基于遙感影像的農田邊界提取方法研究進展

摘要：農田邊界的自動提取對高效量化農田土地資源和制定相關調控政策十分重要，是農業現代化和智慧化發展的必要條件。統計多種農田邊界提取尺度下常用的遙感數據，簡述農田邊界提取技術經歷了從無監督到監督提取的發展，總結并對比農田邊界提取的4種主要方法，包括基于邊緣檢測的方法、基于區域的方法、混合方法和深度學習方法，深度學習方法屬于監督提取技術，與遙感技術的發展息息相關。簡述農田邊界提取精度評定中的參考圖像獲取與精度評估方法。提出目前存在農田邊界特征利用和挖掘不足、缺乏公開實時的數據集、缺乏針對小農地區的研究、提取方法普適性不足的問題。在綜合應用農田邊界特征、共享農田邊界大數據和應用云計算平臺、開發小農地區農田邊界提取方法、融合時空協同的多源數據方面作出展望。

關鍵詞：農田邊界；地塊分割；邊緣檢測；圖像處理

中圖分類號：S127

文獻標識碼：A

文章編號：2095-5553（2024）12-0168-08收稿日期：2023年5月18日

修回日期：2023年7月14日

*基金項目：中國科學院戰略性先導科技專項（XDA28070505）

第一作者：孔鳴鳳，女，1998年生，山東泰安人，碩士研究生；研究方向為農業格局優化與農業智能化。E-mail：kongmingfeng21@mails.ucas.ac.cn

通訊作者：鄭海峰，男，1979年生，山西忻州人，博士，研究員，博導；研究方向為景觀生態、生態服務功能等。E-mail：zhenghaifeng@iga.ac.cn

Research progress in farmland boundary extraction methods based on remote sensing image

Kong Mingfeng^{1， 2}， Zheng Haifeng^{1， 3}

（1. Key Laboratory of Wetland Ecology and Environment， Northeast Institute of Geography and Agroecology， Chinese Academy of Sciences， Changchun， 130102， China; 2. University of Chinese Academy of Sciences， Beijing， 100049， China; 3. State Key Laboratory of Black Soils Conservation and Utilization， Northeast Institute of Geography and Agroecology， Chinese Academy of Sciences， Changchun， 130102， China）

Abstract： The automated and accurate extraction of farmland boundaries plays a crucial role in effectively quantifying agricultural land resources and setting relevant regulatory policies. It is essential to the development of modern agriculture and smart agriculture. This paper compiles commonly used remote sensing data across various extraction scales and outlining the development of boundary extraction techniques from unsupervised to supervised methods. The edge-based， region-based， hybrid and deep learning methods were comprehensively summarized and compared. Deep learning， a supervised extraction technique， is closely linked to advancements in remote sensing technology. Accuracy assessment involves reference image acquisition and evaluation methods. Current challenges include the underutilization and limited exploration of farmland boundary features， the lack of publicly available and real-time datasets， the scarcity of research focused on smallholder areas， and the limited applicability of existing extraction methods. In order to overcome these challenges， the future directions of research were proposed， such as the integrated utilization of different farmland boundary features， the establishment of data-sharing platforms for comprehensive farmland boundary data， the application of cloud computing in farmland boundary analysis， the development of specialized extraction methods for smallholder areas， and the integration of spatiotemporal data from multiple sources.

Keywords： farmland boundary; land segmentation; edge detection; image processing

0 引言

農田地塊邊界是構建整個農業框架的基礎信息，在糧食產量評估、作物生長分析和相關政策制定中發揮著重要的作用^［1］。隨著農業集約化和智慧化的發展，快速準確地自動提取農田邊界是亟待解決的關鍵問題^［2］。傳統的獲取農田邊界的方式依靠實地調查和手工數字化標定，這種方法不僅有很強的主觀性，而且十分耗費人力物力，無法滿足動態化農業觀測對及時、準確數據的需求^［3］。近年來，隨著遙感技術快速發展，陸地觀測衛星影像的分辨率從數十米級提高到亞米級，為大范圍、精細化地獲取農田邊界數據提供了可能^［4］，同時計算機視覺的發展也為農田邊界提取提供了技術支持。

