《Remote Sensing Applications: Society and Environment》：Agricultural Parcel Delineation for the Senegal River Valley: A UNet Segmentation Based High-Resolution Approach
编辑推荐：
农业地块的精确 delineation 对于实现可持续集约化以及支持有效的土地利用和粮食安全管理至关重要。然而，在非洲萨赫勒地区（包括塞内加尔河流域（SRV）），数据稀缺仍然是一个主要制约因素，一致的高分辨率田块信息在很大程度上无法获取。为填补这一空白，研究人
农业地块的精确 delineation 对于实现可持续集约化以及支持有效的土地利用和粮食安全管理至关重要。然而，在非洲萨赫勒地区（包括塞内加尔河流域（SRV）），数据稀缺仍然是一个主要制约因素，一致的高分辨率田块信息在很大程度上无法获取。为填补这一空白，研究人员提出了一种可扩展的遥感田块单元 delineation 工作流，该工作流将多尺度、深度监督的 HED-UNet 田块概率估计与基于混合分水岭的对象重建相结合。该工作流整合了具有地理代表性的参考数据、逐像元田块概率估计以及混合种子分水岭分割（hybrid-seed watershed segmentation），将连续概率图转换为空间连贯的、地理参考的田块对象。其各组件通过与 U-Net 和 HED-UNet 基线的比较、基于条件随机场（CRF）的备用种子消融实验以及关键分水岭参数的敏感性分析进行评估。该框架应用于免费获取的挪威国际气候与森林倡议（NICFI）PlanetScope 镶嵌影像（2017–2025），从而能够推导出区域尺度农业监测的最大观测田块范围的连贯表示。在所有评估瓦片中，模型实现了全局 IoU 为 0.80、F1 分数为 0.89、精确率为 0.84、召回率为 0.94，而重建的田块单元实现了对象 IoU 为 0.46。较低的边界分数（0.51–0.67）主要由灌溉–湿地界面的光谱复杂性以及以狭窄和异质田块结构为特征的小农破碎化景观所驱动，这些因素对精确边界定位构成了挑战。应用于整个 SRV，该框架能够生成首个完全源自免费卫星数据的 4.77 m 分辨率全覆盖农业地块数据集，为小农系统中的田块农业监测提供了一致的空间参考层。
研究背景方面，农业地块是农业活动组织和管理的基本空间单元，其精确 delineation 对于分析粮食安全、土地利用动态与环境可持续性之间的复杂相互作用至关重要。田块分割图是资源管理、作物制图、产量估计和可持续农业规划等广泛业务和分析应用的结构基础。然而，在许多国家，特别是以小农系统为主的国家，田块地块数据集仍然缺失。这些景观通常以面积小（不足1–2公顷）、几何形状不规则、动态变化为特征，管理实践异质，田块内树木频繁出现。传统的地块 delineation 依赖人工数字化或基于光谱阈值和植被指数的规则图像处理方法，这些方法在异质农业景观中往往表现不佳。随着甚高分辨率卫星影像的可用性和计算模型的进步，农业地块与边界 delineation（APBD）已日益转向数据驱动方法，尤其是卷积神经网络（CNN）和基于 U-Net 的模型。然而，像素级预测的准确性并不保证几何一致、可直接用于 GIS 的地块对象。将连续像素级预测转换为单个空间连贯的田块单元需要额外的重建步骤。现有研究采用多种策略，包括连通分量分析、基于分水岭的分组、基于图的方法和直接向量预测，但重建程序及其参数化在不同研究中差异很大，其对最终田块对象的影响未必能仅通过像素级分割指标反映。在 SRV 等半干旱地区，小块不规则田块、多样管理实践和田块间弱光谱对比形成了空间异质镶嵌，尽管大规模 APBD 取得了进展，但该区域全面的田块单元信息仍然有限。这一空白推动了本研究的开展：为整个跨境流域提供一致的单块农田单元遥感 delineation，生成区域田块单元数据集，为后续农业监测和分析提供空间参考层。
