على الرغم من أن طرق التعلم العميق أظهرت أداءً جيدًا في الاستخراج الدقيق لتوزيع المحاصيل على مستوى القطع باستخدام الاستشعار عن بُعد، إلا أنها تعتمد بشكل كبير على عدد كبير من عينات العلامات عالية الجودة، مما يؤدي إلى تكاليف مرتفعة، ضعف في التوقيت، ومشاكل في القدرة على التعميم عبر المناطق المختلفة. لهذه الأسباب، تقترح هذه الورقة طريقة لتحسين معلومات التلميح في تقسيم القطع الأرضية تجمع بين نموذج الأساس البصري ودمج المعرفة، حيث يتم تحويل خصائص نمو الأرز ومؤشرات الطيف إلى معلومات تلميح ديناميكية مطلوبة من نموذج الأساس البصري من خلال التعلم التكراري التكيفي، مما يحل بفعالية مشكلة الاعتماد الشديد على العينات في طرق التعلم العميق التقليدية. بشكل محدد، تستخدم الطريقة مؤشر الغطاء النباتي كمعرفة مسبقة لاستبعاد المناطق غير النباتية لتقليل حجم الحساب. في الوقت نفسه، يتم إجراء إحصاء تدريجي لكل قطعة على نتائج التقسيم الأولية لـSAM، لتحديث نطاق عتبة المعرفة المسبقة، ويتم إدخالها مرة أخرى كنصائح تقسيم في نموذج SAM، من خلال طريقة التعلم التكراري هذه، يتم تحديث المعرفة المسبقة والحصول على أفضل نتائج تصنيف على مستوى القطع. أخيرًا، تقدم هذه الطريقة بشكل مبتكر استخدام مؤشر IoU كشرط لإنهاء التقسيم التكراري، مما يبني حلقة تعلُّم ذاتية التكيف تجمع بين الدقة والكفاءة، مع تحقيق مراقبة كمية مستقرة لنتائج التقسيم وضمان التوقف التلقائي للنموذج عند الوصول إلى الحل الأمثل. أظهرت النتائج التجريبية أن فترة الحصاد هي نافذة الاستخراج المثلى للأرز؛ بناءً على هذا الطور الأمثل، كانت معاملات Kappa للتخطيط في مناطق التجربة المختلفة مثل نينهكو بتشنغجينغ، فوجين بمقاطعة هيلونغجيانغ، ونييغاتا في اليابان هي 0.89، 0.91، و0.86 على التوالي. بالإضافة إلى ذلك، مقارنة بالنماذج النموذجية للتعلم المراقب مثل U-Net وDeepLabV3+، حققت هذه الطريقة دقة مماثلة أو أعلى في الاستخراج دون الحاجة إلى تدريب نماذج خاصة لمنطقة الدراسة، مما يؤكد فعالية الطريقة وقدرتها على التعميم الإقليمي، ويقدم حلاً جديدًا لرسم الخرائط الآلي للمحاصيل على نطاق واسع وبكلفة منخفضة ودقة عالية.

استخراج دقيق بالاستشعار عن بُعد;SAM;دمج المعرفة المسبقة;تخطيط الأرز;تعلم إحصائي تكيفي;تقسيم على مستوى القطع;تحسين تكراري;تحسين معلومات التلميح