Global Vision Media Focus
L'entreprise a été présentée sur les chaînes de vidéosurveillance à 15 reprises, et sa diffusion via les médias du Parti, les médias centraux et les médias officiels locaux a touché un total de 50 millions de personnes.
Exploration des méthodes d'extraction automatique de parcelles terrestres à partir d'images de télédétection satellitaire
Introduction générale
L'extraction de parcelles est une étape fondamentale de l'interprétation des données de télédétection, de la gestion des ressources foncières et des technologies de l'information spatiale agricole. Elle consiste à identifier l'étendue spatiale de chaque parcelle à partir d'images satellitaires, d'images de drones ou d'autres données de télédétection, afin de définir des objets surfaciques aux limites clairement définies. Pour la gestion de la production agricole, la précision des limites des parcelles est essentielle au cadastre, au suivi des cultures, à l'estimation des rendements, aux enquêtes d'occupation des sols et à la distribution des subventions agricoles. Les méthodes traditionnelles d'extraction de parcelles reposent souvent sur l'interprétation visuelle manuelle ou sur des techniques de traitement d'images classiques telles que la détection de contours et la segmentation par regroupement. Bien que ces méthodes soient efficaces dans les zones présentant des parcelles régulières, des images nettes et des différences significatives de relief, elles restent limitées face à des contextes agricoles complexes.
Par exemple, la taille des parcelles varie considérablement d'une région à l'autre, et certaines petites parcelles agricoles présentent des limites fragmentées et irrégulières ; on observe également des différences importantes selon les saisons, les capteurs et les images de résolutions différentes ; par ailleurs, des facteurs tels que les routes, les fossés, les crêtes des champs et l'ombre de la végétation peuvent perturber la reconnaissance des limites. C'est pourquoi les méthodes traditionnelles peinent à maintenir une précision stable dans des conditions multiscènes et à grande échelle.
Ces dernières années, le développement des technologies d'apprentissage profond a ouvert de nouvelles perspectives pour l'extraction automatique des parcelles de terrain. Les recherches menées dans ce domaine ont transformé l'extraction des limites des terres agricoles, passant de la simple reconnaissance des pixels de limite à la segmentation par instance de parcelle. Autrement dit, il ne s'agit plus seulement de déterminer si un pixel appartient à la limite, mais d'identifier directement l'étendue complète de chaque parcelle. Cette approche préserve mieux l'intégrité des objets liés aux parcelles et réduit les problèmes tels que le chevauchement des parcelles adjacentes, les ruptures de limites et les détections manquées. Les travaux existants ont également permis de constituer des jeux de données contenant des images satellites multi-résolution et un grand nombre d'instances de parcelles annotées, avec des résolutions d'image allant d'environ 0,25 mètre à 10 mètres, capables de s'adapter aux besoins d'extraction des parcelles agricoles à différentes échelles.
Structure du modèle
Le modèle d'extraction de parcelles terrestres est un modèle d'extraction automatisé de bout en bout pour l'imagerie de télédétection satellitaire. Il comprend six étapes : acquisition des images satellitaires, prétraitement, extraction des parcelles terrestres, vectorisation des résultats, fusion des vecteurs correspondants et génération du vecteur de sortie, comme illustré à la figure 1.
Figure 1.Flux de traitement du modèle
Le modèle utilise d'abord des images satellites comme données d'entrée, exploitant les informations sur des éléments tels que les terres agricoles, les routes, les fossés et les crêtes des champs pour identifier les limites des parcelles. Ces images sont ensuite prétraitées : recadrage, recalage des coordonnées, standardisation du format, normalisation et découpage. Sur cette base, le modèle d'extraction de parcelles effectue une analyse des caractéristiques et une segmentation par instance, distinguant les parcelles adjacentes afin d'éviter les chevauchements et les erreurs de segmentation. Les résultats de segmentation obtenus doivent ensuite être transformés…Données vectoriellesCe processus consiste à extraire le contour des parcelles de terrain à partir d'un masque et à générer des polygones fermés pour l'analyse spatiale SIG. Les images satellitaires à grande échelle étant généralement segmentées en plusieurs zones pour le traitement, une même parcelle peut être identifiée ou segmentée à plusieurs reprises dans différentes zones. Il est donc nécessaire de fusionner les vecteurs correspondants à une même parcelle afin d'éliminer les doublons et de préserver l'intégrité de la morphologie parcellaire. Le modèle produit ensuite des vecteurs complets pour chaque parcelle, qui peuvent être enregistrés dans des formats de données spatiales courants tels que Shapefile et GeoJSON pour des applications statistiques, le calcul de surfaces, etc.analyse de l'utilisation des terresEt l'aménagement et la gestion du territoire.
Affichage des résultats
La figure 2 présente le vecteur de sortie du modèle. Ce dernier identifie avec précision les terres agricoles régulières, les grandes parcelles contiguës et certaines petites parcelles morcelées. Pour les zones aux limites nettes et aux parcelles disposées de manière régulière, les résultats d'extraction correspondent globalement aux limites réelles des parcelles. Même dans les zones aux parcelles denses et aux formes complexes, le modèle conserve une bonne capacité de séparation, réduisant ainsi le risque de fusion erronée de parcelles adjacentes. La méthode d'extraction de parcelles basée sur la segmentation par apprentissage profond améliore significativement l'automatisation et la précision de l'identification des limites des terres agricoles, offrant un soutien technique important pour la télédétection agricole et une gestion optimisée des ressources foncières.
Figure 2.Résultats vectoriels