研究人员开发并评估了一种可扩展的 SRV 田块单元 delineation 工作流，该工作流将使用 HED-UNet 的多尺度深度监督田块概率估计与基于混合分水岭的对象重建相结合。工作流包含三个主要组成部分：（i）通过人工 delineation 构建具有地理代表性的参考数据；（ii）使用 HED-UNet 进行多尺度田块概率估计；（iii）混合分水岭重建，利用 CNN 导出的种子和 CRF 导出的备用种子将连续概率图转换为空间不相交的地理参考田块对象。通过互补实验检验工作流各组件的贡献：与标准 U-Net 的比较评估 HED-UNet 架构的效果，CRF 备用种子组件的消融评估其对对象重建的贡献，敏感性分析评估关键分水岭参数对最终田块对象的影响。性能评估使用基于像素的指标（IoU、F1 分数）、对象级一致性（对象 IoU）以及使用二分图匹配（BGM）的边界一致性。该工作流应用于 NICFI PlanetScope 镶嵌影像，空间分辨率为 4.77 m，以生成据研究人员所知首个 SRV 全覆盖遥感农田单元数据集。研究覆盖塞内加尔圣路易斯地区下 SRV 的主要农业走廊，包括圣路易斯、达加纳、波多尔省以及马塔姆地区的部分地区，并延伸跨越国际边界进入毛里塔尼亚的特拉尔扎、戈尔戈尔和布拉夸地区。所得数据集代表 2017–2025 年期间观测到的最大活跃农业田块范围，为该跨境小农景观的农业监测提供了一致的空间参考层。为保持生态和主题完整性，使用基于拉姆萨尔（RAMSAR）的掩膜排除永久淹没的湿地，以减少系统性误分类。
在关键技术方法方面，研究人员使用了以下主要方法：（1）基于 NICFI PlanetScope 镶嵌影像（2017–2025），采用最大值归一化差异植被指数（maxNDVI）合成五波段影像（蓝、绿、红、近红外和 maxNDVI），代表观测期内最大植被空间范围；（2）在四个样本区域（A–D）进行人工田块边界 delineation，共数字化 5,467 个田块多边形，另设五个空间独立区域（a–e）共 644 个田块专用于测试；（3）采用 HED-UNet 架构进行田块分割，该架构在 U-Net 编码器–解码器拓扑基础上，于每个编码阶段附加侧输出预测头，实现多尺度深度监督，训练使用二元交叉熵和 Dice 损失的组合，侧输出权重为 0.5，最终解码器输出权重为 1.0，融合输出权重为 1.5；（4）采用混合种子分水岭分割进行后处理，以概率图局部极大值为主种子，以全连接 CRF 均值场推断（18 次迭代）导出的候选为备用种子，最小种子概率为 60，最小种子距离为 70 像素，相似性阈值为 4，最小分段大小为 100 像素；（5）使用基于像素的 IoU、精确率、召回率和 F1 分数，对象级对象 IoU（通过参考到预测的贪婪分配计算），以及基于 BGM 的边界精度评估（容差 d
max = 4 像素，约 20 m）进行精度评价。样本队列来源为研究区域内人工 delineation 的参考数据集。
研究结果方面，5.1 消融研究与基线比较：消融分析比较了基线 U-Net、HED-UNet、CRF 消融以及完整工作流（HED-UNet 加分水岭后处理）。HED-UNet 取得了最高的像素级性能，相对于基线 U-Net，IoU 从 0.69 提高到 0.79，F1 分数从 0.82 提高到 0.89，这一改进主要由召回率的大幅提高（0.78 到 0.95）所驱动，表明田块区域的检测更完整。完整工作流显示出相似的像素级性能（IoU = 0.80，F1 = 0.89）。然而，对象级评估揭示，像素级一致性的提高并未直接转化为更好的地块 delineation。尽管 HED-UNet 产生了更准确的概率图，但其对象 IoU 从 0.25 降至 0.19，表明连通田块对象仍然分离不佳。引入基于分水岭的后处理改善了对象 delineation，将对象 IoU 提高到 0.44，主要改善了实例分离和对象完整性。边界评估呈现类似趋势，边界 F1 从 U-Net 的 0.46 提高到 HED-UNet 的 0.50，再到完整工作流的 0.58，主要通过提高边界精确率（分别为 0.40、0.52 和 0.53）实现。基于 CRF 的备用种子在几乎所有指标上改善了工作流。边界 F1 在 d
