基于遥感影像的耕地地块提取相关论文、代码以及相关开源数据集

前言

本博文是对关于农田提取论文的简单汇总。有比较新颖的方法，欢迎大家在下面留言。

2000

（传统方法） Agricultural Field Extraction from Aerial Images Using a Region Competition Algorithm（ International Archives of Photogrammetry and Remote Sensing）

摘要
在大多数地理信息系统中，在航拍图像上分割农田仍然是一项手工活动，需要重复、冗长和耗时的工作。在本文中，我们解决了通过集成区域生长和可变形模型的区域竞争技术对农业区域的半自动分割的问题。可变形模型从粗糙的种子开始动态调整它们的轮廓，并在能量最小化框架中分析均匀的包裹。该算法集成到一个版本菜单中，还允许从头开始绘制包裹，并设置在已经提取的包裹之间应用的操作。为了实现最佳的图像分割，我们研究了不同的方面：用户交互、参数化和收敛标准。

2001

（传统方法）Integrated Method for Boundary Delineation of Agricultural Fields in Multispectral Satellite Images（TGRS）

摘要
大多数农业统计数据是在每个领域计算的，众所周知，对同质对象的分类程序比每个像素的分类产生更好的结果。本研究提出了一种自动描绘遥感图像中农业场边界的多光谱分割方法。将来自梯度边缘检测器的边缘信息与分割算法相结合。多光谱边缘检测器通过使用所有可用的多光谱信息，添加从边缘检测得到的边缘的大小和方向在单波段。添加按边缘方向加权，以消除“噪声”，增强主要方向。将从边缘检测算法得到的边缘与基于简单的等数据算法的分割方法相结合，其中初始质心由从边缘检测步骤到边缘的距离决定。从这个过程中，区域的数量很可能超过图像中实际地块数量，并执行区域的合并。通过计算相邻区域像素的均值和协方差矩阵，将合并具有高广义似然比检验量的区域。通过这种方式，来自几个光谱带（和/或不同日期）的信息可以用于描述具有不同特征的场边界。与以前使用的区域增长程序相比，引入等数据分类器提高了输出。将一些结果与手工提取的场边界进行了比较。

2014

(传统方法)Automated crop field extraction from multi-temporal Web Enabled Landsat Data（Remote Sensing of Environment）

摘要
提出了一种从30mWeb启用的陆地卫星数据(WELD)时间序列中提取农田的自动计算方法。介绍了德克萨斯州、加利福尼亚州和南达科他州三块150×150公里的焊接瓷砖，包括矩形、圆形（中心枢轴灌溉）和不规则形状的农田，并与独立的美国农业部(USDA)国家农业统计服务(NASS)农田数据层(CDL)分类进行了比较。与CDL分类相比，提取视觉上明显的相干字段，遗漏或委托的明显误差相对较有限。这是由于以下几个因素。首先，使用多时间陆地卫星数据，而不是单一陆地卫星数据，使作物旋转和植被状态的年际变化，并为无云、不缺失、大气未受污染的表面观测提供更多的机会。其次，采用基于对象的方法，即基于变分区域的几何活动轮廓方法，只需要少量参数进行鲁棒分割，不需要训练数据。第三，利用分水岭算法将属于多个场的连接段分解为相干孤立场段，利用基于几何的算法检测并将圆形场的部分关联在一起。提出了初步验证，以获得定量洞察现场提取精度，并原型验证协议，包括新的几何测量，量化单个场对象的精度。讨论了对未来研究和大领域应用的影响和建议。

2017

（传统方法）A machine learning approach for agricultural parcel delineation through agglomerative segmentation（International Journal of remote sensing）

摘要
正确描述农业地块是任何基于地块的应用的主要要求，如估计农业补贴。目前，高分辨率的遥感图像提供了有用的空间信息来描绘包裹；然而，它们的手工处理却非常耗时。因此，有必要创建允许自动执行此任务的方法。在这项工作中，使用机器学习算法来描述农业地块通过一种新的方法。该方法结合了超像素和监督分类，以确定哪些相邻的超像素应该被合并，将分割问题转化为机器学习问题。对应用于农业景观高分辨率卫星图像的结果的视觉评价表明，使用机器学习算法完成这项任务是很有前途的。

（深度学习）Deep Learning for Instance Segmentation of Agricultural Fields

code: https://github.com/chrieke/InstanceSegmentation_Sentinel2

摘要
本文旨在通过深度学习实例分割，从卫星图像中描绘农田地块。手工描绘是准确的，但耗时的，和许多自动化的方法与传统的图像分割技术难以捕捉各种可能的现场外观。深度学习已被证明在各种计算机视觉任务中是成功的，并可能是一个很好的候选人，使准确、性能和可概括的描绘农业领域。在这里，对一个完全卷积的实例分割体系结构(改编自Li等人，2016年)，对来自丹麦的哨兵2图像数据和相应的农业领域多边形进行了训练。与许多其他方法相比，该模型处理原始RGB图像，没有显著的预处理和后处理。

经过训练，该模型在预测保留图像芯片上的场边界。结果适用于不同的场大小、形状和其他性质，但在某些情况下显示出特征问题。在第二个实验中，该模型被训练以同时预测田间实例的作物类型。在此设置下的性能明显更差。许多田地被描述得正确，但预测了错误的作物类别。总的来说，研究结果是很有希望的，并证明了深度学习方法的有效性。此外，该方法还为未来的改进提供了许多方向。

2018

（深度学习）Deep Extraction of Cropland Parcels from Very High-Resolution Remotely Sensed Imagery

摘要

从高分辨率遥感影像中提取耕地面积是实现精准农业等领域的一项基本任务。基于目标的图像分析严重依赖于图像分割方法，在大多数情况下不能满足图像分割的要求。受最近深度学习在图像理解方面显著改进的启发，我们提出了一种深度边缘引导的耕地面积提取方法。针对这些地块的边界，分别采用U-Net模型和RCF模型提取硬边和软边。然后将所有边缘与耕地类型构造成地块。最后得到了准确的耕地面积。