在計算機視覺領域，邊緣檢測根據圖像某些基本特征（例如顏色和亮度等）的突變來判定邊緣存在，而邊界是指一個對象或曲面到另一個對象或曲面像素所有權的變化。因此，可以把邊界檢測視作更高級、更復雜的邊緣檢測^［5］。農田邊界是指作物類型發生變化或同種作物因景觀的自然隔離而分開所產生的邊界^［6］。目前農田邊界提取的方法可以分為四類：基于邊緣檢測的方法、基于區域的方法、混合方法和基于深度學習的方法。基于邊緣檢測的方法通過捕捉農田遙感圖像中不同地塊的梯度變化來確定邊界^［7］；基于區域的方法將農田圖像劃分成不同的區域，根據同一地塊的像素在紋理、亮度等方面的同質性進行區域擴展，完成分割^［8］；混合方法結合了前兩種方式的優點，旨在提取準確、閉合的農田邊界^［9］；基于深度學習的方法利用卷積神經網絡來學習地塊的特征，通過大規模的數據訓練來實現地塊邊界提取^{［10， 11］}。

盡管基于遙感影像開展農田邊界提取的研究熱度呈逐年上升態勢，但很少有研究進行系統的文獻綜述以闡述其流程和方法。基于此，本文介紹農田邊界提取所用的遙感數據、應用方法以及精度評定的方式，分析存在的問題，并對未來的研究方向進行展望。

1 遙感數據選擇

農田地塊遙感數據選擇與其提取范圍息息相關。一般來說，研究尺度較大時，通常需要較低的數據分辨率，研究尺度較小時，通常需要較高的數據分辨率。例如，Yan等^［12］用30 m分辨率的Landsat衛星影像來劃分美國的地塊，Zhang等^［2］用10 m分辨率的Sentinel-2衛星數據劃分中國黑龍江省7 970 km²的地塊，Crommelinck等^［13］用亞米級的無人機數據劃分了7.5 km²的地塊。當地塊提取范圍過大時運算成本大大增加，同時由于地貌復雜，一些小尺度、破碎化的地塊會被剔除。

例如Wagner等^［14］在提取德國北部的地塊時排除了0.5 hm²以下的農田，Graesser等^［15］在劃分南美地區的農田時對有些地區5 hm²以下的農田的提取效果欠佳。

當前多數的研究尺度集中在10～100 km²，更大尺度（例如10 000 km²以上）的研究開展的相對較少（圖1）。

隨著遙感技術的發展，一些衛星分辨率已經達到分米級（例如WorldView-2、WorldView-3等）甚至厘米級（例如無人機），能滿足絕大部分農田邊界的劃分需要。選取合適分辨率的衛星影像既能滿足地物細節的捕捉，又能控制數據成本，避免信息冗余，對提取結果尤為重要。對文獻中遙感衛星的使用情況做統計（圖2），除無人機外，當遙感衛星的分辨率需求在5 m以下時，多數研究選擇QuickBird衛星。相對于WorldView-3、Plèiades-1等衛星，QuickBird衛星投入使用時間早，全色影像分辨率可達到0.61 m，在分辨率要求高時被多次使用。

當分辨率需求在5 m以上時，多數研究選擇Sentinel-2衛星，因為Sentinel-2提供10 m分辨率的多光譜圖像，當研究區域單個地塊面積較大時，可以滿足其清晰度的需求；同時，Sentinel-2重返周期短、檢測范圍廣并且可以免費獲取，成為中低分辨率衛星的首選。

2 農田邊界提取方法

2.1 發展階段

農田邊界提取技術經歷了從無監督提取到監督提取的發展。無監督提取主要包括基于邊緣檢測的方法、基于區域的方法和前兩種方法的混合方法；監督提取方法主要指深度學習的方法，而這一過程又與遙感技術的發展息息相關。如圖3所示，1983—2000年間，可供選擇的陸地衛星數量少，此時的邊界提取技術主要利用像素特征（亮度、顏色等）進行梯度檢測^［16］，屬于基于邊緣檢測的方法。2001—2015年間，多種分辨率的陸地衛星陸續發射，此時單個農田地塊在遙感圖像上對應多個像素，利用紋理、拓撲關系等局部、全局特征來檢測邊界的技術被先后提出^{［12， 17］}，此階段對應基于區域和混合方法來檢測農田邊界。2015年后，深度學習應用于地塊邊界檢測，此方法利用機器自主選擇的多層次抽象特征綜合上下文信息進行語義分割，無需人工進行特征選擇和閾值設定，具有強大的學習能力^［18］，近年來被廣泛地開發使用。

