摘要
本研究针对精准农业中遥感图像空间分辨率不足导致农田边界识别困难的问题，提出了一种框架。该框架结合了基于GAN的盲超分辨率算法Real-ESRGAN和实时实例分割框架YOLO，以提高从中分辨率卫星图像中提取农田边界的精度。以广东省南雄市的农田区域GF-2卫星图像为例，构建了一个人工标注的农田边界数据集。实验仅在该特定区域（南雄市）进行；将该框架推广到其他地区、作物和传感器平台尚需进一步验证。超分辨率预处理将输入图像的分辨率从4米提升至1米，同时增强了与边界相关的高频细节，并减少了混叠引起的场合并现象。在农田边界识别方面，超分辨率处理后的1米图像的mAP@0.5值为0.755，mAP@0.5:0.95值为0.628，接近重新采样后的1米参考值（分别为0.823和0.733），明显优于重新采样的4米基准值（准确率为零）。所报告的mAP值是基于验证集的最佳检查点结果，因此反映了在当前空间自相关分割条件下的乐观上限。该框架为大规模农田边界提取和精准农业管理提供了具有成本效益的解决方案。