论文的贡献

• 通过分别考虑两种类型的耕地地块边界，可以在整个提取框架中使用不同的提取方法。
• 提取了可与人工圈定相媲美的深边，用于地块的几何构造。
• 结合语义分割方法，实现了对耕地与其他土地类型的准确区分。

方法
我们的方法可以分为三个主要阶段。第一阶段是样本准备和培训。第二阶段为边缘与耕地预测阶段。最后一个阶段是整块农田的后处理。

2019

（深度学习）Contour-oriented Cropland Extraction from High Resolution Remote Sensing Imagery Using Richer Convolution Features Network

摘要

耕地提取在许多农业应用中具有重要意义，一直是重要的研究热点。 在本研究中，我们提出了一种面向轮廓的方法，利用RCF网络从高分辨率遥感图像中提取农田。 以贵州省威宁县为研究区，以谷歌地球图像为数据来源。 与Canny算法相比，RCF网络对农田轮廓的检测更加准确和完整，在数值和视觉上都有了很大的改进。 最后，我们成功地利用该方法制作了威宁县部分农田专题图，与完全手工制作相比，生产率提高了5倍，表明了这种面向等高线的方法的应用价值。

方法

该方法由数据准备、网络训练和农田提取三个阶段组成。 图1显示了整个拟议方法的工作流程。 在第一阶段，产生实验数据，用于第二阶段的网络培训和测试。 在训练阶段，根据验证集的评估结果对网络进行优化。 在获得验证集中的最佳模型后，我们通过测试集来评估网络性能。 最后，我们利用模型对农田轮廓进行预测，然后提取其骨架，结合一些人工修改，生成威宁县一部分的农田图。

时空协同的精准农业遥感研究

摘要

高分辨率遥感对地观测为我们从空间与时间2个维度客观反演地表格局—过程提供了有效的技术支撑。本文遵循时空协同的研究思路，基于高分辨率遥感影像，开展了农业遥感领域2个典型的问题研究：① 提出了一种基于影像视觉特征的耕地分区分层提取方法，该方法在利用DEM数据进行分区的基础上，根据不同区域内耕地所呈现的几何特征和纹理特征差异，分别设计了不同的耕地提取模型；② 构建了一种地块尺度的作物生长参数反演方法，方法以地块为基本单元，在空间、时间及属性组合约束下进行作物理化参数反演。本研究以贵州省安顺市西秀区和广西扶绥县耕地提取进行了耕地地块提取示范，以扶绥县进行了基于耕地地块和中空间分辨率时间序列遥感数据的甘蔗叶面积指数反演。其中，对于安顺市西秀区的耕地地块提取结果而言，形态精度（IoU）大于0.7的地块超过60%，规则耕地、梯田以及林草地等的类型精度均超过了80%；对于扶绥县甘蔗叶面积指数反演的结果而言，其结果可以较为精确地反映出基地甘蔗与非基地甘蔗的差异，基地甘蔗在品质上要优于非基地甘蔗。西南山地区的耕地形态提取/类型判别和地块甘蔗叶面积指数应用验证均证明了方法的可行性。结果表明，协同使用多源高分辨率数据是实现精准农业遥感研究的有效途径。

方法

（深度学习）Deep Learning for Automatic Outlining Agricultural Parcels: Exploiting the Land Parcel Identification System

code: https://github.com/chrieke/InstanceSegmentation_Sentinel2

关于农业地区的空间和地理特征的准确和最新的信息是与农业和研究有关的各种活动不可或缺的价值。大多数农业研究和政策都是在实地一级进行的，为此需要精确的边界。今天，高分辨率遥感图像为描绘提供了有用的空间信息；然而，手工处理耗时，容易发生人为错误。本文的目的是探索深度学习(DL)方法的潜力，特别是卷积神经网络(CNN)模型，用于自动概述具有异质景观的大片地区正射照片的农业地块边界。由于DL方法需要大量的标记数据来学习，我们利用了来自西班牙纳瓦拉特许社区的土地地块识别系统(LPIS)的开放数据。将我们的方法获得的农业地块的边界与使用最先进的方法获得的边界位移误差指数(BDE)获得的农业地块的边界进行了比较。在BDE方面，我们的方法得到的结果优于gPb-UCM方法得到的结果。在这方面，使用LPIS数据训练的CNN模型是一个有用和强大的工具，可以减少在概述农业地块时的密集的体力劳动。

（深度学习）Instance Segmentation in Remote Sensing Imagery using Deep Convolutional Neural Networks

摘要
近年来，遥感在水文学、地质学、冰川学、军事学、农业学等各个领域都得到了应用。卫星和传感器技术的进步使用户能够使用从多个传感器获得的大量高分辨率数据。通过在从图像预处理和目标识别到高级语义特征提取和目标识别等任务中使用深度神经网络，有效地利用了这种庞大的数据可用性。目前的工作包括创建一个模型，使用掩码R-CNN在各种航空图像中执行实例分割，这是一种最先进的对象定位、多类分类和分类的方法。来自这项工作的结果有助于进一步推进有关土地利用和土地覆盖(LULC)和其他地球科学学科的数据分析的自动化。

论文的贡献
目前的工作旨在利用MaskR-CNN创建一个模型，例如在印度农村的遥感图像分割。感兴趣类别包括耕地、建筑面积、道路、树木和水体。之所以选择这些类，是因为它们是在印度农村地区遇到的常见对象。

（深度学习）Delineation of Agricultural Field Boundaries from Sentinel-2 Images Using a Novel Super-Resolution Contour Detector Based on Fully Convolutional Networks