2.2 檢測方法

農田邊界的提取方法主要分為基于邊緣檢測的方法、基于區域的方法、混合方法和基于深度學習的方法，不同方法的優點、缺點和適用范圍如表1所示。

2.2.1 基于邊緣檢測的方法

不同作物類型的地塊在遙感圖像的亮度、顏色等方面存在差異，這種差異使得邊界處呈現連續性的突變，通過檢測梯度變化確定農田邊界的方法為基于邊緣檢測的方法^［15］，邊緣檢測算子也被稱為梯度算子。早期的邊緣檢測方法主要涉及微分算子，如Sobel^［19］、Canny^［20］等，隨著算法的改進，其他方法（如小波變換）也被用于邊緣檢測。這種方法通常需要規定一個閾值來確定檢測的強度，但是不同作物光譜信息的相似性和地塊內光譜信息的異質性會對結果產生不良影響，極易受噪聲干擾且檢測不出完整的邊界，出現斷點、孤線等問題^［21］。因此，此方法要進行一定的后處理閉合檢測出的地塊同時消除偽邊緣，常用的方法有形態學清洗^{［15， 22］}、霍夫直線檢測^{［16， 23］}等。龐新華等^［24］在使用Canny算子初步檢測地塊后，利用形態學閉運算處理噪聲和缺口問題。一般來說，越是破碎的地塊檢測難度和后處理難度越大。傳統邊緣檢測所依據的信息較為單一，效果缺乏穩健性，任意設定閾值參數都可能提取不出滿意的結果。在Yan等^［12］的研究中設置了一個很低的強度閾值以最大可能的保留弱邊界，但這種做法會增加后處理的負擔。即便如此，對于破碎的地塊來說，梯度信息是相對可以精確捕捉的邊界信息，同時基于邊緣檢測的方法計算成本小、便于二次開發，被廣泛實用。

2.2.2 基于區域的方法

與基于邊緣的檢測方法相比，基于區域的方法可以利用更多的高級特征（光譜、紋理、拓撲關系等）形成閉合的邊界空間。基于區域的方法的興起是由于隨著高分辨率衛星的發展，描述單個地塊所提供的像素越來越多，面向像素的分割逐漸演變為面向對象的分割。分割根據不同的地塊之間光譜信息的異質性和相同地塊間光譜信息的同質性將圖像不斷地迭代分割，形成一個個同質性像素集合的小區域。其中最典型的為區域生長法^［25］和區域分裂合并法，區域生長法在農田遙感圖像中選擇若干個種子點，不斷地聚攏周圍具有相似特征的像素點，反復迭代直到已無法納入其他像素或區域為止，集成在eCognition軟件中的多尺度分割（MRS）^［26］和均值漂移（MS）分割是區域生長代表性方法；區域分裂合并法的分割過程從整個圖像開始，根據不同地塊之間的異質性標準將遙感圖像分割為多個區域，然后繼續合并同質對象，分裂異質性區域，直到所有的子區域無異質性為止。

基于區域的方法能夠提取出閉合的地塊，受地塊內的噪聲影響小，明顯改善了邊緣檢測方法出現偽地塊邊界、斷點等問題。但是決定區域劃分的標準特征（灰度值、各種紋理特征等）需要自主選擇，不同的研究地點選擇的特征不同。其次，此方法極易出現過分割與欠分割現象^{［18， 27］}，需要不斷調整參數以求達到最優，在一定程度上影響了其推廣能力。為了克服人為枚舉參數的弊端，一些研究致力于自動化參數的選擇。蘇騰飛^［28］、Cai^［17］等分別開發了一種基于Mean-Shift的最優尺度參數選擇方法大大方便了用戶的操作；Peng等^［29］將最小對象的面積定義為分水嶺算法的合并參數，不斷迭代直至所有的區域都大于合并尺度。此外，對于破碎化的地塊來說，區分不同地塊的提取特征較為困難，此時可以選擇高分辨率的影像在一定程度上提供更多的信息^［30］，但是過高分辨率會帶來信息的冗余以及推廣使用的壓力。