max 值为 1、2 和 4 像素时分别为 0.29、0.42 和 0.58，随容差增加而增加反映了边界匹配对小位置差异的敏感性。
5.2 田块分段：所提出的分割方法生成了 SRV 全境 4.77 m 空间分辨率的农业田块分段空间显式数据集。据研究人员所知，这代表了首个在该空间细节水平上覆盖 SRV 的田块地块数据集。制图区域东西延伸约 300 km，南北约 100 km，包含约 26,000 个独立田块单元，代表 2017–2025 年间观测到的最大耕种范围。对人工 delineation 参考数据的定量像素级评估得出全局 IoU 为 0.80，F1 分数为 0.89，精确率为 0.84，召回率为 0.94。这些值表明大多数农业地块被正确识别，遗漏田块相对较少。高召回率表明大多数农业地块在广泛的田块配置中成功识别，而相对较低的精确率反映了在边界对比弱的区域分离相邻单元的挑战。分割捕获了广泛的田块几何形状，从灌溉方案中较结构化和局部规则的 parcel 布局到圆形中心枢轴系统和高度异质的不规则小农田块。与高分辨率影像的视觉比较进一步表明，提取的边界与灌溉基础设施和田块边缘密切对齐，尤其是在下游河谷。分割误差呈现与景观异质性相关的空间模式。欠分割最常发生在相邻田块间光谱对比弱的密集耕种区域，导致邻近地块合并。过分割在植被覆盖异质的区域更为常见。在湿地环境和包含极小或不规则田块结构的区域观察到额外局限性，部分边界未被一致检测。
5.3 面积统计：使用 400 m 六边形聚合网格进一步检查农业土地利用和人口分布。农业覆盖高值集中在塞内加尔河走廊沿线，特别是在三角洲和下游河谷，灌溉生产占据景观的很大份额。农业强度随距河流距离增加而下降，向上游河谷和邻近高地地区变得更加破碎。人口分布遵循类似的沿河谷延伸模式，三角洲和沿河谷走廊分布的定居点密度较高。值得注意的是，人口密度较高的区域经常出现在最密集耕种区的边缘而非直接位于其中，形成毗邻农业洪泛平原的线性定居模式。这一空间布局大致对应于研究区描述景观结构，灌溉生产集中在冲积平原 waalo，而定居点更常见于 falo 和 jeeri 区域的略高阶地和高地。全区共检测到 248,045 ha 农业用地，其中塞内加尔 146,116 ha，毛里塔尼亚 101,929 ha。塞内加尔达加纳占最大份额（87,723 ha），其次是波多尔（37,127 ha），毛里塔尼亚最大集中区在 Keur-Macène、R'Kiz 和 Rosso，合计约占该国制图农业面积的 80%。制图田块单元面积中位数为 7.01 ha。
在评估部分，基于田块和基于边界的评估使用人工 delineation 评估瓦片进行。模型性能在五个评估瓦片间适度变化。像素级 IoU 值范围从瓦片 a 的 0.73 到瓦片 c 的 0.88，F1 分数在 0.85 至 0.94 之间。精确率值在瓦片间表现出更强变异性，反映景观结构和田块密度差异，而召回率保持持续高位（0.89–0.94），表明大多数农业地块被成功检测。最低 IoU 和精确率出现在瓦片 a，该瓦片代表较大评估区域之一，跨越河流两岸，包括密集耕种灌溉方案以及农业用地、湿地和北岸异质景观结构之间的过渡带。相比之下，瓦片 b 和 c 取得高分，反映边界明确的区域，而瓦片 e 代表仅包含少量破碎田块的区域，其中大多数仍被正确 delineation。瓦片 e 的 0.96 精度因大量真阴性而被夸大。汇总所有评估瓦片，模型实现全局 IoU 为 0.80，精确率 0.84，召回率 0.94，F1 分数 0.89，总体像素精度 0.88。基于边界的评估显示五个评估瓦片间中等且可变的性能，反映田块密度、田块大小和景观异质性对边缘检测的影响。