全球视野 媒体聚焦
接受央视报道共计15次 党媒、央媒、地方官媒总传播量达0.5亿人次
面向卫星遥感影像的地块自动提取方法探索
背景介绍
地块提取是遥感解译、土地资源管理和农业空间信息化中的重要基础任务。所谓地块提取，是指从卫星影像、无人机影像或其他遥感数据中识别出单个地块的空间范围，并形成具有明确边界的面状对象。对于农业生产管理而言，准确获取地块边界有助于农田确权、作物监测、产量估算、土地利用调查以及农业补贴发放等工作。传统的地块提取方法多依赖人工目视解译或基于边缘检测、聚类分割等传统图像处理方法。这类方法在规则地块、影像清晰、地物差异明显的区域中具有一定效果，但面对复杂农业场景时仍存在明显不足。
例如，不同地区的地块大小差异较大，部分小农地块边界破碎、不规则；不同季节、不同传感器和不同分辨率影像之间存在较大差异；同时，道路、沟渠、田埂、植被阴影等因素也会干扰边界识别。因此，传统方法难以在大范围、多场景条件下保持稳定精度。
近年来，深度学习技术的发展为地块自动提取提供了新的思路。相关研究将农田边界提取由传统的“边界像素识别”转化为“地块实例分割”任务，即不再单纯判断某个像素是否属于边界，而是直接识别每一个独立地块的完整范围。这种方式能够更好地保持地块对象的完整性，减少相邻地块粘连、边界断裂和漏检等问题。已有研究还构建了包含多分辨率卫星影像和大量地块实例标注的数据集，影像分辨率覆盖约0.25米至10米，能够适应不同尺度的农田地块提取需求。
模型结构
该地块提取模型是一个面向卫星遥感影像的端到端自动化提取模型，整体由卫星影像、预处理、地块提取模型、实例结果转矢量、合并同一矢量结果、矢量成果输出六个部分构成，如图1。
图1. 模型处理流程
首先，模型以卫星影像作为输入数据，利用影像中农田、道路、沟渠、田埂等地物信息为地块边界识别提供基础；随后对输入影像进行预处理，包括影像裁剪、坐标配准、格式统一、归一化处理和图像切片等操作；在此基础上，地块提取模型对预处理后的影像进行特征分析和实例分割，并区分相邻地块，避免不同地块之间出现粘连或误分割现象；模型输出的实例结果需要进一步转化为矢量数据，即从掩膜中提取地块轮廓并生成闭合多边形，使其能够用于GIS空间分析；由于大范围卫星影像通常会被切分为多个图像块进行处理，同一地块可能在不同切片中被重复或分段识别，因此需要对属于同一地块的矢量结果进行合并，消除重复边界并保持地块形态的完整性；最后，模型输出完整的地块矢量成果，可保存为Shapefile、GeoJSON等常见空间数据格式，用于地块统计、面积测算、土地利用分析和空间规划管理。
结果展示
图2为模型输出的矢量结果，模型能够较准确地识别规则农田、大型连片农田以及部分小尺度破碎农田。对于边界较清晰、田块排列较规则的区域，提取结果与真实地块边界基本吻合；对于地块密集、形状复杂的区域，模型仍能够保持较好的地块分离效果，减少相邻地块被误合并的情况。基于深度学习实例分割的地块提取方法能够有效提升农田边界识别的自动化水平和提取精度，为农业遥感监测和土地资源精细化管理提供了重要技术支持。
图2. 矢量结果