摘要
农田的边界是确定农业单位的位置、形状和空间范围所必需的重要特征。它们通常用于总结现场一级的生产统计数据。在本研究中，我们使用基于全卷积网络(FCNs)的深度学习技术，研究了荷兰Sentiel-2卫星图像的农业领域边界(AFB)的描述。我们设计了一个多重扩张完全卷积网络(MD-FCN)，用于从10m分辨率的哨兵-2图像中检测AFB。此外，我们开发了一种新的超分辨率语义轮廓检测网络(SRC-Net)，利用FCN架构中的转置卷积层，将AFB输出的空间分辨率从10m提高到5m分辨率。SRC-Net还通过利用标签空间中的空间上下文信息，改进了5m分辨率的AFB图。所提出的SRC-Net的结果优于替代的上采样技术，并且仅略低于来自5m分辨率的RapidEye图像的MD-FCN检测结果。

（深度学习）Delineation of agricultural fields in smallholder farms from satellite images using fully convolutional networks and combinatorial grouping（Remote Sensing of Environment）

摘要
小农农场农田的准确空间信息对于向农民、管理者和决策者提供可操作的信息非常重要。高分辨率(VHR)的卫星图像可以捕获这类信息。然而，在小农农场中，田地的自动划定是一项具有挑战性的任务，因为它们的体积小，形状不规则，并且使用了混合种植系统，这使得它们的边界定义模糊。在卫星图像中，小农户场之间的物理边缘往往很模糊，需要通过考虑场间复杂纹理模式的过渡来确定轮廓。在这种情况下，标准的边缘检测算法无法提取准确的边界。本文介绍了一种利用全卷积网络结合全局和分组算法来检测场边界的策略。利用编码器-解码器结构的卷积网络能够从图像中学习复杂的空间上下文特征，并准确地检测稀疏场轮廓。利用定向分水岭变换和基于相邻区域共同边界的平均强度，对相邻轮廓进行层次分割。最后，采用利用分割层次信息的组合分组算法得到场段。在尼日利亚和马里的两个研究区域进行了广泛的实验分析，并比较了几种最先进的轮廓检测算法。算法基于精确召回精度评估策略，该策略在检测到的轮廓中容忍小的局部误差。该策略通过在我们的两个测试区域上自动描述F分数分别大于0.7和0.6的场边界，显示出了有希望的结果，其性能优于替代技术。

2020

(传统方法)DESTIN: A new method for delineating the boundaries of crop fields by fusing spatial and temporal information from WorldView and Planet satellite imagery

摘要：作物田的数字边界是设计基于地块的作物管理平台、实施特定站点的在线农艺实践和监测每个田的作物生长的先决条件。以前的野外边界划分方法大多是利用中等分辨率图像（如陆地卫星），用于集约化农业和大型农田的地区或国家。然而，在发展中国家，大部分耕地由小农种植，分布在小而破碎的农田中的地区，缺乏合适的划分方法。本研究提出了一种综合的方法，通过融合时空信息(Destin)，从亚米世界观-2/3和3米行星图像中推导出农田的边界。从非常高分辨率(VHR)世界观图像中提取空间物体后，该方法使用高分辨率(HR)行星衍生的时间特征对作物田间对象进行识别，特别是关于夏季作物的土壤准备和收获阶段。利用参考多边形(平均面积0.4-1.0ha)对Destin在作物田边界划分中的性能进行了评价，并与基准异议提取方法进行了比较。

结果表明，世界观的集成和行星图像要求Destin产生准确识别作物的分类总体精度(OA)从94.98%到98.84%，这是显著改善单独使用世界观或行星图像与OA从12%增加到17%。两种方法都成功地描述了大多数作物田边界，但Destin产生的多边形比基准方法更干净，与田间边界的参考值更接近。Destin还在描述和参考之间产生了更好的一对一匹配（77%而不是54%）和更少的一对多匹配（1%而不是33%），这反映了不太容易发生过度分割。Destin方法不需要主观参数化，适用于土壤准备和收获阶段有双时间VHR图像和夏季作物生长高峰期有HR图像的地区。它利用从卫星、机载或无人机平台获得的VHR图像，在描绘小农农场系统中的农田边界方面具有巨大的潜力。

（传统方法）Extracting Agricultural Fields from Remote Sensing Imagery Using Graph-Based Growing Contours（Remote sensing）

摘要
许多应用都需要了解农业领域的位置和范围，包括农业统计、环境监测和行政政策。此外，许多映射应用程序，如基于对象的分类、作物类型区分或大规模产量预测，可以从田间的准确描述中显著获益。尽管如此，大多数现有的实地地图和观测系统都依赖于历史行政地图或劳动密集型的实地运动。这些维护往往成本昂贵，而且很快过时，特别是在农业模式经常变化的地区。然而，利用公开获得的遥感图像（例如，来自欧洲联盟的哥白尼方案）可以进行频繁和有效的实地测绘，以最少的人际互动。我们提出了一种在亚像素级提取农田的新方法。它包括边界检测和一个场多边形提取步骤，基于一个新开发的，改进版本的生长蛇活动轮廓模型，我们称之为基于图的生长轮廓。该技术能够提取农业景观中复杂的边界网络，并且在很大程度上是自动的，几乎不需要监督。整个检测和提取过程被设计为独立于传感器类型、分辨率或波长的工作。作为一个测试用例，我们将该方法应用于德国北部一个研究区域的两个感兴趣的区域，使用多时态哨兵-2图像。将提取的地块与地面参考数据进行了视觉和定量比较。该技术在边界位置和中位场大小和总面积等统计代理方面，在产生紧密匹配参考数据的多边形方面都是可靠的。

