关于地块分割方法

📂 论文
#论文 #地块分割 #深度学习 #遥感

关于地块分割方法

文章目录

1. 引言 (Introduction) —— 第1页

“数字农田”

主流方法超高分辨率(VHR)遥感影像划定作物田块边界,不适用与大范围(本身提供的范围不够,主要是贵不能普及)

超分辨率重建技术结合S2和PS图像代替高分辨率图像

无样本:知识驱动或预训练的模型无需任何人工标注。

有样本标注大量数据，模型学完才能用

交并比:超分辨率模块让预测的作物田块边界与真实（人工标注）的田块边界重叠程度提高了10个百分点

实现路径

原始卫星影像 (S2/PS) ↓

【步骤1】超分辨率重建 (ESRGAN) ↓ 高分辨率影像 (S2:2.5m / PS:1m) ↓

【步骤2】分块与重叠处理 (512×512, 25%重叠) ↓

【步骤3】SAM初始分割 (ViT-H模型，点提示) ↓

【步骤4】边缘强度计算与提取 ↓

【步骤5】双边缘校正

├── 第一轮：筛选显式多边形 (Ei,j < 10)

└── 第二轮：拆分隐式多边形 (掩膜 - 边缘) ↓

【步骤6】合并所有分割对象 ↓

【步骤7】双时相NDVI物候识别 ├── 土壤准备期 NDVI < 0.3 → 剔除植被 └── 生长高峰期 NDVI > 0.55 → 保留农田 ↓

【步骤8】精度评估 (IoU, F1, Sover, Sunder, SEI) ↓ 输出：农田地块边界矢量图

2. 研究区域与数据 (Study region and data) —— 第3页

  • 2.1 研究区域 (Study region)
  • 2.2 研究区域的作物日历 (Crop calendar for the study region)
  • 2.3 卫星影像数据集 (Satellite image datasets)
  • 2.4 地面真实数据 (Ground truth data)
  • 2.5 其他数据集 (Other datasets)

全国统一、考试用：

  • 春季：3、4、5月
  • 夏季：6、7、8月
  • 秋季：9、10、11月
  • 冬季：12、1、2月

所以： 日常看日历：夏天6月开始； 论文看种地：夏天5月就启动。

玉米和小麦的循环

5月底：收完小麦 → 整地 种玉米（夏季作物）

  1. 6–8月：全年最热，玉米疯长（核心夏季生长期）
  2. 10月：玉米成熟收割，田地空出来
  3. 11月：降温整地 种小麦（越冬作物）
  4. 12–次年2月：小麦小苗埋地里过冬（越冬保命，几乎不长）
  5. 3–5月：开春回暖，小麦猛长、抽穗、灌浆
  6. 5月底：小麦收割 → 马上又种玉米，循环重启

关键点:

植被旺盛生长期，恰好与冬收夏种的农田空档期重合(五月底到六月初)，此时耕地为裸露土壤，自然植被保持常绿，二者形成明显植被反差，是遥感区分农田与林地的关键窗口期。

NDVI=NIR-RED\NIR+RED​

(NIR是近红外光植被不吸收,RED是红光植被吸收)

  • 茂密森林：0.6~0.9
  • 农作物旺长：0.5~0.7
  • 稀疏草：0.2~0.4
  • 裸土：-0.1~0.2
  • 水体：<0

关于NDVI的获取

首先下载数据包含三个文件

近红外原始DN值 红外原始DN值 和元数据(记录四角坐标,当天云量等,以及相关参数),不能直接使用需要查看元数据中的参数计算反射率
例如 NIR=近红外原始DN值*0.0001

数据:

一、核心遥感原始数据

1. Sentinel-2 L2A级大气校正地表反射率影像

数据出处：欧洲空间局（ESA）哥白尼数据中心，官方获取地址：https://scihub.copernicus.eu/

数据详情：包含红光波段（B4）、近红外波段（B8），已完成大气校正、辐射定标，剔除云层、大气散射干扰，适用于高精度植被指数反演。

论文流程作用：作为整篇研究的基础数据源，提取红光与近红外波段反射率数值，代入NDVI计算公式完成指数运算；提供两期关键时相影像，分别对应冬夏季作物交替过渡期、夏季作物旺长期，支撑后续双时相阈值判别，是农田识别的核心观测依据。

二、农学支撑数据

2. 长江中下游稻麦轮作区作物物候数据集

数据出处：中国农业气象数据共享网、国家农业科学数据中心；结合江苏省区域农业气象站多年田间实地观测物候历。

数据详情：涵盖冬小麦、油菜、水稻、玉米、大豆，以及区域落叶林、草地完整生长周期，明确播种、出苗、旺长、越冬、成熟、收获精准时间节点。

论文流程作用：科学确定两期遥感影像最佳观测时间窗口，保障影像时相与农田、自然植被生长状态完全匹配；为NDVI数值差异提供农学理论支撑，明确过渡期农田裸土、自然植被旺盛生长的物候规律，夯实双时相识别法的核心逻辑。

