将 SAM 与自适应掩码细化策略相结合,能够在最小监督下实现准确的农田提取。细化策略包括三个关键组成部分:(1) 自适应提示点模块,利用超像素动态生成优化的提示点;(2) 重叠过滤模块,用于消除冗余的农田地块;(3) 边界匹配拼接模块,以确保图像瓦片之间的空间连续性。该方法的有效性通过使用来自中国、美国和南非七个代表性地区的多样化的卫星图像(约 160 平方公里)进行了评估。消融实验结果表明,与基线 SAM 相比,该方法在召回率(R)、交并比(IoU)和全局总分类错误(GTC)方面分别提高了 0.971、0.908 和 0.124。此外,其精度(P)达到了 0.960。该方法在不同农田配置下也表现出良好的泛化能力,从大型规则地块(如新疆、伊利诺伊州)到破碎的景观(如广东、西开普省)。季节性分析证实,在播种期间拍摄的图像能够获得最高的提取精度。这些发现突显了基于 SAM 的方法在低监督环境下进行可扩展且准确的农田地块绘制的潜力。

引言

农田地块是农业生产和管理的基本单位,其特征对于农田利用和基础设施规划至关重要(Yu 等,2025)。从遥感图像中精确提取农田地块已成为农业科学的关键研究焦点。此类方法为田间作物管理提供了必要的数据(Xu 等,2024),也为土地整合提供了科学依据(Liang 等,2020;Song 等,2022;Zhang 等,2019)。然而,不同地区的农田地块在大小和形状上存在显著差异(Duvvuri 和 Kambhammettu,2023)。此外,季节变化会引入遥感图像中的纹理和颜色复杂性(Shunying 等,2023),限制了传统方法在大范围内快速准确提取农田地块的有效性。因此,迫切需要高效且稳健的提取方法来应对这些挑战。
传统的从遥感图像中提取农田地块的方法大致分为基于边缘的方法和基于区域的方法(García-Pedrero 等,2017;Graesser 和 Ramankutty,2017)。基于边缘的方法利用 Roberts、Prewitt 和 Sobel 等检测算子来划定地块边界(Liu,2023)。尽管计算效率高,但这些方法容易因田间纹理变化和植被遮挡而生成虚假或不完整的边界(Cheng 等,2020)。为了解决这些限制,开发了基于区域的方法,包括流域算法、k-means 算法和区域生长算法,通过迭代像素聚合形成完整地块(Masoud 等,2019;Xu 等,2019)。然而,尽管这些方法能够提取不规则形状或被遮挡的地块,但它们对用户定义的参数(如分割尺度和分类阈值)非常敏感,常常导致欠分割或过分割错误(Watkins 和 van Niekerk,2019)。因此,这两类方法通常需要大量的试错实验来确保在复杂农业景观中的稳定性和准确性,这对其广泛应用构成了重大挑战。
近年来,深度学习技术与高分辨率卫星图像(如 WorldView-3、GF-2)的结合推动了农田地块提取的显著进展(Tian 等,2024)。基于卷积神经网络(CNN)的深度学习模型已成为地块划分的主要工具(Sun 等,2024)。早期应用采用了 Mask R-CNN 等成熟架构进行分层特征提取,在相对均匀和低复杂度的场景中取得了令人满意的性能(Cao 等,2023)。尽管这些方法在均匀和低复杂度场景中表现良好,但在处理不规则形状的地块时往往难以生成清晰准确的边界(Long 等,2022)。为了解决这一限制,多任务学习框架成为主流方法。例如,引入了双分支时空融合网络,整合多模态卫星数据以提高模型迁移能力(Cai 等,2023)。PLR-Net 提出将地块划分视为一个向量化问题,在多任务框架中交互式地联合学习地块顶点(点)、边界(线)和内部(区域)的特征(Zhao 等,2025)。同样,HBGNet 引入了双分支架构,其中一个专用辅助分支显式挖掘低级边界特征,以语义上指导并细化主分支的地块分割。这些多任务学习框架提供了强大的几何约束,增强了特征表示,使得不规则农田地块的划分具有更清晰、更准确的边界。与此同时,基于Transformer 的模型在捕捉广阔卫星图像中的长距离上下文依赖性方面表现出色,这对于理解远距离地块与复杂景观特征之间的关系至关重要(Mohammadi 等,2024;Sun 等,2024)。
尽管取得了进展,农田地块提取仍严重依赖于手动注释和模型特定修改(Liu 等,2022)。虽然增加注释的多样性可以提高模型的泛化能力,但获取此类数据集仍然成本高昂且耗时。为了缓解这一挑战,提出了领域适应技术以减少标注需求。一种原型伪标签去噪和目标结构学习方法被引入,尽管它提高了类别级一致性,但它依赖于清晰的类别可分性,在多季节图像中有时会失败,产生噪声伪标签和遗漏/重叠错误(Zhang 等,2021)。后来,开发了跨领域对抗性 IAF 提取方法来增强特征对齐,对抗性匹配有助于平滑细粒度边界,这对于实例级地块划分至关重要(Liu 等,2022)。虽然领域适应(DA)方法减轻了手动标注的负担,但它们单独使用时往往不足以确保大规模农田地块提取所需的完整性、边界准确性和瓦片连续性。
Segment Anything Model (SAM) 的引入为减少农田地块提取中的手动标注和模型重新训练提供了潜在解决方案(Chen 等,2023)。2023 年 4 月,Meta AI 发布了 SAM,展示了无需任务特定训练即可进行对象分割的零样本能力(Kirillov 等,2023)。然而,SAM 主要是在自然图像上训练的,而卫星图像具有更高的类间相似性和更大的类内变异性(Pan 等,2023)。当以无监督方式应用于高分辨率卫星图像时,SAM 常会将农田错误分类为背景或生成冗余的地块掩码,因为农业场景的复杂性需要进一步的细化和改进(Long 等,2024)。实际上,这通常会导致输出中出现遗漏、重叠部分以及相邻图像瓦片之间的边界对齐错误(Oscco 等,2023;Yan 等,2023)。
为了解决上述挑战,本研究提出了一种基于 SAM 的框架,并增加了自适应掩码细化策略,用于多区域农田地块提取。该方法在已知农田范围的卫星图像上运行,并采用由三个模块组成的策略。本研究的主要和具体贡献如下:
  1. 我们提出了一个自适应提示点模块,利用超像素动态调整提示点的分布,显著提高了初始农田地块提取的完整性。
  2. 我们引入了一个重叠过滤模块,有效细化了 SAM 生成的冗余掩码输出,确保每个农田地块被划分为一个单一、准确的片段。
  3. 我们开发了一个边界匹配拼接模块,确保相邻图像瓦片之间的空间连续性和对齐,实现无缝且一致的大面积映射。
  4. 我们在七个不同的农业区域对所提出的方法进行了全面验证,证明了其有效性、高准确性和强大的泛化能力,与基线 SAM 和其他最先进方法相比。

