边缘端深度学习：利用卷积神经网络从卫星图像中提取田块边界

数字农业服务的应用通常要求农民或其顾问提供其田块边界的数字记录。从卫星影像中自动提取田块边界将减少对人工输入的依赖（后者耗时且易错），并支撑远程产品与服务的提供。当前田块边界数据集的缺乏似乎表明现有方法采用率低，推测是因为昂贵的图像预处理要求和局部、往往任意的调参。本文将从卫星图像中提取田块边界的问题视为多任务语义分割问题。我们使用 ResUNet-a，一种具有全连接 UNet 骨干网络并带有空洞卷积和条件推断的深度卷积神经网络，为每个像素分配三个标签：1）属于某田块的概率；2）作为边界一部分的概率；3）到最近边界的距离。这些标签可随后组合以获得闭合的田块边界。使用来自 Sentinel-2 的单张合成图像，该模型在绘制田块范围、田块边界以及由此个体田块方面高度准确。用接近合成时段的单日期图像替换月度合成图像仅轻微降低精度。随后我们通过一系列实验表明，我们的模型无需重新校准即可在分辨率、传感器、空间和时间上良好泛化。通过平均整个季节获取的至少四张图像上的模型预测来建立共识，是应对精度时间变化的关键。通过最小化图像预处理需求并以数据驱动决策替代局部任意决策，我们的方法有望促进大规模个体作物田块的提取。