（深度学习）Deep learning on edge: extracting field boundaries from satellite images with a convolutional neural network(Remote sensing of environment)

https://github.com/feevos/resuneta

摘要

数字农业服务的应用往往要求农民或其顾问提供有关其现场边界的数字记录。从卫星图像中自动提取现场边界将减少对这些记录的手动输入的依赖，并将作为远程产品和服务提供的基础。当前场边界数据集的缺乏似乎表明对现有方法的使用率较低，可能是因为昂贵的图像预处理要求和局部的，通常是任意的，调优。在本文中，我们试图通过提出一种数据驱动的、鲁棒的、通用的方法来促进从卫星图像中提取场边界，并将该问题作为一个多任务语义分割问题来解决。我们使用单元，一个深度卷积神经网络，具有完全连接的主干，以扩展卷积和条件推理来识别：1）农田的范围；2）农田的边界；3）到最近边界的距离。通过要求该算法重建三个相关输出，模型性能及其推广可以大大提高。 接下来，可以通过对三个模型输出进行后处理来实现单个字段的实例分割，例如通过阈值分割或分水岭分割。 使用Sentinel-2的单个月复合图像作为输入，该模型在映射场范围、场边界以及因此单个场方面具有很高的精度。 用接近合成周期的单日期图像替换每月合成，略微降低了精度。 然后，我们在一系列实验中表明，在不重新校准的情况下，相同的模型在分辨率、传感器、空间和时间上都得到了很好的推广。 通过对整个季节获得的至少四幅图像的模型预测进行平均，建立共识是应对准确性的时间变化的关键。卷积网络能够从图像中学习复杂的分层上下文特征，以准确地检测场边界并丢弃无关边界，从而优于传统的边缘滤波器。 通过最小化过拟合和图像预处理需求，并通过用数据驱动的决策代替局部任意决策，我们的方法有望促进规模上单个作物田的提取。

论文的贡献

我们的首要目标是开发和评估一种方法，通过替换上下文特定的任意决策和最小化图像预处理工作负载来常规地按规模提取场边界。我们将该任务表述为全卷积神经网络的多任务语义分割问题，其中每个像素同时标注三个标签：1）属于农田的概率（范围掩码）；2）属于边界的概率（边界掩码）；3）到最近边界的距离（距离掩码）。我们使用具有完全连接单元结构的深度卷积神经网络，具有扩展卷积和条件推理；迪亚科吉尼斯等人，2019）提取场边界。由于神经网络可能会产生不连续的边界，我们还引入了两种后处理方法，利用其输出来生成封闭的边界和检索单个字段。换句话说，后处理方法是利用语义分割输出来实现实例分割的。

本文旨在测试该方法的性能和局限性，并为利用深度学习进行国家到全球场边界提取奠定蓝图。 正如本文所示，我们的方法在使用Sentinel-2的每月复合图像跨越我们在南非的主要站点时，提取了具有高主题和几何精度的场边界。 然后，我们进行了一系列实验，证明过度拟合是最小的，允许我们的卷积神经网络在一系列条件下应用，而不需要重新校准。 具体而言，它将好1)推广到接近合成期的单日期哨兵-2图像，2)推广到Landsat图像，3)推广到其他地点（阿根廷、澳大利亚、加拿大、俄罗斯、乌克兰的次要地点）和收购日期。 通过学习光谱和上下文信息，我们的深卷积神经网络丢弃了不属于场边界的边缘，并强调了那些边缘，提供了比传统方法更明显的优势。

2021

（传统方法）Development of a Parcel-Level Land Boundary ExtractionAlgorithm for Aerial Imagery of Regularly ArrangedAgricultural Areas

摘要

从遥感图像中提取物体的边界一直是研究领域的一个重要问题。农田边界提取的自动化尤其需要在韩国快速更新数字农场地图。本研究旨在通过系统地重建一系列计算和数学算法，包括Suzuki85算法、精明边缘检测和霍夫变换算法，开发一种边界提取算法。由于韩国大多数不规则的农田已经被合并成长方形的大型的农业生产力安排，两个相邻地块之间的边界被假定为一条直线。所开发的算法被应用于6个不同的研究地点，以评估其在边界水平和截面积水平上的性能。在边界层面上，提取的边界的正确性、完整性和质量分别约为80.7%、79.7%和67.0%，在区域层面上分别为89.7%、90.0%和81.6%。这些性能可与以往对类似主题的研究结果相比较；因此，该算法可用于地块边界提取。开发的算法倾向于根据地块特征细分，如温室结构或土地块内孤立的不规则地块。所开发的算法目前仅适用于规则排列的地块，进一步的研究结合决策树或人工智能可以从不规则形状的地块中提取边界。

（深度学习）Detect, Consolidate, Delineate: Scalable Mapping of Field Boundaries Using Satellite Images(Remote sensing)

code: https://github.com/waldnerf/decode

摘要
数字农业服务可以极大地帮助种植者监测他们的农田，并在整个生长季节优化他们的使用。因此，了解字场的确切位置及其边界是先决条件。与记录在地方议会或所有权记录中的财产边界不同，场地边界在历史上没有记录。因此，数字服务目前要求用户手动绘制他们的领域，这很耗时，并产生阻碍因素。在这里，我们提出了一种广义的方法，以下称为解码（检测、连续和离线），利用基于空间、光谱和时间线索的深度学习从卫星图像中自动提取准确的场边界数据。我们引入了一种新的卷积神经网络(FracTAL ResUNet)以及两个不确定性度量来表征场检测和场描述过程的置信度。最后，我们提出了一种新的比较和总结基于现场的精度指标的方法。为了证明我们的方法的性能和可伸缩性，我们提取了横跨澳大利亚颗粒区的场，基于像素的精度为0.87，基于场的精度取决于0.88。我们还根据来自南非而不是澳大利亚的数据训练了一个模型，发现它能很好地转移到看不见的澳大利亚景观中。结果表明，解码的准确性、可伸缩性和可转移性表明，基于深度学习的大规模场边界提取已经达到了操作成熟度。这为提供常规的、接近实时的基于实地的分析的新农业服务打开了大门。