研究区域和数据集

鉴于世界主要农业生产区大多位于平原,而丘陵地区的梯田仅占全球耕地的一小部分,并且形态变化很大,选择具有代表性的区域带来了重大挑战。因此,本研究仅关注平原地区。如图 1 所示,选择了七个代表性区域进行实验:铁岭(辽宁)、清远(广东)

方法

如图 2 所示,所提出的方法结合了农田特定的空间特征和先验知识,系统地提高了 SAM 的提取性能。随后进行了后处理步骤,以进一步细化最终的分割结果。为了最小化非农田区域对提取准确性和计算效率的影响,首先使用 ESR 的全球 10 米分辨率土地利用数据从遥感图像中裁剪出非农田区域

自适应提示点模块的评估

使用三个代表性地区的数据评估了自适应提示模块,允许进行详细的视觉和定量比较。如图 8(a–c) 所示,比较了提示点的分布和基线 SAM 生成的分割农田地块。在地块形状和大小不均匀的区域(用黄色虚线框标出),自适应提示点模块根据纹理分配提示点

在不同区域的性能

使用高分辨率 GF-2 图像,在五个地理多样性不同的区域评估了农田地块提取的性能,每个区域都表现出不同的模式和地块大小。图像根据农田地块大小分为两组:第一组包括伊利诺伊州(区域 A)和昌吉(区域 G),其特征是相对较大的农田地块,每个地块通常小于 20 公顷;第二组包括西开普省(区域 B)、清远(区域 C)和周口

结论

本研究提出了一种新的自适应掩码细化策略,包括三个关键模块:自适应提示点模块、重叠过滤模块和边界匹配拼接模块。该方法有效解决了 SAM 在处理破碎农田的遥感图像和季节性变化时遇到的遗漏、重叠和跨瓦片误识别问题。在不同区域和季节的验证中显示出显著改进
李慧斌:撰写 – 审稿与编辑,撰写 – 原稿,资金获取。朱建宇:验证,方法论,调查。毛星:撰写 – 审稿与编辑,方法论。郝雪莉:撰写 – 审稿与编辑,可视化。李世尧:撰写 – 审稿与编辑。余强毅:撰写 – 审稿与编辑,形式分析。史云:撰写 – 审稿与编辑,数据整理。钱建平:撰写 – 审稿与编辑。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本研究得到了国家自然科学基金(42401459)、农业科技创新计划(CAAS-CAE-202301)和中央公益性科学机构基础研究基金(Y2025YC82)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号