《Geocarto International》：Mapping small landscape features in agricultural lands at the national level using CNN-based semantic segmentation
编辑推荐：
明确获取空间分布信息对于评估生物多样性和实施欧盟（EU）的共同农业政策（CAP）至关重要。然而，此类特征的测绘通常依赖人工完成，耗时且难以规模化推广。本研究评估了一种基于深度学习的分割方法，旨在自动化地绘制“田间岛屿”这一特定类别的局部定义小景观特征，该类特征
明确获取空间分布信息对于评估生物多样性和实施欧盟（EU）的共同农业政策（CAP）至关重要。然而，此类特征的测绘通常依赖人工完成，耗时且难以规模化推广。本研究评估了一种基于深度学习的分割方法，旨在自动化地绘制“田间岛屿”这一特定类别的局部定义小景观特征，该类特征由异质性的木本和非植被元素组成。研究人员利用高分辨率正射影像和政府登记处的参考多边形对U-Net模型进行了训练。在测试站点中，略微降低输入图像分辨率、增大图像块尺寸并使用更高的图像块重叠率能够获得最佳结果，在降低计算需求的同时实现了平均F1分数为0.72的精度。在国家尺度应用中，该模型识别出的田间岛屿数量比政府登记处多出34%。所提出的方法论和数据集能够支持CAP的实施，并改进栖息地评估和碳核算。
论文解读：国家尺度下农业用地小景观特征的自动化制图
研究背景与意义
长期以来，由欧盟（EU）共同农业政策（CAP）推动的农业集约化导致欧洲农业景观中小景观特征的大规模消失。这些特征（如灌木树篱和植被斑块）不仅是自然的非生产性要素，还能提供多种生态系统服务，包括维持生物多样性、在生物量中固碳以及减少农业非点源污染。随着CAP的改革，保护和补偿这些特征变得日益重要。然而，目前在许多成员国，小景观特征的测绘通常由国家支付机构依据农民申请进行人工数字化，这不仅耗时费力，给行政带来沉重负担，还容易导致地图数据不完整、过时，进而影响合规性监测、补贴分配和政策影响评估的准确性。此外，现有的遥感数据集往往将多种特征泛化为单一类别，缺乏对特定斑块状结构（如田间岛屿）的针对性探测。因此，开发一种自动化、高精度且可大规模部署的测绘技术具有重要的科学价值和应用前景。该研究成果已发表于《Geocarto International》。
关键技术与方法
为实现上述目标，研究人员采用了基于卷积神经网络（CNN）的语义分割技术，具体使用U-Net架构。研究利用了爱沙尼亚农业注册和信息委员会（ARIB）登记的官方小景观特征矢量多边形作为参考基准（Ground Truth），并结合爱沙尼亚土地和空间发展委员会提供的RGB正射影像（空间分辨率为0.25米）进行模型训练。在数据预处理阶段，研究人员从官方数据中筛选出属性为“田间岛屿”的多边形，并利用农业地块数据集对分析范围进行约束，排除非耕地干扰。针对深度学习训练，研究人员创新性地构建了多尺度数据集：除了原始分辨率外，还通过重采样生成了0.5米、1米和2米分辨率的影像，并在固定图像块像素尺寸（500×500 px）的情况下扩大空间覆盖范围，从而使模型能够学习更广泛的背景上下文以区分目标与非目标对象。模型训练采用二元交叉熵（BCE）作为损失函数，并在推理阶段采用了移动窗口方法，系统评估了不同输入分辨率、图像块大小及重叠率对最终拼接成图精度和计算效率的影响。
研究结果
模型性能评估
研究人员首先监控了训练过程，发现损失值在前期急剧下降，验证了集最低损失为0.04，表明模型具有良好的收敛性。通过系统的推理参数实验，结果表明：将输入分辨率略微降低至0.5米、使用2000×2000像素的图像块尺寸以及50%的重叠率时，模型表现最优。在此配置下，模型的平均F1分数达到0.72，且推理时间较原生0.25米分辨率缩短了近四分之三。此外，模型在不同景观特征下的表现存在差异：在均质农田为主的区域表现最佳（F1达0.84），而在异质性强或森林覆盖度高的区域表现相对较弱（F1约0.60）。
定性评估
定性分析显示，模型能够准确分割那些与周围耕地界限清晰的田间岛屿，并能有效忽略大片连续森林覆盖。更重要的是，模型成功探测到了许多未在官方登记册中记录的田间岛屿，证明了其发现“隐藏”特征的能力。然而，模型也存在一定的局限性，主要表现为将田间的线性灌木树篱误判为田间岛屿（假阳性），以及在缺乏树冠覆盖、以裸岩为主的区域漏检目标（假阴性）。
爱沙尼亚田间岛屿分布
将优化后的模型应用于爱沙尼亚全国尺度的正射影像拼接图后，研究人员生成了全国田间岛屿分布图。结果显示，模型共预测出37,998个田间岛屿多边形，比ARIB官方注册的27,220个多出约10,000个（即增加了34%）。从空间分布上看，高密度的田间岛屿主要集中在爱沙尼亚中部均质农田区。而在东北部地区，由于地表多为灌木和岩石且缺乏树冠，模型的漏检率相对较高。
讨论与结论
研究人员在讨论中指出，基于CNN的语义分割模型能够有效捕捉空间上下文信息，适用于识别由树冠、灌木和基岩组成的异质性对象。通过引入低分辨率、大范围的图像增强策略，模型学会了专注于耕地内的目标，同时过滤掉森林中的树木。在国家尺度部署时，适度降低分辨率不仅保留了区分目标与背景所需的纹理细节，还平滑了高频噪声，同时大幅提升了计算效率。此外，研究强调了对大模型进行连续空间评估的重要性，这揭示了在小块数据集测试中无法发现的拼接伪影和特征表示问题。尽管后处理步骤（如形状指数过滤和农业地块掩膜）有效减少了线性特征的误判，但在处理完全位于田块内部的树列时仍面临挑战。未来的研究可考虑引入季节性影像和多时相深度学习架构，以解决因物候变化导致的漏检问题，并可探索加入数字地形模型（DTM）以提升对岩石裸露型特征的探测能力。
综上所述，该研究证明了基于CNN的语义分割技术能够自动化地绘制特定类型的小景观特征，并在国家尺度上生成空间连续的地图图层。适度降低输入分辨率并结合大图像块推理，能显著提升大规模部署的计算效率且不牺牲精度。该模型发现了大量未登记的田间岛屿，表明该方法不仅能完善现有数据集，还能支持CAP政策的落地实施，并为栖息地和碳评估提供关键的数据支撑。