论文的贡献

• 一种深度学习网络，分数重置，为卫星图像的语义分割任务定制。特别是，我们的架构是一个多任务编码器-解码器网络，具有与沃尔德纳和迪亚科吉尼斯[6]相同的主干结构。主要的区别是，我们用最新的分数ResNet构建块改变了无卷积的剩余构建块。FracTAL ResNet构建块最近被提出作为一个变化检测网络的一部分，该网络展示了最先进的性能[22]；
• 两个领域级的不确定性度量来表征语义（为像素分配标签）和实例（将像素分组）的不确定度；
• 一个报告和比较基于现场的精度指标的框架。

(传统方法)Improving Parcel-Level Mapping of Smallholder Crops from VHSR Imagery: An Ensemble Machine-Learning-Based Framework(Remoe Sensing)

摘要
明确小农场作物类型的空间信息对当地精准农业的发展具有重要意义。然而，由于高度碎片化的农田景观和异质性，基于低分辨率和中分辨率卫星图像和依赖单机器学习(ML)分类器对小农作物进行精细定位，通常无法达到令人满意的性能。本文开发了一个基于ml的集成框架，以提高来自非常高的空间分辨率(VHSR)图像的包裹级小农作物映射的精度。选择一个典型的被2图像覆盖的小农农业区来展示我们的方法。这种方法涉及到区分八种作物级农业用地利用类型的任务。为此，我们评估了6个广泛使用的单个ML分类器。我们通过独立实现装袋和堆叠集成学习(EL)技术，进一步提高了它们的性能。结果表明，套袋模型提高了不稳定分类器的性能，但这些改进效果有限。相比之下，堆叠模型的性能更好，堆叠#2模型(总体精度=83.91%，kappa=0.812)，它集成了三个性能最好的单个分类器，在所有构建的模型中性能最好，并提高了几乎所有土地利用类型的分类精度。由于分类性能可以在不增加昂贵的数据收集的情况下显著提高，因此堆叠-集成映射方法对复杂农业区域的空间管理具有重要价值。我们还证明，利用从VHSR图像中提取的几何和纹理特征可以提高包裹级小农作物制图的准确性。该所提出的框架显示了EL技术与VHSR图像相结合在准确定位小农作物方面的巨大潜力，这有助于以小农农业为主导的国家包裹级作物识别系统的发展。

（深度学习）Panoptic Segmentation of Satellite Image Time Series with Convolutional Temporal Attention Networks（ICCV）

code : https://github.com/VSainteuf/utae-paps
摘要
前所未有的多时态卫星图像为各种地球观测任务开辟了新的视角。其中，农业地块的像素精确全光分割具有重要的经济和环境意义。虽然研究人员已经对单个图像探索了这个问题，但我们认为作物物候学通过图像的时间序列可以更好地解决复杂的时间模式。在本文中，我们提出了第一个端到端、单阶段的卫星图像时间序列(SITS)的全景分割方法。该模块可以与我们依赖于时间自注意的新型图像序列编码网络相结合，提取出丰富的、自适应的多尺度时空特征。前所未有的多时态卫星图像为各种地球观测任务开辟了新的视角。其中，农业地块的像素精确全景分割具有重要的经济和环境意义。虽然研究人员已经对单个图像探索了这个问题，但我们认为作物物候学通过图像的时间序列可以更好地解决复杂的时间模式。在本文中，我们提出了第一个端到端、单阶段的卫星图像时间序列(SITS)的全景分割方法。该模块可以与我们依赖于时间自注意的新型图像序列编码网络相结合，提取出丰富的、自适应的多尺度时空特征。

（深度学习）地块尺度的山区耕地精准提取方法（农业工程学报）

山地丘陵区域耕地资源稀缺，耕地碎片化现象严重，耕地地块细小狭窄且结构复杂，导致了地块级别的耕地信息难以快速、精准获取，阻碍了基于高分辨率遥感影像的精准数字农业服务在山地丘陵地区的应用。现有基于边缘检测/语义分割的耕地提取方法忽略了地块的结构化特征，对于狭长地块提取效果不佳，存在边界模糊问题。针对上述问题，该研究以西南山区湖南省邵东县为研究区，提出一种面向地块尺度的山区耕地遥感影像高精度提取方法。该研究模型主要有以下特征：1）将耕地边缘作为独立于耕地地块外的新类别，使得语义分割能够更好地区分耕地地块边缘和内部区域；2）级联语义分割网络和边缘检测网络，实现耕地边缘线特征和面特征的融合，使耕地边缘特征强化，提高耕地地块边缘检测精度；3）针对高分影像中耕地边缘像素远少于耕地内部像素问题，借助聚焦训练方法，使模型在训练过程中更加关注边缘像素，提高边缘检测精度。试验结果证明，该研究提出的方法在测试集上分类准确率和交并比分别为92.91%和82.84%，相比基准方法分别提升4.28%和8.01%。该研究所提取的耕地地块相比于现有方法更符合耕地的实际分布形态，为地块尺度的耕地信息精准提取提供了实用化方法。

(深度学习)Attention Enhanced U-Net for Building Extraction from Farmland Based on Google and WorldView-2 Remote Sensing Images

摘要

高分辨率遥感图像包含丰富的建筑信息，为建筑物的提取提供了重要的数据源，对农田保护具有重要意义。但农田地面特征类型复杂，建筑物分散，可能被云或植被遮挡，导致现有方法提取精度低等问题。针对上述问题，本文提出了一种基于谷歌和WorldView-2遥感图像的注意力增强U-Net农田建筑提取方法。首先，采用Resnet单元作为U-Net网络编码部分的基础设施，然后在Resnet单元与最大池之间引入空间和信道注意机制模块，并添加多尺度融合模块来改进U-Net网络。其次，在WorldView-2和谷歌图像上发现的建筑是通过农田边界约束提取的。第三，对WorldView-2和谷歌图像的建筑提取结果进行边界优化和融合处理。第四，进行了一个案例实验。本文将该方法与FCN8、U-Net、Attention_UNet、DeepLabv3+等语义分割模型进行了比较。实验结果表明，该方法在农田建筑提取方面具有较高的准确率，准确率为97.47%，F1得分为85.61%，召回率（召回）为93.02%，联合交集(IoU）值为74.85%。因此，可以有效提取农业区内的建筑物，有利于农田的保护。

