Bien que les méthodes d'apprentissage profond montrent de bons résultats dans l'extraction précise de la distribution des cultures à l'échelle des parcelles par télédétection, elles dépendent fortement d'un grand nombre d'échantillons annotés de haute qualité, ce qui engendre des coûts élevés, une faible actualité et une capacité limitée de généralisation interrégionale. À cet effet, cet article propose une méthode d'optimisation des informations d'indication pour la segmentation des parcelles, combinant un modèle visuel de base et une fusion de connaissances. Les caractéristiques phénologiques du riz et les indices spectraux sont transformés en informations d'indication dynamiques requises par le modèle visuel de base via un apprentissage itératif adaptatif, résolvant efficacement le problème de forte dépendance des méthodes d'apprentissage profond classiques aux échantillons. Plus précisément, l'indice de végétation est utilisé comme connaissance préalable pour éliminer les zones non végétalisées afin de réduire la charge de calcul. Par ailleurs, des statistiques par parcelle sont réalisées sur les résultats de segmentation préliminaires du modèle SAM pour mettre à jour la plage des seuils des connaissances préalables, lesquelles sont ensuite réintroduites comme informations d'indication dans le modèle SAM. Par ce processus d'apprentissage itératif, les connaissances préalables sont mises à jour et le meilleur résultat de classification à l'échelle des parcelles est obtenu. Enfin, cette méthode propose de manière innovante l'utilisation de l'indicateur IoU comme critère d'arrêt de la segmentation itérative, construisant une boucle d'apprentissage adaptative combinant précision et efficacité, permettant un contrôle quantitatif stable des résultats de segmentation et assurant l'arrêt automatique du modèle lors de l'atteinte de la solution optimale. Les résultats expérimentaux montrent que la période de récolte du riz est la fenêtre optimale pour son extraction ; sur la base de cette phase optimale, les coefficients Kappa de cartographie dans différentes zones expérimentales telles que le district de Ninghe à Tianjin, la ville de Fujin dans le Heilongjiang, et la ville de Niigata au Japon sont respectivement de 0,89, 0,91 et 0,86. De plus, comparée aux modèles typiques d'apprentissage supervisé tels que U-Net et DeepLabV3+, cette méthode atteint une précision comparable voire supérieure sans nécessiter un entraînement spécifique sur la zone d'étude, ce qui confirme l'efficacité et la capacité de généralisation régionale de la méthode, offrant une nouvelle solution pour la cartographie automatisée des cultures à grande échelle, à faible coût et haute précision.

extraction précise par télédétection;SAM;fusion de connaissances a priori;cartographie du riz;apprentissage statistique adaptatif;segmentation à l'échelle des parcelles;optimisation itérative;optimisation des informations d'indication