2.2.3 混合方法

混合方法綜合基于邊界和基于區域的方法的優點同時有效規避兩者的缺點，既精準地檢測邊界又形成封閉多邊形^［13］。Watkins等^［7］比較了兩種基于邊緣方法（Canny和Scharr）和三種圖像區域分割技術（分水嶺算法、多尺度分割和多閾值分割），表明基于區域的分水嶺方法與基于邊緣檢測的Canny算子結合能產生優于其他組合方法的提取效果。

2.2.4 基于深度學習的方法

深度學習屬機器學習領域，是一種多層前饋神經網絡模型，可以從訓練數據集中自動選擇具有代表性的鑒別特征^［31］。近年來深度學習逐漸應用于農業領域^［32］，特別是以卷積神經網絡CNN為代表的模型在農田邊界提取中取得了很大進步^{［33， 34］}。CNN一般由卷積層、池化層和全連接層構成。待分割的圖像在卷積層經過不同卷積核、不同卷積層數的運算充分提取特征，經過池化層對提取的特征層進行最大或者平均特征保留，釋放冗余信息。池化過的數據依舊是多維度，需要利用全連接層將數據展開為一組向量與最后的地塊標記結果進行對比，不斷迭代直至結果穩定收斂^［35］。Long等^［36］將卷積神經網絡的最后一個全連接層替換為上采樣層構造出了全卷積網絡（FCN），實現了圖像的像素水平上的分類。此后，許多分割算法對FCN進行了擴展，如U-Net、金字塔場景解析網絡（Pyramid Scene Parsing Network）等。Masoud等^［18］開發了一種多尺度FCN利用Sentinel-2衛星數據檢測農田邊界，取得了優于全局邊界概率（global probability of border，gPb）和多尺度分割（multi-resolution Segmentation，MRS）的結果；Wang等^［37］通過弱監督學習訓練U-Net分割網絡用于農田邊界的劃分，試驗證明，與支持向量機、隨機森林等像素層面的提取算法相比，神經網絡取得了更好的邊界提取性能。

卷積神經網絡的訓練需要大量的標記數據訓練模型，人工制作難以滿足其使用要求，Zhang等^［2］利用Canny算子和分水嶺算法（CW）快速生成農田邊界數據集，Garcia-Pedrero等^［38］對有限的農田邊界圖像進行Dih4group隨機變換和角度旋轉來擴充訓練數據數量。深度學習可以通過構造“更深”的網絡對地塊邊界數據進行充分的特征提取和自主學習，與人工神經網絡相比計算量更小、泛化能力更強。因此，在處理地塊邊界這類復雜、龐大問題上有更大的優勢。在許多遙感應用中，深度學習的方式被證明優于其他傳統的分類器^［39］。然而，此方法依賴于大量的地塊標記數據訓練模型^［17］，但農田邊界的數據量少且時間可變性較小，如何使此方法快速投入使用是一個重要的問題。地況差異大的地區之間需要重新訓練模型，此時激活函數、網絡結構和網絡層數等可能需要隨之調整。

3 農田邊界提取的精度評定

3.1 參考圖像獲取

農田邊界參考圖像的獲取有三種方式：手動劃分、官方網站獲取和其他方法生成。根據已有文獻統計其被使用的比例分別是62.4%、23.8%和13.9%。手動劃分是目前參考邊界圖像生成的主要方式，也是與真值差距最小的方式。然而，手動劃分效率低下，會因操作者不同產生誤差，當工作范圍過大時，即使采取抽樣劃分的方法也會造成很大的工作壓力。官方網站的數據一般是由眾包數據組成，數據覆蓋性不全。一些研究會用簡單的邊緣檢測算法或軟件生成農田邊界，以此來對所開發的模型進行訓練，雖然快捷方便，但是會與真實值有一定差距。

3.2 精度評估方法

農田邊界檢測的評估方法分為定性評估和定量評估兩大類。定性評估要目視觀測提取效果與參考圖像的差距。目視觀測有很大的主觀性，但是其直觀性和靈活性可以更方便地檢測細節，為方法的改進提供參考和指導，常常被一些研究沿用。定量評估能夠更客觀地反映提取效果，主要包含以下幾種方式。