2022

（深度学习）The Winning Solution to the iFLYTEK Challenge 2021 Cultivated Land Extraction from High-Resolution Remote Sensing Image

code: https://github.com/zhaozhen2333/iFLYTEK2021.git

摘要： 从高分辨率远程图像中准确提取耕地是精准农业的基本任务。本报告介绍了我们对高科大讯飞2021高分辨率遥感图像提取耕地的解决方案。这一挑战需要在非常高分辨率的多光谱遥感图像中分割耕地对象。我们建立了一个高效、高效的管道来解决这个问题。我们首先将原始图像分割成小块，并分别对每个块进行实例分割。我们探索了几种在自然图像上工作良好的实例分割算法，并开发了一套适用于遥感图像的有效方法。然后，我们通过我们提出的重叠块融合策略，将所有小块的预测结果合并为无缝、连续的分割结果。我们在486支参赛队伍中获得了第一名。

An Object-Based Genetic Programming Approach for Cropland Field Extraction

摘要： 农田是农业管理的基本空间单位，其分布信息是分析农业投资和管理的关键。然而，由于小农农场农田的形状不规则，范围多样，是一项具有挑战性的任务。本文提出了一种新的基于对象的遗传规划(GP)方法来提取农田。该方法采用多分辨率分割(MRS)方法从极高分辨率(VHR)图像中获取目标，并提取光谱、形状和纹理特征作为GP的输入。然后利用GP自动进化出最优分类器，提取农田。结果表明，该方法在两个景观复杂的地区获得了较高的精度。进一步的分析表明，GP方法的性能显著优于五种常用的分类器，包括k-最近邻(KNN)、决策树(DT)、朴素贝叶斯(NB)、支持向量机(SVM)和随机森林(RF)。通过使用不同数量的训练样本，与其他分类器相比，GP可以对任何数量的样本保持较高的精度。

（深度学习）Delineation of agricultural fields using multi-task BsiNet from high-resolution satellite images

code: https://github.com/long123524/BsiNet-torch
摘要： 本文提出了一种新的多任务神经网络BsiNet，从高分辨率卫星图像中描绘农田。BsiNet从一个Psi-Net进行了改进，将三个并行解码器构造为一个单一的编码器，以提高计算效率。BsiNet学习三个任务：农业领域识别的核心任务和农田边界预测和距离估计的两个辅助任务，分别对应于掩模、边界和距离任务。采用了一个空间群级增强模块，以改进对小场的识别。我们对在中国新疆、福建、山东和四川各省采集的一张高分1号和3张高分2号卫星图像进行了实验，并将BsiNet与13种不同的神经网络进行了比较。结果表明，BsiNet提取的新疆农田的全局过分类（GOC）最低，为0.062，全局欠分类（GUC）为0.042，全球总误差（GTC）为0.062。对于具有不规则和复杂域的福建数据集，BsiNet优于新疆数据集分析的第二优方法，GTC最低，为0.291。在山东和四川的数据集上也取得了令人满意的结果。此外，与现有的多任务模型（即Psi-Net和ResUNet-a D7）相比，BsiNet的参数更少，计算速度更快。结果表明，BsiNet可以成功地从高分辨率卫星图像中提取农田，并可应用于不同的野外设置。

（深度学习）Improving field boundary delineation in ResUNets via adversarial deep learning

摘要： 经常需要实地边界数据来获得协助进行实地一级评估和监测的数字农业服务和工具。此外，决策者和研究人员需要实地边界，以准确评估粮食安全和对气候变化的影响。因此，卫星图像上可扩展和高效的自动场边界检测算法对许多利益相关者具有直接的、重要的影响。深度学习是近年来成功应用于现场边界检测的一种方法。然而，定性地说，这些边界经常被打破或畸形，因此需要依赖于通过试错获得的任意阈值的微调后处理方法。先前的工作已经探索了各种预测领域边界的架构，但除了传统的监督学习机制之外，几乎没有做过什么。因此，在这项工作中，我们提出了一种新的方法来改进现场边界预测使用一个对抗性训练框架。特别是，我们研究了在传统生成对抗网络（GAN）设置中训练ResUNet模型（一个标准的全卷积网络架构）作为生成器，对2017年伊利诺伊州30米分辨率卫星图像的影响。然后，我们探索了我们的方法是否可以转移到巴西的标签稀缺地区。总的来说，我们的研究结果显示，对抗性训练显著提高了边界质量和表现，但当转移到看不见的、低数据的农业景观时，影响较小。基于这些发现，我们得出结论，对抗性训练是提高预测时间边界质量的一种有前途的方法，我们提出了一些改进方法，可能使对抗性训练在迁移学习中更可行。

An Adaptive Image Segmentation Method with Automatic Selection of Optimal Scale for Extracting Cropland Parcels in Smallholder Farming Systems

摘要： 可靠的农田地块数据对于农业监测、产量估计和农业集约化评估至关重要。然而，与小农耕作系统相关的固有的高景观破碎化和不规则形状的农田限制了农田地块提取的准确性。在本研究中，我们提出了一种基于自动选择最优尺度（MSAOS）的自适应图像分割方法来提取异质性农业景观中的农田地块。MSAOS方法主要包括三个组成部分： (1)粗分割将整个图像分为均匀区域和异质区域，(2)基于平均局部方差函数的精细分割确定最优分割尺度，(3)区域合并对小面积的过分割的对象进行合并和溶解。将MSAOS衍生的潜在农田对象与随机森林相结合，生成最终的农田地块。MSAOS方法在中国不同的农业地区进行了评估，并通过从高空间分辨率图像中解释的基准农田地块进行了评估。结果表明，同质性和熵的纹理特征是MSAOS提取潜在农田地块的最重要特征，其可分性指数分别为0.28和0.26。MSAOS衍生的农田地块与奇春县8个地块的参考数据集具有较高的一致性，基于区域的分类评价（Fab）和基于对象的分割评价（Fob）的平均F1得分分别为0.839和0.779。对4个省份不同瓦片的MSAOS的进一步评价与8个试验瓦片的MSAOS的评价结果（Fab = 0.857和Fob = 0.775）相似，表明MSAOS在不同农业区具有良好的可转移性。此外，MSAOS在提取的农田地块的准确性和完整性方面优于其他广泛使用的方法。这些结果表明，在小农农业系统中，利用MSAOS进行图像分割和随机森林分类，有效地提取农田地块具有巨大的潜力。

