近日，一篇发表在arXiv上的研究提出了一种创新的可重复工作流，利用1米分辨率的NAIP RGB影像自动绘制农田范围与可见边界。该研究由Mohammadreza Narimani等人完成，旨在解决农业田块地图通常为专有、不完整或过时的问题，为作物监测、产量核算和土地用途转换分析提供空间框架。
研究团队从美国农业部NAIP计划获取了37景影像，涵盖开阔农田、城乡结合部、半干旱灌溉区以及碎片化拼图等多样化场景。这些影像在CVAT工具中由人工标注，并转换为二值掩膜。通过将影像分割为不重叠的256×256像素图块，共获得5698个样本。按原始场景划分后，训练集、验证集和测试集分别包含3850、770和1078个图块。
模型采用残差U-Net（ResUNet）架构，并训练使用Dice主导的损失函数：L = 2.5(1 - Dice) + BCE。在测试集上，模型取得了0.8808的精度、0.8605的IoU、0.9234的Dice系数、0.8766的精确率和0.9794的召回率。此外，研究引入了一个冻结的SAM 3分支，通过文本提示“agricultural farmland field”进行引导，并与ResUNet输出通过逻辑OR融合。在选定的困难图块中，该融合策略大幅提升了性能：如果园林行图块Dice从0.858提升至0.955，碎片化地块图块Dice从0.804提升至0.903。
为了生成连续的区域掩膜，研究采用了滑动窗口拼接方法，在示例图块上获得了0.898和0.919的Dice系数。研究强调，最终产品是语义农田范围层，而非地籍意义上的田块图，但能在现有田块层缺失的情况下，有效支持农业监测应用。研究还公开了代码和数据集，为遥感与农业领域的进一步探索提供了基础。