基于多日期Sentinel-2和PlanetScope影像的深度学习自动多尺度功能场边界提取：来自荷兰和巴基斯坦的案例研究

本研究探讨了利用深度学习语义分割架构对多时相卫星影像进行更好功能场边界描绘的有效性，针对荷兰和巴基斯坦两种不同地理和多尺度农业系统进行测试。针对荷兰地区的PlanetScope和Sentinel-2影像，获取了2022年4月、8月和10月的多日期图像；针对巴基斯坦达伊亚普尔地区，获取了2022年11月、2023年2月和3月的影像。对于荷兰，使用BRP（Basic registration crop parcels）矢量图层作为标记训练数据；而对巴基斯坦，则自行构建场边界矢量数据。评估了在荷兰子地区使用不同组合的多日期图像和NDVI堆栈的四个基于UNET架构的深度学习模型。通过比较IoU分数评估了提出的多日期NDVI堆栈方法的有效性。随后将这些发现应用于迁移学习，使用荷兰预训练模型对巴基斯坦选定区域进行预测。此外，还针对巴基斯坦训练了使用自构建场边界数据的独立模型，并开发了结合荷兰和巴基斯坦数据的综合模型。结果表明，多日期NDVI堆栈提供了额外的时序上下文，反映作物在不同季节阶段的生长情况。该研究强调了来自不同地理区域的多尺度地面信息在开发稳健且通用的场边界描绘模型中的关键作用。结果也突显了在小尺度场景中提取场边界对细节空间分辨率的重要性。这些发现可扩展到多尺度实施，以改进异构农业环境中自动场边界描绘。