3.2.1 基于像素評估

這類評估關注像素級別的匹配性，提供了對圖像分割算法的細粒度分析，一般基于混淆矩陣計算，主要包括精確率P、召回率R、F1值、準確率OA。

精確率衡量了預測的邊界像素中真實邊界像素所占的比例，計算如式（1）所示。

P=TP/TP+FP （1）

召回率衡量了真實邊界像素中被正確預測的邊界像素的比例，計算如式（2）所示。

R=TP/TP+FN （2）

F1是精確率和召回率的調和平均值，計算如式（3）所示。

F1=2PR/P+R （3）

準確率表示被正確預測的像素占所有像素的比例，計算如式（4）所示。

OA=TP+TN/TP+FN+TN+FP （4）

式中：TP——正確檢測到的邊界像素的數量；

TN——正確檢測到的非邊界像素的數量；

FP——把非邊界像素識別為邊界像素的數量；

FN——把邊界像素識別為非邊界像素的數量。

3.2.2 基于邊界評估

這類評估關注的是預測邊界與真實邊界之間的匹配程度，衡量算法在確定邊界位置和形狀方面的準確性。常見的有邊界位移偏差指數BDE，此指標用來衡量預測邊界與真實邊界之間的距離差異，計算如式（5）所示。

BDE=1/21/|B_s|∑b_s∈B_s∑b_gt∈B_gtmin［d_E（b_s，b_gt）］+1/|B_gt|∑b_gt∈B_gt∑b_s∈B_smin［d_E（b_gt，b_s）］ （5）

式中：B_s——預測邊界；

b_s——預測邊界像素；

B_gt——真實邊界；

b_gt——真實邊界像素；

d_E——距離。

3.2.3 基于區域評估

這類指標反映了預測地塊與真實地塊在區域上的相似度和準確性，受細節和形態特征的影響較小，主要包括偏心系數ε、平均質心距離D_sr、過分割率S_over、欠分割率S_under和交并比S_IoU。

偏心系數衡量了預測地塊與真實地塊之間的形狀差異，計算如式（6）所示。

ε=Eccentricity_or-Eccentricity_os （6）

式中：Eccentricity_or——參考地塊的偏心率；

Eccentricity_os——提取地塊的偏心率，偏心率表示一個地塊的形狀偏離一個圓（偏心距=0）的程度。

平均質心距離衡量了預測地塊與真實地塊之間歐式距離，計算如式（7）所示。

D_sr=1/n∑n/i=1（X_s（i）-X_r（i））²+（Y_s（i）-Y_r（i））² （7）

式中：X_s（i）、Y_s（i）——第i個預測地塊的質心坐標；

X_r（i）、Y_r（i）——第i個參考地塊的質心坐標；

n——地塊的總數。

過分割率反映了目標地塊過度細化的程度，計算如式（8）所示。

S_over=1-T_i∩E_j/T_i （8）

欠分割率反映了目標地塊未能完整分割的程度，計算如式（9）所示。

S_under=1-T_i∩E_j/E_j （9）

交并比表示預測地塊與真實地塊之間的重疊程度，計算如式（10）所示。

S_IoU=T_i∩E_j/T_i∪E_j （10）

式中：T_i——參考邊界區域面積；

E_j——預測邊界區域面積。

4 存在問題與展望

4.1 存在問題

1）農田邊界特征利用和挖掘不足。目前農田邊界提取大多使用紋理、亮度值等淺層次特征，這種特征受“同物異譜”和“異物同譜”現象的影響較大，在提取復雜、破碎化農田邊界時效果往往不理想。深度學習雖然可以自主提取抽象特征進行學習，但是內部的決策過程較為復雜，其對農田邊界深度特征的利用機制難以解釋。

2）缺乏公開、實時的邊界數據集。目前農田邊界檢測的參考圖像和訓練模型的標記圖像大多需要人工標注，十分耗費人力物力，且會因為標記人員的不同產生誤差。此外，農田邊界會隨著農民連作、輪作等耕作方式的改變發生變化，更新數據要求重新采集、制作農田邊界，構成了大量重復性工作。對任何一個國家來說，建立完整的農田邊界信息并保持更新是非常困難的。雖然一些發達國家如西班牙、德國、美國等有公開的農田邊界數據庫，但這些數據庫并沒有完全覆蓋全國范圍農田邊界，仍有進一步完善的空間。

