近期，中国农业科学院等单位的研究团队在《Computers and Electronics in Agriculture》发表重要研究成果“Achieving precise cropland parcel extraction from remote sensing images through integration of segment anything model and adaptive mask refinement”，提出一种 SAM（Segment Anything Model）与自适应掩膜精化相结合的创新框架，在低监督条件下实现高精度、强泛化、大区域农田智能解译。
研究团队研究团队设计了自适应掩膜精化策略，由三个模块协同工作：
📍模块一：自适应提示点模块
核心思路：用超像素（SLIC）替代均匀网格采样。
|
|
|
|
|---|---|---|
|
|
|
减少15% |
|
|
|
提升30% |
|
|
|
降低13% |
将影像分割为均质超像素，在每个超像素内部选择距边界最远的像素作为提示点，确保点位于田块正中央，有效避免边界伪影。
📍模块二：重叠过滤模块
核心思路： 三轮迭代消除冗余掩膜。
第1轮：消除大部分过分割伪影
第2轮：提升勾画精度，减少残余误差
第3轮：解决遗漏地块
经三轮迭代精化，正确提取地块数量增加15%，移除重叠掩膜后提取结果与真实情况高度吻合。
📍模块三：重叠过滤模块
核心思路： 50%切片重叠 + 拓扑一致性融合。
相邻切片设置50%重叠区域
区分"内部地块"与"边界地块"
基于稳定性分数优先保留高质量地块
有效解决大范围制图中的边界断裂问题，确保农田地块的完整、连贯勾画。
研究选取了来自中国、美国、南非的7个代表性区域进行验证，覆盖了从大型规则地块到高度碎片化景观的各类情形。
🏆 与主流方法对比（铁岭区域）
使用铁岭GF-2图像通过不同方法对耕地地块提取的准确率评估
📈 消融实验
🔑 关键发现
1️⃣ 季节选择很重要
播种期提取精度最高！此时植被稀疏，田块边界清晰可见（周口播种期IoU高达0.981）。
2️⃣ 分辨率适应性强
方法在 0.11 m ~ 10 m 的宽泛分辨率范围内均表现良好：
3️⃣ 规则地块 vs 碎片化景观
大型规则地块（如新疆昌吉）：精确率0.941，IoU 0.928
碎片化景观（如广东清远）：精确率0.908，IoU 0.879
即使在最具挑战性的碎片化区域，方法仍保持令人满意的精度
本研究将 SAM 与农田空间结构先验深度融合，实现低标注、高精度、高效率农田地块提取，可为耕地调查、农田整治、作物估产、农业保险、跨境粮食监测提供核心技术支撑，显著降低遥感解译成本，推动大模型在耕地管理与智慧农业中工程化落地。
论文地址：https://doi.org/10.1016/j.compag.2025.111347
