딥러닝 방법이 필지 단위 작물 분포 원격탐지 정밀 추출에서 우수한 성능을 보이고 있으나, 대량의 고품질 라벨링 샘플에 크게 의존하여 높은 비용, 시기적 효율성 부족, 지역 간 일반화 성능 저하 등의 한계가 존재한다. 이에 본 논문은 시각 기반 모델과 지식 융합을 결합한 필지 분할 힌트 정보 최적화 방법을 제안한다. 논벼 생육 특성 및 스펙트럼 지수를 적응적 반복 학습을 통해 시각 기반 모델이 필요로 하는 동적 힌트 정보로 전환하여 전통 딥러닝 방법의 샘플 의존 문제를 효과적으로 해결한다. 구체적으로 식생 지수 사전 지식을 활용하여 비식생 구역을 제거하여 계산량을 줄이고, SAM의 초기 분할 결과에 대해 필지별 통계를 수행하여 사전 지식 임계값 범위를 업데이트한 뒤 이를 필지 분할 힌트 정보로 SAM 모델에 재입력한다. 이러한 반복 학습 방식을 통해 사전 지식을 갱신하면서 최적의 필지 단위 분류 결과를 얻는다. 마지막으로 본 방법은 혁신적으로 IoU 지표를 반복 분할 종료 조건으로 도입하여 정밀도와 효율성을 겸비한 적응 학습 폐루프를 구축하며, 분할 결과의 안정성 정량적 모니터링과 모델이 최적해에 도달 시 자동 종료를 보장한다. 실험 결과 수확기는 쌀 추출에 최적의 시기로 나타났으며, 이를 기반으로 본 방법은 톈진 닝허구, 헤이룽장 푸진시, 일본 니가타시 등 다양한 실험 지역에서의 지도 작성 Kappa 계수가 각각 0.89, 0.91, 0.86으로 분석되었다. 또한 U-Net, DeepLabV3+ 등 전형적 감독 학습 모델과 비교해 연구 지역별 별도 모델 학습 없이도 동등하거나 더 높은 추출 정확도를 달성하여 본 방법의 효과성과 지역 일반화 능력을 입증하며, 대규모 저비용 고정밀 자동 작물 지도 작성의 새로운 해결책을 제시한다.

원격탐지 정밀 추출;SAM;사전 지식 융합;쌀 지도 작성;적응 통계 학습;필지 단위 분할;반복 최적화;힌트 정보 최적화