（深度学习）Using Deep Learning and Very-High-Resolution Imagery to Map Smallholder Field Boundaries

摘要： 田间边界的测绘可以为提高全球农业系统的粮食生产和安全提供重要信息。遥感可以提供一种可行的方法来绘制大地理范围内的野外边界，但很少有研究使用卫星图像来绘制野外规模小、不均匀和形状不规则的系统中的边界。在这里，我们使用了非常高分辨率的WorldView-3卫星图像（0.5 m）和一个基于掩模区域的卷积神经网络（Mask R-CNN）来描绘印度东北部的小农场边界。我们发现，我们的模型总体上具有中等的精度，平均精度值大于0.67，F1分数大于0.72。我们还发现，我们的模型在应用于印度另一个在校准步骤中没有使用数据的站点时表现同样良好，这表明Mask R-CNN可能是一种按尺度绘制场边界的通用方法。我们的研究结果突出了Mask R-CNN和极高分辨率图像在小农系统中精确绘制视场边界的能力。

Agricultural Field Boundary Delineation with Satellite Image Segmentation for High-Resolution Crop Mapping: A Case Study of Rice Paddy

摘要： 地块级的农田图谱是作物产量估算、精确农业和许多其他农学应用的重要数据来源。在此，我们提出了一种将农田边界提取与精细分辨率卫星图像和像素级农田分类与哨兵-1时间序列SAR（合成孔径雷达）图像相结合的稻田制图方法。利用基于u-net的全卷积网络（FCN）模型进行图像分割，划定了农业领域的边界。同时，开发了一种基于水稻物候性状的简单决策树分类器，利用时间序列SAR图像提取水稻像素点。然后，根据像素级分类结果的多数投票，将农田划分为水稻和非水稻。评价表明，作为U-net模型的主干，SeresNet34在农田提取方面表现最好，与简单的Unet和resnet的U-net相比，与net的交集)为0.801。将农田作图与水稻像素检测模型相结合，在水稻作图的精度和分辨率方面有较好的提高。制作的稻田图的IoU值为0.953，像素级稻田图的用户精度和生产者精度分别为0.824和0.816。所提出的模型组合方案只需要一个简单的像素级农田分类模型，该模型结合了农田测绘结果，以产生高精度和高分辨率的农田地图。

（深度学习）Unlocking large-scale crop field delineation in smallholder farming systems with transfer learning and weak supervision

摘要： 农田边界有助于绘制作物类型，预测产量，并向农民提供田间规模的分析。近年来看到深度学习的成功应用描述领域边界在工业农业系统，但领域边界数据集仍然缺少小农系统由于(1)小领域，需要高分辨率卫星图像描绘和(2)缺乏地面标签模型训练和验证。在这项工作中，我们结合了迁移学习和薄弱的监督来克服这些挑战，我们证明了这些方法在印度的成功，在那里我们有效地生成了10,000个新的领域标签。我们最好的模型使用1.5米分辨率的空客SPOT图像作为输入，在法国现场边界预训练最先进的神经网络，并在印度标签上进行微调，实现Union（IoU）的中间位数为0.86。如果使用4.8m分辨率的行星镜图像，最好的模型的中值为0.72。实验还表明，当数据集很小时，在法国进行的预训练使达到给定性能水平所需的印度现场标签数量减少了20×。这些发现表明，我们的方法是一种可扩展的方法，用于描述目前世界上缺乏农田边界数据集的地区的农田。我们公开发布了10,000个标签和描述模型，以促进社区的现场边界地图和新方法的创建。

论文的贡献：

• 我们使用基于注意力的CNN [35]，然后进行分水岭分割来准确描述整个印度各地的现场实例（F1-score = 0.93，MCC = 0.65，中值IoU = 0.86）。空客图像比行星广域图像的性能更高。
• 我们表明，完全分割的标签对于训练cnn来描绘场是不必要的。通过掩盖图像中未标记的部分，我们成功地用部分标签来监督场的勾画。这减轻了在一个新的区域中描述字段时的标记负担。
• 在可以标记的字段总数为常数的情况下，我们发现在许多图像中标记一些字段比在少数图像中标记多个字段更好。
• 我们表明，在法国的卫星图像下匹配法国的场大小与印度的场大小，可以更好地将模型从法国转移到印度。即使在印度看不到任何领域，在降采样法国图像上训练的模型也可以很好地描绘印度的领域（f-f1分数= 0.88，MCC = 0.50，中值IoU = 0.68）。
• 当在印度的领域标签数量很少时，预先训练一个描绘法国领域的模型可以显著提高在印度的表现。换句话说，如果知识从法国转移过来，在印度需要更多20×的标签才能达到同样的性能
  
  

