PRUE：一种可大规模应用的实用田块边界分割方案

arXiv:2603.27101v2 公告类型：replace-cross 摘要：大规模田块边界地图对于农业监测任务至关重要。现有基于卫星影像进行田块制图的深度学习方法对光照、空间尺度和地理位置变化较为敏感。我们使用 Fields of The World（FTW）基准，首次系统评估了分割模型和地理空间基础模型（GFM）在全球田块边界 delineation 任务中的表现。我们在统一实验设置下评估了 18 个模型，结果表明，U-Net 语义分割模型在一系列性能和部署指标上优于基于实例的方法和 GFM 方案。我们提出了一种新的分割方法，将 U-Net 骨干网络、复合损失函数和针对性数据增强相结合，以提升模型在真实世界条件下的性能和鲁棒性。我们的模型在 FTW 上实现了 76% 的 IoU 和 47% 的对象级 F1，较此前基线分别提高了 6% 和 9%。我们的方法涵盖模型设计、训练和推理，为可靠、可扩展且可复现的田块边界勾绘提供了实用框架。我们发布了所有模型，以及利用模型生成的五个国家的田块边界数据集。