Les terres arables sont la base de la durabilité du développement agricole. La surveillance rapide et précise de la conversion non agricole des terres arables est d'une grande importance pour la production alimentaire et la sécurité. Afin de surveiller précisément les comportements de construction non agricole illégale sur les terres arables, cet article propose une nouvelle méthode de segmentation des comportements de conversion non agricole des terres arables à partir d’images satellitaires haute résolution, à savoir le modèle d'apprentissage profond DHRformer (Dilation-enhanced High-Resolution former). Ce modèle se compose d’un réseau haute résolution et d’une structure de décodage à double branche, qui améliore les caractéristiques des constructions non agricoles grâce à une fusion multi-échelle et une stratégie d’expansion, obtenant ainsi des détails plus riches. D’abord, un ensemble de données d’échantillons de bâtiments en zones potentielles de conversion non agricole à l’échelle sous-métrique a été construit à partir de données multimodales de télédétection temporelles ; ensuite, le modèle DHRformer conçu dans cet article a été utilisé pour extraire les bâtiments dans ces zones potentielles. Enfin, une validation expérimentale a été menée dans les terres arables de montagne du district de Hecheng, ville de Huaihua, à partir d’images satellitaires haute résolution. Les résultats montrent que les indicateurs MIoU, mAcc et F1 de l’algorithme amélioré ont été augmentés, avec des gains de 2,53 %, 2,68 % et 3,05 % respectivement par rapport au réseau Segformer. Par conséquent, la méthode proposée fournit une référence technique pour la surveillance de la conversion non agricole des terres arables et un soutien théorique pour les comportements complexes de conversion non agricole.

conversion non agricole des terres arables ; surveillance des bâtiments par télédétection ; réseau haute résolution ; structure à double branche ; encodage-décodage ; images haute résolution