3）缺少針對小農地區的農田邊界提取工作。小農地區對世界糧食生產的貢獻巨大，加強小農地區的農田邊界自動提取對促進世界糧食生產有重要意義。但是，小農地區的農田地塊通常呈現出破碎化、面積小、形狀復雜的特點，并且農田類型多樣，涵蓋不同的作物種植和農業實踐。因此，邊界劃分的工作難度大，相關的工作相對較少。

4）提取方法普適性不足。普適性要求所提出的方法在不同場景、不同地區、不同時間內都有良好的適應能力，同時刻畫出細節和特殊地塊。目前多數研究在跨時空、大范圍提取農田邊界時無法滿足較小地塊的準確率。

4.2 展望

1）

綜合應用各種農田邊界特征。除光譜特征外，地塊的形狀、周長等幾何特征也在一定程度上反映了農田之間的特點和差異，因此可以利用這些特征嘗試對農田邊界進行提取。此外，要耦合地理學、生物學、物候學等專家知識，利用更多空間特征和時間特征。物候學和生物學知識可以解釋作物的生長特性從而抓住邊界識別的關鍵點；地理學知識可以根據地形、坡度等信息對大尺度農田進行分區和分層，降低大尺度研究的難度并提高其準確率；生態學和農業知識能夠結合種植規律對農田邊界的周期性變化做出合理性推算。

2）共享農田邊界大數據和應用云計算平臺。未來建立互通互享的農田邊界大數據是一個重要的發展方向，這一舉措能極大節省制作農田邊界圖像的人力物力，從而推進智能化農田邊界提取方法的開發和欠發達地區農業的轉型升級。個人計算機或者服務器往往無法滿足海量的遙感數據的計算和儲存，云計算平臺在過去幾年得到了迅猛發展。例如GEE（Google Earth Engine）平臺和AWS（Amazon Web Services）都提供了免費云計算服務并被廣泛應用。未來利用云計算平臺同步遙感數據、提高計算效率是大范圍、大尺度、精細化農田邊界提取的發展趨勢。

3）開發小農地區農田邊界提取方法。小農地區多為散戶種植，僅靠研究人員調查難度具大。可以與農戶建立交互式的地塊采集方式，用于農田邊界的前期收集、結果驗證和數據更新等。其次，小農地區地況復雜，單一參數無法達到理想的提取效果。開發自適應參數調節技術，分區分層地提取小農地塊邊界，可以提高提取結果的穩健性和準確性。

4）融合時空協同的多源數據。在技術限制下，遙感數據的高時間分辨率和高空間分辨率無法同時滿足。時空協同的多源數據可以提供更詳細、動態和全面的農田邊界信息。進一步解決不同數據的異構型、多源數據降維、數據的對齊與匹配等問題更有利于多源數據的融合與發展。

參 考 文 獻

［1］ Garcia P A， Gonzalo-Martin C， Lillo S M. A machine learning approach for agricultural parcel delineation through agglomerative segmentation ［J］. International Journal of Remote Sensing， 2017， 38（7）： 1809-1819.

［2］ Zhang H， Liu M， Wang Y， et al. Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net ［J］. International Journal of Applied Earth Observation and Geoinformation， 2021， 105： 102557.

［3］ 石淑芹， 曹玉青， 吳文斌， 等. 耕地集約化評價指標體系與評價方法研究進展［J］. 中國農業科學， 2017， 50（7）： 1210-1222.

Shi Shuqin， Cao Yuqing， Wu Wenbin， et al. Progresses in research of evaluation index system and its method on arable land intensification： A review ［J］. Scientia Agricultural Sinica， 2017， 50（7）： 1210-1222.

［4］ 張春華， 李修楠， 吳孟泉， 等. 基于Landsat 8 OLI數據與面向對象分類的昆崳山地區土地覆蓋信息提取［J］. 地理科學， 2018， 38（11）： 1904-1913.

Zhang Chunhua， Li Xiunan， Wu Mengquan， et al. Object-oriented classification of land cover based on Landsat 8 OLI image data in the Kunyu Mountain ［J］. Scientia Geographica Sinica， 2018， 38（11）： 1904-1913.

［5］ Martin D R， Fowlkes C C， Malik J. Learning to detect natural image boundaries using local brightness color and texture cues ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2004， 26（5）： 530-549.

