CT-HiffNet：基于轮廓-纹理层次特征融合网络的高分辨率遥感影像农田地块提取方法及其全球适用性验证

为解决高分辨率遥感影像中农田地块因时空差异导致的轮廓模糊和纹理特征不确定问题，研究人员开展了一项基于轮廓-纹理层次特征融合网络（CT-HiffNet）的农田地块提取研究。该研究通过集成注意力与引导机制、深度残差收缩块和层次信息融合解码器，显著提升了提取精度。实验表明，CT-HiffNet在中国四类农业景观区域总体精度超过80%，在全球六类验证区域精度和召回率分别超过84%和86.5%，模型具备强迁移性和泛化能力，为智慧农业提供了可靠的技术支撑。

　　

随着全球人口持续增长和粮食安全问题的日益突出，精准掌握农田地块的分布信息对农业集约化、机械化水平评估和作物种植结构优化至关重要。传统人工遥感解译方法效率低下且成本高昂，而现有的自动化方法如边缘检测和区域分割在面对复杂农业景观时，往往受限于参数敏感性和特征表达能力，难以准确捕捉破碎化农田的边界细节。特别是高分辨率影像中普遍存在的同物异谱和异物同谱现象，更使得农田地块提取面临边界模糊、内部空洞和相邻地块粘连等挑战。

在此背景下，研究人员在《Computers and Electronics in Agriculture》发表论文，提出了一种名为CT-HiffNet（Contour-Texture Hierarchical Feature Fusion Network）的创新模型，通过融合轮廓与纹理特征，结合深度残差收缩机制和层次信息交互策略，实现了对高分辨率遥感影像中农田地块的高精度提取。该研究不仅在中国四大典型农业区（湖北、重庆、山东、吉林）开展了系统验证，还首次在全球六大洲区域（涵盖丹麦、荷兰、南非、美国、智利和澳大利亚）进行了泛化性测试，充分证明了模型的鲁棒性和适用性。

研究采用Encoder-Decoder主干框架，核心创新包括：1）设计轮廓-纹理注意力模块（CTA-Module）和轮廓-纹理引导模块（CTG-Module），分别从高层语义特征和底层细节中提取并强化边界与纹理特征表达；2）引入深度残差收缩块（DRS-Block）抑制特征冗余和噪声干扰；3）构建层次信息融合解码器（HIF-Module）增强多尺度特征交互，减少上采样过程中的信息损失。模型输入为GF-2卫星影像及人工标注的真实地块边界与纹理标签，通过Canny边缘检测和图像方差计算生成轮廓-纹理融合数据。损失函数结合Dice Loss（针对轮廓-纹理特征）和加权交叉熵与IoU损失（针对地块范围），采用Adam优化器进行端到端训练。

4.1 中国区域农田地块提取结果

4.1.1 定性评价

在湖北当阳、重庆南川、山东德州和吉林榆树等区域，CT-HiffNet均表现出优异的视觉提取效果。尤其在地形复杂的梯田区域（重庆）和边界模糊的东北平原区域（吉林），模型仍能准确捕捉不规则和小面积地块的完整轮廓，且几乎无内部空洞和粘连现象。

4.1.2 定量评价

四区域整体精度（OA）均超80%，其中山东精度最高（OA=88.17%），吉林和重庆因地形和积雪影响略低（80.25%和81.69%）。全局过分类误差（GOC）、欠分类误差（GUC）和总分类误差（GTC）均低于0.21，表明模型在错分和漏分控制上表现优异。

4.1.3 与其他方法对比

与UNet、R2UNet、ResUNet-a、BsiNet、SEANet及SAM等模型相比，CT-HiffNet在OA、Miou、Precision和Recall上全面领先。例如较第二优的SEANet，OA提升2.71%，Recall提升5.06%。误差分布图显示，CT-HiffNet的误提取和漏提取区域显著减少，边界对齐度最高。

4.2 在AI4Boundaries数据集上的性能

使用荷兰区域1米分辨率正射影像测试，CT-HiffNet的OA达83.04%，较SEANet提升0.3%，较SAM提升9.57%。模型在规则地块和复杂纹理区域均保持高一致性，验证了其对公开数据的强适应性。

4.3 泛化性与迁移性评估

在全球六区域（T1-T6）测试中，CT-HiffNet的Precision和Recall均超过84%和86.5%，OA最低为76.73%（丹麦，Sentinel-2影像），最高达86.84%（南非）。模型在不同传感器（GF-2、Sentinel-2、Google Earth）和分辨率（1-10米）下均表现稳定，凸显其强大的跨区域迁移能力。

研究通过消融实验验证了轮廓-纹理模块的核心作用：去除该模块后，OA下降3.98%，GUC上升0.1071。注意力热图显示，加入该模块后模型对边界的关注显著增强。输入层选择实验表明，使用DRS-Block的前三层特征输入CTA模块效果最优。

时间敏感性测试显示，模型对吉林地区5月、7月、10月和11月影像的OA均高于70%，但在11月积雪覆盖时精度有所下降（OA=71.41%），表明极端天气仍对提取效果产生一定影响。样本尺寸实验发现512×512像素为最优输入大小，过小或过大均会导致特征表达不足或计算冗余。

CT-HiffNet通过创新性地融合轮廓与纹理特征，结合多尺度学习和冗余抑制机制，实现了高分辨率遥感影像中农田地块的高精度、鲁棒性提取。其在中国及全球多样农业景观中的优异表现，证明了模型对复杂种植结构、多变传感器和时空差异的强大适应能力。研究不仅为智慧农业提供了可靠的自动化工具，也为遥感图像分割领域提供了新的特征融合范式。未来工作可进一步优化模型计算效率，并探索时序特征嵌入以提升在极端条件下的稳定性。