神农前沿 | 南京农业大学国家信息农业工程技术中心在大范围农田边界提取方面取得重要进展-南京神农智慧农业研究院,神农智慧农业研究院南京有限公司

神农前沿 | 南京农业大学国家信息农业工程技术中心在大范围农田边界提取方面取得重要进展

发布时间：2025/02/25

分享至：

近日，南京农业大学国家信息农业工程技术中心（以下简称“中心”）在国际著名期刊Computers and Electronics in Agriculture发表了题为“SIDEST: A sample-free framework for crop field boundary delineation by integrating super-resolution image reconstruction and dual edge-corrected Segment Anything model”的研究论文，报道了他们在大范围农田边界提取方面的重要进展。

数字化农田边界是实现田块级作物精确管理的基础。从超高分辨率（Very High Resolution, VHR）遥感影像提取是一种常用的农田边界提取方法，但这类方法在大范围区域绘制田块边界时仍然面临严重挑战。此外，当前研究很少致力于利用不断发展的深度学习技术来改革无样本田块边界提取方法，如分割一切模型（Segment Anything Model, SAM）。本研究结合超分辨率图像重建和双重边缘校正SAM，提出了一种基于免费获取Sentinel-2 （S2）或低成本PlanetScope （PS）影像的无样本农田边界提取算法（SIDEST）。利用高分二号卫星的VHR影像，通过生成对抗网络将S2和PS影像的空间分辨率分别提升到2.5m和1m。然后，利用边缘强度信息对SAM输出进行两次校正，建立了一种新的图像分割算法。在此基础上，根据双时相卫星影像中提取的关键物候信息自动识别农田地块。SIDEST在江苏省三个测试地区以及一个独立的国际公开数据集上进行了评估，并与现有算法进行了比较。

研究结果表明，超分辨率模块提高了PS和S2影像的清晰度，使农田边界提取算法的交并比（IoU）上升约10%。此外，双重边缘校正SAM算法的性能优于传统边缘检测和多尺度分割算法，使得SIDEST算法超越了经典的面向对象分析技术。在公开数据集上，SIDEST性能优于基于深度学习的田块边界识别模型（IoU提升8.1%）。最终，基于SIDEST算法和PS、S2影像，分别生成了县级（IoU =0.87, F1-score =0.93）和省级（IoU =0.79, F1-score =0.88）尺度的农田边界数字地图。在国家大力发展智慧农业的背景下，SIDEST软件可作为一个高性能、低成本、智能化的田块识别工具，用于创建从农场到县市省域范围的数字农田地图，支撑作物精确管理和国家粮食安全。

SIDEST旨在重塑传统的OBIA框架，在缺乏训练样本的情况下实现大规模农田边界提取。SIDEST方法由5个主要步骤组成：(1) 基于海量的2.5 vs 10m和1 vs 4m 数据集和ESRGAN网络，构建图像超分辨重建规则；(2) 应用图像超分辨重建规则生成空间分辨率分别为2.5m S2和1m PS图像；(3)基于双重边缘校正SAM算法从高分辨率图像中实现无监督的地理对象分割；(4) 在地理对象的基础上，利用关键物候特征识别农田目标；(5) 对提取的农田地块进行像素级和目标级农田评估。方法框架如下图所示：

图1. 耦合超分辨率图像重建和双重边缘校正SAM的田块识别智能算法（SIDEST）

在公开的丹麦LIPS数据集上，下图显示了原始的和经过超分重建的S2图像（A-B），以及SIDEST方法和其他深度学习方法提取的农田边界（C-F）。尽管SIDEST的重建模块最初是基于江苏省GF-2图像数据集设计的，但它成功地适用于丹麦地区的S2图像（图2 B）。SIDEST方法描绘出规则的、与实际田块密切匹配的农田边界（图2 C）。相比之下，深度边缘检测（RCF）算法在相邻田块之间产生不连续的边界（图2D）。多任务ResUnet和BisNet能够提取单个农田，但它们产生了具有孔洞的不完整地块（图2E-F）。公开数据集上的方法对比结果进一步验证了SIDEST的可靠性和可移植性。

图2：在LPIS数据集上SIDEST和深度学习方法的农田识别结果比较。（A和B）代表丹麦试验区的Sentinel-2（S2）原始和超分辨率（SR）重建图像。(C) 表示SIDEST提取的农田地块。(D) 表示使用RCF网络检测到的边界。（E和F）为多任务ResUnet和BisNet算法表示提取的农田地块。

下图为基于SIDEST算法和PlanetScope影像提取的3个县级行政单位的农田空间分布。此方法圈定的田块总面积与政府报告的面积高度一致。其中，淮安的农田地块以极小、小类型田块为主，分别占耕地的38.6%和45.17%（图3A）。兴化和吴江的小类型农田地块（58.21%:0.64-2.56 ha）和极小类型农田地块（45.95%:<0.64 ha）所占比例分别最高（图3B & C）。在三个县级行政区划中，兴化市平均农田面积最大，为0.65 ha，淮安次之，为0.53 ha，吴江为0.52 ha。图3G-I的农田实例分布证实了该地区农田的异质性和破碎化。

图3：基于SIDEST算法和PlanetScope影像的县级行政单位（A.淮安，B.兴化，C.吴江）农田边界圈定结果。

同时，将SIDEST算法应用于S2影像，生成了2023年江苏省2.5m分辨率农田地块数字地图（图4A）。利用野外调查样本进行独立验证，圈定的农田数字地图的F1-score为0.937。该数字地图涵盖了不同管理方式下和不同形状的农田地块，如农村地区的个体农户种植、土地流转政策下的大户种植、农场集约化种植，以及高城市化地区的农业（图4B-E）。此外，SIDEST算法避免了像素语义分割或边缘检测方法中出现的椒盐噪声和不合理的空洞。将S2影像驱动的SIDEST算法应用于巴基斯坦（南亚）、肯尼亚（非洲）和阿根廷（南美洲）的三个小农种植区（图5）。可视化结果表明，所提取的作物田边界清晰，与S2影像中观测到的地物边界较吻合。将提取的边界与人工数字化的多边形进行比较，3个测试区域的F分-score分别为0.946、0.915、0.972，验证了SIDEST方法在国外小农耕作区域的可靠性。