残差网络与混合注意力机制融合：使用Planet影像在中国东北黑土区实现高精度耕地制图

更清晰的农田地图为何重要

养活大量人口取决于准确了解食物的种植地点及土地变化情况。在中国东北，一些世界上最肥沃的黑土支撑着广袤的玉米、大豆和水稻田。然而，使这片土地富饶的因素——侵蚀、冻融循环及多样的耕作方式——也使得从太空制图变得意外地困难。本文展示了一种新的影像分析方法如何将日常卫星影像转化为精确的耕地地图，有助于保障粮食安全并指导更明智的土地管理。

难以从太空识别的景观

中国东北的黑土区既肥沃又脆弱。尽管地形大多平坦，但长缓坡、强降雨、风力以及反复的冻融过程都会使土壤流失。不同作物、灌溉方式和土壤类型在轨道视角下形成色彩和纹理的拼布图。在卫星影像中，犁过的田地、牧场、裸土甚至一些建设区可能看起来混淆不清。基于简单像素颜色或浅层机器学习的传统制图方法在这里常常困难重重，导致地图噪声多、田块边界模糊，以及限制规划和决策使用的错误。

从原始影像到训练数据

为应对这一问题，研究者将重点放在黑龙江省友谊县。使用了分辨率约为三米的PlanetScope卫星影像，足以展示单个田块的形状和边界。在任何分析之前，影像经过了大气校正和几何校正。然后专家在屏幕上描绘了数千个田块边界，将这些轮廓转换为带标签的样本，用以区分耕地与水体、道路、森林和建筑等其他地表类型。影像被切分为许多小瓦片，并采用了先进的损失函数，使那些易混淆的困难位置在训练中得到额外关注。

更智能的田块识别方法

研究的核心是一个更新的图像分割网络，称为RC–UNet。它基于广受欢迎的U形深度学习结构，既能学习宏观模式也能捕捉细节。团队用残差网络替换了原始骨干网络，这有助于非常深的模型在多层信息传递中保持学习能力而不丢失重要信号。在此基础上，他们加入了混合注意力模块，教会网络关注图像中最具信息量的部分——既考虑颜色通道间的信息，也考虑空间上的重要区域。简言之，该模型学习到在哪里看以及在判断像素是否属于农田时哪些信息最关键。

新方法的效果如何

在友谊县的测试中，RC–UNet网络生成了高精度的耕地地图，总体精度约为96.9%，且预测耕地面积与实测高度一致。田块边界平滑并与专家标注高度匹配，即使在村庄附近和不规则地块边缘亦然。与知名深度学习模型以及支持向量机和随机森林等传统方法相比，RC–UNet持续得分更高，并生成更少碎片化、更逼真的田块形态。在第二个区域——鹤山农场的测试中，性能仅略有下降，表明该方法可推广到黑土区的其他区域。

这对农田与粮食意味着什么

研究表明，将高分辨率商业卫星数据与精心设计的深度学习模型结合，可在关键测试区实现低于3%面积误差的耕地制图。对非专业人士而言，这意味着决策者可以信赖这些地图来追踪耕作面积、监测易侵蚀坡地，以及发现土地流失或滥用的迹象。尽管未来工作将拓展到多季节和更多作物类型，目前的结果已为管理宝贵黑土和支持可持续、集约农业提供了切实可行的工具，同时不忽视地面实况。

引用: Han, Y., Lou, Y., Qin, C. et al. Fusion of residual networks and hybrid attention mechanism for high accuracy cultivated land mapping in northeast china’s black soil region using planet imagery. Sci Rep 16, 14812 (2026). https://doi.org/10.1038/s41598-026-40496-5

关键词: 耕地制图, 遥感, 深度学习, 黑土, PlanetScope