三、地理辅助掩膜数据

3. 全国1:10万基础地理信息矢量数据

数据出处：全国地理信息资源目录服务系统

数据详情：包含区域水系、建设用地、主干道矢量边界数据，地理定位精准、边界信息完整。

论文流程作用：对遥感影像进行预处理，通过矢量掩膜剔除水体、城镇建筑、硬化路面等非目标地物；规避水体NDVI为负值、永久裸地误判为农田等干扰，提纯有效研究像元，大幅提升农田识别精准度。

4. 行政区划矢量边界数据

数据出处：国家自然资源部标准地理信息数据库，采用GCS_WGS84地理坐标系

数据详情：江苏省及研究辖区县市级行政边界矢量数据

论文流程作用：对原始遥感影像、NDVI栅格数据进行批量裁剪，精准锁定长江中下游稻麦轮作核心研究区域，保证全流程研究范围统一，避免无效区域数据干扰。

四、衍生运算数据

5. 双时相NDVI栅格数据集

数据出处：基于Sentinel-2 L2A影像，在QGIS/ArcGIS软件中自主运算生成的二级数据产品

数据详情：包含5-6月过渡期NDVI栅格、7-8月作物旺长期NDVI栅格，以及阈值分级、像元判别结果图层

论文流程作用：第一期过渡期NDVI，通过低阈值分割裸土农田与高绿度自然植被；第二期旺长期NDVI，通过高阈值验证夏季作物长势，区分真实耕地与荒地；两项数据结合，实现无人工样本的自动化农田提取，是论文核心方法落地的直接判别数据。

数据使用总说明

本研究所有原始数据均来源于官方权威平台，无自主篡改数据；二级衍生数据均基于原始数据标准化运算生成，流程可复现。各类数据相互配合，从基础观测、时间选定、干扰剔除、结果判别全流程支撑农田识别研究，保障研究结果严谨性与精准度。

Google Earth Engine

卫星的影响需要进行辐射和几何校正才能使用

3. 方法 (Methods) —— 第5页

  • 3.1 超分辨率图像重建的训练样本生成 (Generation of training samples for SR image reconstruction)

  • 3.2 卫星影像的超分辨率重建 (SR reconstruction of satellite imagery)

    • 3.2.1 ESRGAN
    • 3.2.2 SR模型训练与迁移 (SR model training and transferring)

  • 3.3 通过双边缘校正SAM提取地理对象 (Geo-object extraction by a dual edge-corrected SAM)

    • 3.3.1 SAM
    • 3.3.2 边缘提取与优化 (Edge extraction and refinement)
    • 3.3.3 双边缘校正的SAM (A dual edge-corrected SAM)

  • 3.4 利用双时相NDVI图像识别作物田块 (Identification of crop fields with bi-temporal NDVI images)

  • 3.5 精度评估 (Accuracy assessment)

    • 3.5.1 SR重建的性能评估 (Performance assessment of SR reconstruction)
    • 3.5.2 作物田块划定的精度评估 (Accuracy assessment of crop field delineation)

  • 3.6 基准方法 (Benchmark methods)

4. 结果 (Results) —— 第10页

  • 4.1 通过ESRGAN改善S2和PS图像 (Improvement of S2 and PS imagery by ESRGAN)
  • 4.2 图像分割性能 (Image segmentation performance)
  • 4.3 作物田块边界的划定 (Delineation of crop field boundaries)
  • 4.4 划定作物田块边界的精度评估 (Accuracy assessment of delineated crop field boundaries)
  • 4.5 作物田块的区域制图 (Regional mapping of crop fields)

5. 讨论 (Discussion) —— 第16页

  • 5.1 SR图像重建在作物田块划定中的重要性 (The importance of SR image reconstruction for crop fields delineation)
  • 5.2 SIDEST的优越性与稳健性 (Superiority and robustness of the SIDEST)
  • 5.3 物候信息在作物田块划定中的贡献 (The contribution of phenological information in crop field delineation)
  • 5.4 潜在应用与局限性 (Potential applications and limitations)

6. 结论 (Conclusions) —— 第20页

数据和软件可用性 (Data and software availability)

CRediT作者贡献声明 (CRediT authorship contribution statement)

利益冲突声明 (Declaration of competing interest)

致谢 (Acknowledgements)

附录A. 补充材料 (Appendix A. Supplementary material)

数据可用性 (Data availability)

形态学操作（Morphological Operations）是基于形状的图像处理基础算法，核心是用一个「结构元素（Structuring Element，比如3×3的小方块/圆盘）」在图像上滑动，对像素做邻域运算，用来修复边界、去除噪声、平滑轮廓，是分割任务后处理的标配操作。