ディープラーニング手法は区画レベルの作物分布リモートセンシング精密抽出において良好な成果を示していますが、大量の高品質なラベル付きサンプルに大きく依存しており、コストが高く、タイムリー性に欠け、異なる地域間での汎化能力が不足するという課題があります。これに対し、本論文では視覚基盤モデルと知識融合を組み合わせた区画分割ヒント情報最適化手法を提案します。水稲の生育特徴とスペクトル指標を適応的反復学習により、視覚基盤モデルが必要とする動的ヒント情報に変換し、従来のディープラーニング手法がサンプルに強く依存する問題を効果的に解決します。具体的には、まず植生指数の先行知識を用いて非植生領域を除外し、計算量を削減します。同時に、SAMの初期分割結果に基づき区画ごとに統計を取り、先行知識の閾値範囲を更新し、それを区画分割ヒント情報としてSAMモデルに再入力します。この反復学習により先行知識を更新しつつ、最適な区画レベル分類結果を得ます。最後に、本手法はIoU指標を反復分割終了条件として用いることを革新的に提案し、精度と効率を兼ね備えた適応学習の閉ループを構築します。これにより、分割結果の安定性を定量的に監視し、モデルが最適解に到達した際に自動終了を実現します。実験結果より、収穫期が水稲抽出の最良ウィンドウ期であることが示され、最適時相に基づき、本手法は天津寧河区、黒竜江省富錦市、日本新潟市など異なる実験地域でのマッピングカッパ係数がそれぞれ0.89、0.91、0.86となりました。また、U-NetやDeepLabV3+などの典型的な教師あり学習モデルと比較して、本手法は研究地域に特化したモデル訓練を必要とせず、同等またはそれ以上の抽出精度を達成し、本手法の有効性と地域汎化能力を十分に証明し、広範囲かつ低コスト・高精度な自動作物マッピングの新たな解決策を提供します。

リモートセンシング精密抽出;SAM;先行知識融合;水稲マッピング;適応統計学習;区画単位分割;反復最適化;ヒント情報最適化