［6］ Rydberg A， Borgefors G. Integrated method for boundary delineation of agricultural fields in multispectralsatellite images ［J］. IEEE Transactions on Geoscience and Remote Sensing， 2001， 39（11）： 2514-2520.

［7］ Watkins B， Niekerk A V. A comparison of object-based image analysis approaches for field boundary delineation using multi-temporal Sentinel-2 imagery ［J］. Computers and Electronics in Agriculture， 2019， 158： 294-302.

［8］ Schultz B， Immitzer M， Formaggio A R， et al. Self-guided segmentation and classification of multi-temporal Landsat 8 images for crop type mapping in southeastern Brazil ［J］. Remote Sensing， 2015， 7（11）： 14482-14508.

［9］ 周文， 明冬萍， 閆鵬飛. 結合影像分區與尺度估計的耕地提取方法研究［J］. 地球信息科學學報， 2018， 20（7）： 1014-1025.

Zhou Wen， Ming Dongping， Yan Pengfei. Cultivated land extraction based on image region division and scale estimation ［J］. Journal of Geo-information Science， 2018， 20（7）： 1014-1025.

［10］ Gopidas D K， Priya D R. Hybrid segmentation method for boundary delineation of agricultural fields in multitemporal satellite image using HS-PSO-FCNN ［J］. Materials Today： Proceedings， 2022， 51： 2272-2276.

［11］ Kumar M S， Jayagopal P. Delineation of field boundary from multispectral satellite images through U-Net segmentation and template matching ［J］. Ecological Informatics， 2021， 64： 101370.

［12］ Yan L， Roy D P. Conterminous United States crop field size quantification from multi-temporal Landsat data ［J］. Remote Sensing of Environment， 2016， 172： 67-86.

［13］ Crommelinck S， Bennett R， Gerke M， et al. Contour detection for UAV-based cadastral mapping ［J］. Remote Sensing， 2017， 9（2）： 171-183.

［14］ Wagner M P， Oppelt N. Extracting agricultural fields from remote sensing imagery using graph-based growing contours ［J］. Remote Sensing， 2020， 12（7）： 1205-1224.

［15］ Graesser J， Ramankutty N. Detection of cropland field parcels from Landsat imagery ［J］. Remote Sensing of Environment， 2017， 201： 165-180.

［16］ Babawuro U， Bei J Z. Satellite imagery cadastral features extractions using image processing algorithms： A viable option for cadastral science ［J］. International Journal of Computer Science Issues， 2012， 9（4）： 30-38.

［17］ Cai Z， Hu Q， Zhang， X， et al. An adaptive image segmentation method with automatic selection of optimal scale for extracting cropland parcels in small holder farming systems ［J］. Remote Sensing， 2022， 14（13）： 3037-3057.

［18］ Masoud K M， Persello C， Tolpekin V A. Delineation of agricultural field boundaries from Sentinel-2 images using a novel super-resolution contour detector based on fully convolutional networks ［J］. Remote Sensing， 2019， 12（1）： 59-74.

［19］ Sobel I. Neighborhood coding of binary images for fast contour following and general binary array processing ［J］. Computer Graphics and Image Processing， 1978， 8（1）： 127-135.

［20］ Canny J. A computational approach to edge-detection ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986， 8（6）： 679-698.

［21］ Chen B， Qiu F， Wu B， et al. Image segmentation based on constrained spectral variance difference and edge penalty ［J］. Remote Sensing， 2015， 7（5）： 5980-6004.

［22］ Cheng Taoji， Yang Xusheng， Zheng Gaoxiang， et al. DESTIN： A new method for delineating the boundaries of crop fields by fusing spatial and temporal information from WorldView and Planet satellite imagery ［J］. Computers and Electronics in Agriculture， 2020， 178： 105787.

［23］ Hong R， Park J， Jang S， et al. Development of a parcel-level land boundary extraction algorithm for aerial imagery of regularly arranged agricultural areas ［J］. Remote Sensing， 2021， 13（6）： 1167-1186.

［24］ 龐新華， 朱文泉， 潘耀忠， 等. 基于高分辨率遙感影像的耕地地塊提取方法研究［J］. 測繪科學， 2009， 34（1）： 48-49， 161.

Pang Xinhua， Zhu Wenquan， Pan Yaozhong， et al. Research on the extraction method of cultivated land based on high resolution remote sensing image ［J］. Science of Surveying and Mapping， 2009， 34（1）： 48-49， 161.