预测边界与参考边界之间的边缘一致性差异显著，F1 分数从瓦片 e 的 0.51（包含典型破碎小农田块的密集小田块）到瓦片 c 的 0.67（对应灌溉方案中更规则的中等田块）。与像素级分割指标相比，较低的边界 F1 反映了基于边缘评估的更严格性质，其中小位置偏移、破碎检测和合并的相邻地块直接降低边缘对应性，尽管区域重叠很高。精确率值在瓦片间也显著不同，从瓦片 d 的 0.42 到瓦片 b 的 0.65，突出表明具有更清晰、更均匀边界的瓦片（如大规模灌溉地块）比相邻田块间光谱对比弱的区域分割更准确。所有瓦片中召回率普遍高于精确率，因为检测到的边缘元素数量在每个瓦片中都超过参考边缘元素数量。这种过度检测在瓦片 d 和 e 中最为明显。在所有评估瓦片中，模型实现了平均边界 F1 分数 0.58，表明虽然相当比例的参考边界被捕获，但位置偏差和沿地块边缘的破碎检测仍然是限制因素。与 FTW 产品的比较显示，FTW 在视觉上捕获了细粒度田块元素，但代价是显著更高的假阳性率：田块实例在非农业区域被 delineation，小而破碎的实例经常被合并而非清晰分离。相比之下，本研究产品 delineation 更大、更连续的田块单元。相对于训练输入和 Planet 镶嵌影像中视觉可辨别的对象，本研究产品遵循更清晰、更一致的边界线，尽管未解析最小的自耕农田块单元。这些定性观察得到像素级、对象级和边界级指标定量一致性分析的支持，一致显示本研究产品优于 FTW，但边界级召回率除外，FTW 过度预测田块边缘的倾向以精确率为代价产生更高的召回率。
讨论部分总结：分割方法在 SRV 灌溉方案中表现良好，特别是在三角洲和中部河谷更结构化的农业景观中。分水岭参数经过测试以捕获这些区域典型的相对规则田块几何形状，同时允许检测上游 SRV 更小和更破碎的单元。然而，在高度破碎的农业区域和光谱模糊强的环境中，特别是湿地等过渡景观，仍然存在局限性。主要局限性来自（i）静态镶嵌表示，（ii）PlanetScope 影像相对于甚高分辨率观测的空间分辨率，以及（iii）灌溉田块与湿地植被之间的光谱模糊性。这些挑战是小农主导农业系统的特征，其中不规则地块几何形状和弱物理边界使自动 delineation 复杂化。边界不确定性对分割误差有贡献。在某些情况下，田块边界不完整或可见性差，或田埂和灌溉渠道部分被植被覆盖，因此边界可能不形成闭合轮廓，导致地块合并或分离不完全。由于分割依赖基于 maxNDVI 的镶嵌影像，与周围作物植被或光谱相似的边界在静态合成中难以区分。此外，使用八年最大值 NDVI 合成引入了语义模糊性，因为 delineation 的单元代表合成期内观测到的最大耕种范围，而非单一生长季的田块地块。因此，单个分段可能包含不同年份耕种的区域，其中田块边界随时间变化。然而，SRV 大部分灌溉景观由相对持久的基础设施（包括运河、道路和堤坝）构成，提供了稳定的空间约束，有助于在时间变异中保持许多田块边界的 delineation。时间不一致也导致误差：Google 混合底图中的高分辨率影像显示 PlanetScope 镶嵌中不可见的昔日田块结构，表明这些地块在 2017–2025 合成期内不活跃。尽管如此，废弃地块可能仍包含杂草或灌木，可能破坏光谱连续性并偶尔干扰田块 delineation。这些因素，加上农业田块与邻近湿地之间的光谱混淆，降低了极小地块的可分离性，并可能导致多个田块聚合成更大单元。因此，田块面积中位数不是该数据集中农业空间模式的可靠描述符。为捕获这些空间模式，农业面积被聚合为六边形单元，每个单元内农业面积比例被用作主要指标，因为它更适当地代表农业强度的空间变异。六边形聚合揭示了河谷明显的西–东梯度，西部 SRV 在毛里塔尼亚和塞内加尔两侧均有更大和更集中的农业区域。灌溉农业主要沿河流走廊集中在 waalo 和 falo 区域，而农业强度向更高的 jeeri 地区递减。定居点倾向于沿河流形成线性带，导致农田经常占据河流与主要定居区之间的中间空间。这些空间模式与定居动态和潜在社会经济梯度密切相关。SRV 的定居点主要位于防洪安全区域，通常位于略高地形，反映了最小化洪水风险与保持靠近耕地和水资源之间的权衡。