2023

（深度学习）Extraction of cropland field parcels with high resolution remote sensing using multi-task learning

code： https://github.com/SonwYang/SLP-cropland-parcel-extraction

摘要： 地块级农田信息包含丰富的空间分布和边界细节，对数字农业和农业资源调查至关重要。然而，高分辨率导致的特征的空间复杂性和异质性，使得人们难以快速准确地获取包裹级信息。此外，现有的方法没有充分考虑空间拓扑信息，特别是对于模糊的边界。在此，我们开发了一个多任务网络模型来提取地块级的农田信息。该模型由具有集成语义和边缘检测的级联多任务网络、具有固定边缘局部连通性的细化网络和集成融合模型组成。为了验证该模型的性能，在丹麦（欧洲）和重庆（亚洲）进行了两次典型测试，使用哨兵2（10米）和谷歌Earth（0.53米）提供的高分辨率遥感图像作为数据源。结果表明，我们提出的模型优于其他基线模型，并表现出更高的性能。本研究有望为未来新的全球农业信息管理系统的设计提供重要的支持。

(深度学习)A full resolution deep learning network for paddy rice mapping using Landsat data(ISPRS)

摘要：水稻是发展中国家最重要的粮食作物，全球超过一半的人口将其作为主食食用。及时准确地绘制水稻种植区域地图对于确保食品安全和评估其环境影响至关重要。深度学习在高分辨率遥感分类中表现良好；然而，由于缺乏高质量的训练数据集和陆地卫星数据的空间语义信息，基于深度学习和陆地卫星数据的水稻制图受到的关注较少。在本研究中，我们构建了第一个大规模的训练数据集和一个深度学习网络，名为全分辨率网络（FR-Net），基于Landsat 8 OLI数据进行水稻测绘。该像素级标注数据集由64个陆地卫星8个OLI场景组成，覆盖了中国东北地区的主要水稻生产地区。为了克服其他深度学习模型产生的粗分割边界，特别是对低分辨率陆地卫星数据的分割，提出了一种新的多分辨率融合单元（MRFU）来融合不同分辨率流，维护模型的高分辨率流。与其他模型相比，FR-Net的准确率最高，MCC为0.893，F1得分为0.898，特别是不同波段组合的结果表明，FR-Net在特征提取方面的性能优于其他模型。在不使用短波红外1和2等敏感波段的情况下，FR-Net的MCC略有下降4.14%，小于其他模型，如U-Net为8.51%，RS-Net为11.76%等。对比结果表明，在这些模型中，所提出的FR-Net具有最高的空间精度，可以为陆地卫星数据获得良好的边界，从而获得高质量的映射结果。对不同时间下的性能分析表明，FR-Net在生长阶段的开始或结束时表现较好，在小尺寸斑块或边界处出现遗漏或误报为主。总之，在分类中开发和使用深度学习时，应该更广泛地进行陆地卫星数据的低分辨率特征的研究。

Using a semantic edge-aware multi-task neural network to delineate agricultural parcels from remote sensing images

code: https://github.com/long123524/SEANet_torch

摘要：本文提出了一种语义边缘感知多任务神经网络（SEANet），在从遥感图像中描述农业包裹时获得封闭边界。它从遥感图像中提取封闭边界，改进了传统的语义分割方法，用于提取小的和不规则的农业包裹。SEANet集成了三个相关的任务：掩模预测、边缘预测和距离图估计。从这些任务中学习到的相关特征提高了网络的通用性。我们将边界提取作为一种边缘检测任务，在多个层次上提取丰富的语义边缘特征，以提高包裹轮廓的几何精度。此外，我们开发了一种新的多任务损失，考虑了不同任务的不确定性。我们对中国山东、新疆和四川的三张高分辨率高分2号图像以及来自丹麦和荷兰的两张中分辨率哨兵2号图像进行了实验。结果表明，与山东和丹麦数据集上现有的ResUNet、ResUNet-a、R2UNet和BsiNet方法相比，该方法获得了更好的农业地块布局，具有更高的属性和几何精度。该方法数据集的包裹的总提取误差分别为0.214、0.127、0.176、0.211和0.184。我们的方法还通过单一分割获得封闭边界，比现有的多任务网络具有优越性。我们表明，它可以应用于不同空间分辨率的图像的包裹轮廓。最后，我们在新疆数据集上训练的方法可以成功地转移到具有不同日期和景观的山东数据集上。同样，当我们从丹麦数据集转移到荷兰数据集时，我们也得到了令人满意的结果。我们认为，SEANet是一种精确、鲁棒的、可转移的方法，适用于不同的区域和不同的遥感图像。

地块栅格转地块矢量

参考https://py1995.blog.csdn.net/article/details/114652193

矢量栅格化

参考这篇博文。

相关数据集

1. LPIS丹麦耕地地块矢量数据集

链接：https://pan.baidu.com/s/1N7ETS_eCFuHjK_phU5mUCg
提取码：fz92

处理完成的数据集：下载链接。

2. 荷兰耕地地块数据集

标签，矢量格式，全国覆盖, 下载链接

法国P星 分辨率5m 全国覆盖， 下载链接

哨兵二号
分辨率10m，部分覆盖

Google earth
分辨率1.5m，部分覆盖，18-20年合成无云影像

3. 巴黎时序数据

PASTIS是一个基准数据集，用于从卫星时间序列中对农业地块进行全景和语义分割。 它包含2433个带有全景注释(每个像素的实例索引+语义标签)的法国大城市区域内的补丁。 每个patch是一个Sentinel-2多光谱图像时间序列。
链接：https://pan.baidu.com/s/1-ESbmr9_sYtOtcgqGiDXIw
提取码：0afl

4. 西南山区地块GoogleEarth数据集

影像0.53m分辨率 1000*1000pixel 38张。样例如下。

5.重庆地块GF2数据集

影像0.8m分辨率 1000*1000pixel 60张

6. 吉林一号数据集

JiLin-1图像数据集用于2021年科大讯飞高分辨率遥感图像提取耕地的挑战。 1.).每张图片都有四个波段：蓝色、绿色、红色和近红外波段。JiLin-1多光谱图像的空间分辨率为0.75-1.1M，但是它们的大小并不固定，像素在5000-18000之间。比赛被分为三轮比赛。初步阶段提供了15个原始数据作为测试集，第二轮阶段提供了18个原始数据。然而，在初步研究中，只提供了16张高分辨率图像作为训练集。