［25］ Pal S K， Mitra P. Multispectral image segmentation using the rough-set-initialized EM algorithm ［J］. IEEE Transactions on Geoscience and Remote Sensing， 2002， 40（11）： 2495-2501.

［26］ 沈占鋒， 駱劍承， 吳煒， 等. 采用并行均值漂移算法實現農林地塊邊界的精確提取［J］. 中國圖象圖形學報， 2011， 16（9）： 1689-1695.

Shen Zhanfeng， Luo Jianchen， Wu Wei， et al. Agricultural and forestry land boundary precise segmentation from remote sensing images by parallel mean shift algorithm ［J］. Journal of Image and Graphics， 2011， 16（9）： 1689-1695.

［27］ 吳晗， 林曉龍， 李曦嶸， 等. 面向農業應用的無人機遙感影像地塊邊界提取［J］. 計算機應用， 2019， 39（1）： 298-304.

Wu Han， Li Xiaolong，Li Xirong， et al.Land parcel boundary extraction of UAV remote sensing image in agricultural application ［J］. Journal of Computer Applications， 2019， 39（1）： 298-304.

［28］ 蘇騰飛， 張圣微， 李洪玉. 基于可變尺度Mean-Shift的農田高分遙感影像分割算法［J］. 國土資源遙感， 2017， 29（3）： 41-50.

Su Tengfei， Zhang Shengwei， Li Hongyu. Variable scale Mean-Shift based method for cropland segmentation from high spatial resolution remote sensing images ［J］. Remote Sensing for Land and Resources， 2017， 29（3）： 41-50.

［29］ Peng D， Zhang Y. Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion ［J］. International Journal of Remote Sensing， 2017， 38（13）： 3886-3905.

［30］ 楊穎頻， 吳志峰， 駱劍承， 等. 時空協同的地塊尺度作物分布遙感提取［J］. 農業工程學報， 2021， 37（7）：166-174.

Yang Yingpin， Wu Zhifeng， Luo Jianchen， et al. Parcel-based crop distribution extraction using the spatiotemporal collaboration of remote sensing data ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（7）： 166-174.

［31］ Bergado J R， Persello C， Gevaert C. A deep learning approach to the classification of sub-decimetre resolution aerial images ［J］. 2016 IEEE International Geoscience and Remote Sensing Symposium， 2016.

［32］ Marmanis D， Datcu M， Esch T， et al. Deep learning earth observation classification using ImageNet Pretrained Networks ［J］. IEEE Geoscience and Remote Sensing Letters， 2016， 13（1）： 105-109.

［33］ 周楠， 楊鵬， 魏春山， 等. 地塊尺度的山區耕地精準提取方法［J］. 農業工程學報， 2021， 37（19）： 260-266.

Zhou Nan， Yang Peng， Wei Chunshan， et al. Accurate extraction method for cropland in mountainous areas based on field parcel ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（19）： 260-266.

［34］ Zhou Y， Luo J， Feng L， et al. Long-short-term-memory-based crop classification using high-resolution optical images and multi-temporal SAR data ［J］. Giscience amp; Remote Sensing， 2019， 56（8）： 1170-1191.

［35］ 周飛燕， 金林鵬， 董軍. 卷積神經網絡研究綜述［J］. 計算機學報， 2017， 40（6）： 1229-1251.

Zhou Feiyan， Jin Linpeng， Dong Jun. Review of convolutional neural network ［J］. Chinese Journal of Computers， 2017， 40（6）： 1229-1251.

［36］ Long J， Shelhamer E， Darrell T. Fully convolutional networks for semantic segmentation ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2015： 3431-3440.

［37］ Wang S， Chen W， Xie S M， et al. Weakly supervised deep learning for segmentation of remote sensing imagery ［J］. Remote Sensing， 2020， 12（2）： 207-231.

［38］ Garcia-Pedrero A， Lillo-Saavedra M， Rodriguez-Esparragon D， et al. Deep learning for automatic outlining agricultural parcels： Exploiting the land parcel identification system ［J］. IEEE Access， 2019， 7： 158223-158236.

［39］ Ma L， Liu Y， Zhang X， et al. Deep learning in remote sensing applications： A meta-analysis and review ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2019， 152： 166-177.