虽然低洼洪泛平原（waalo 和 falo 区域）的冲积土壤通常更适合农业，但由于季节性淹没而不利于永久定居。因此，农田经常占据河流毗邻洪泛平原与定居区之间的过渡带。农业沿河流走廊的强烈聚集进一步反映了灌溉基础设施相关的高资本和劳动力需求。运河、水泵和水管理系统需要初始投资和持续维护，这激励农业在水资源获取最可靠和运输距离最小的区域空间集中。观察到的农业强度西–东梯度，在塞内加尔侧尤为明显，可能反映河谷潜在的社会经济差异。西部地区通常更好地连接主要运输走廊和市场中心，如圣路易斯市和达喀尔，可促进投入品、劳动力、服务和商业化机会的获取。相比之下，更东部地区相对偏远，可能制约农业集约化。虽然这些关系在本研究中未明确量化，但它们为观察到的空间模式提供了合理解释背景。PlanetScope 镶嵌影像的空间分辨率（4.77 m）使整个 SRV 的一致覆盖成为可能，但限制了对最小地块单元的检测。这凸显了大面积地块制图中空间分辨率与区域覆盖之间的基本权衡。与其它研究相比，所提方法在田块范围方面具有竞争力，但在边界精度方面较为温和，这与小农灌溉系统的复杂性一致。汇总所有评估瓦片，模型实现 IoU 为 0.80，F1 分数为 0.89（精确率 0.84，召回率 0.94，总体精度 0.88）。这些值略低于 Zhang 等（2025）使用 0.8 m 高分二号影像和 D-LinkNet 架构在山区农业景观中报告的 IoU > 0.80 和 F1 ≈ 0.92，后者受益于更高空间分辨率。类似地，Waldner 等（2021）在澳大利亚大规模机械化粮食生产系统中使用 Sentinel-2 数据报告像素级精度 0.87 和田块级精度高达 0.88，其中田块比 SRV 更大更规则。近期全球田块边界制图努力也凸显了跨对比农业系统转移分割模型的挑战。Robinson 等（2026）开发了全球 10 m Sentinel-2 基于 U-Net 的产品，在大而规则的田块中取得高性能，但在小农景观中显示几何保真度降低和过度破碎化。这些局限与粗空间分辨率、异质环境和训练数据中小农系统代表性不足有关，强调区域适应方法的持续相关性。相比之下，Persello 等（2019）使用 0.5 m WorldView 影像和专用边界检测框架在尼日利亚和马里小农系统中实现边界 F1 分数高于 0.7。因此，此处观察到的较低边界分数（0.51–0.67）在粗影像、灌溉–湿地界面的光谱复杂性以及边界作为语义分割模型的次要输出而非主要优化目标推导的事实下是合理的。尽管 HED-UNet 融合了多尺度特征监督，结果表明仅靠架构不足以解决 SRV 中的田块边界问题。边界精度仍受影像分辨率和景观复杂性制约，凸显了后续分水岭步骤对改善对象级 delineation 的重要性。制图农业范围应在像素级分类不确定性背景下解释。全局精确率为 0.84，约 16% 被分类为农业的像素为假阳性，表明面积统计可能包含一些 commission error。尽管存在这些局限，所得数据集为 SRV 全境农业田块对象提供了稳定且空间一致的表示。如引言所强调，农业地块是农业活动组织和分析的基本空间单元。在本研究中，所得对象因此被称为田块单元而非田块地块，反映了单个田块边界 delineation 中剩余的不确定性。所得田块单元大小分布进一步支持这一区分。制图田块单元大小中位数为 7.01 ha，远大于 SRV 报告的田块地块大小，包括中部河谷中位数 0.59 ha 和三角洲 2.43 ha（Mathieu et al., 2024）。因此，本研究的主要贡献在于证明使用高分辨率卫星镶嵌影像在异质灌溉小农系统中进行区域尺度田块单元 delineation 是可行的，同时在数据稀缺地区利用（以前）免费获取的影像实现此类分析而无需昂贵的数据采集。这种静态田块层可作为下游分析的基础数据集，包括种植强度估计、产量监测、用水评估和农业规划。在 SRV 等数据稀缺地区，此类空间基线可支持从土地利用规划者和地方行政机构到金融机构、保险提供商和农业供应链等利益相关者的决策，最终有助于改善农业管理和区域粮食安全。田块单元与更精确的单个田块地块之间的剩余差距不仅反映分割架构，还反映输入数据和参考标签的时空特征。八年 maxNDVI 合成提供了耕种景观的一致表示，但整合多年观测可能合并或遮蔽小而时间可变的田块边界。这与当前模型的观察性能和人工推导 Planet maxNDVI 训练标签的空间细节一致。因此，更详细的田块地块 delineation 可能通过结合多个季节 PlanetScope 合成（例如每年两到四个合成）与从高分辨率底图（如 Google Hybrid）导出的更精细分辨率训练标签来实现。季节观测可提供被单一合成中植被或光谱相似性遮蔽的边界的互补信息，而更精细分辨率标签可提供对小田块结构的更精确监督。这些输入合在一起可实现更精细的边界 delineation，使所得对象更接近单个田块地块。然而，这一预期仍是前瞻性的，因为本研究中使用的 PlanetScope 数据在以前免费获取条件下已不再对作者可用。补充材料 S4 中呈现的敏感性分析进一步表明，所选分水岭参数影响单个分段的分离，表明后处理也有助于可达到的对象级 delineation。农业地块 delineation 的未来发展可能侧重于整合时间信息和更高分辨率观测以克服静态影像的局限性。破碎景观中分段低估仍然是严重限制地块产品可用性的常见问题，特别是在边界微妙或部分被遮蔽的小农系统中。广泛提出的策略是纳入多期遥感数据，可揭示相邻田块间的物候差异并改善整个生长季的地块可分离性。动态图像序列的整合，可能与 SAR 或甚高分辨率光学影像等多源数据结合，可能因此增强异质农业环境中的边界检测和实例级分割。虽然模型本身因在河流沿岸半干旱系统上训练且依赖不再免费获取的 PlanetScope 影像而具有区域专门性，但所得地块产品仍可作为可比农业生态区域后续工作或建模努力的宝贵输入。未来研究可能侧重于通过多分辨率数据融合和能够在多样农业系统中运行的转移学习框架来平衡空间和光谱分辨率与覆盖之间的权衡。除方法学改进外，诸如本文呈现的空间一致地块数据集为地块级农业监测提供了必要基础，使从作物类型分类和产量估计到灌溉管理和区域粮食安全评估的应用成为可能。
结论部分翻译：本研究使用 NICFI PlanetScope 镶嵌影像和具有多尺度深度监督的 HED-UNet 框架，结合结构化后处理和基于对象的评估，在 SRV 全境分割了高质量农业田块对象。该方法实现了小农景观中一致的大规模农业田块单元 delineation。结果突出表明，尽管近期方法学取得了进展，将概率模型输出转换为离散田块对象仍然是一个关键挑战，本研究通过结构化可扩展方法直接针对这一问题。与甚高分辨率研究相比，该方法在光谱模糊或高度异质区域倾向于低估地块破碎化。这一局限被使用免费数据在 4.77 m 分辨率下实现全覆盖的能力所抵消，为西非这一数据稀缺地区提供了首个一致的区域尺度田块单元 delineation。虽然缺乏时间信息限制了对季节性可变边界的检测，但在基础设施相对稳定的灌溉系统中这一效应可能适中。使用 maxNDVI 镶嵌进一步支持了 2017–2025 年期间峰值农业范围的稳定表示。除方法学贡献外，所得数据集为业务和政策相关应用提供了宝贵的地理空间基线。它可支持政府机构、金融机构和保险提供商进行农业监测、风险评估和资源分配。此外，它使作物损失估计、种植强度评估以及田块整合或破碎化趋势检测等下游分析成为可能。这些应用直接有助于改善农业规划和监测，并可为实现可持续发展目标 2（零饥饿）的进展提供信息，特别是在以前无法获得可靠地块级数据的地区。未来工作应侧重于整合多时相数据以进一步改善边界检测并更明确地捕获季节动态。使用甚高分辨率影像可增强精细尺度 delineation 精度，而数据集的时间序列扩展可支持（i）评估现有方案周围小规模灌溉耕地扩张，（ii）识别地块整合或破碎化趋势，以及（iii）分析种植强度，提供对种植系统转变和土地权属动态的进一步洞察。
