A terra arável é a base para garantir o desenvolvimento sustentável da agricultura; o monitoramento rápido e preciso do comportamento de não-agricultura da terra arável é de grande importância para a produção e segurança alimentar. Para monitorar com precisão o comportamento de ocupação irregular da terra arável para construção não agrícola, este artigo propõe um novo método de segmentação do comportamento de não-agricultura em imagens de sensoriamento remoto de alta resolução, chamado modelo de aprendizado profundo DHRformer (Dilation-enhanced High-Resolution former). O modelo consiste em uma rede de alta resolução e uma estrutura de decodificação de dupla ramificação, que melhora as informações de características das construções não agrícolas por meio da fusão multiescala e da estratégia de dilatação, obtendo informações mais ricas sobre os detalhes das construções não agrícolas. Primeiro, foi construído um conjunto de dados de amostras de edifícios em áreas potenciais de não-agricultura em escala submétrica com base em dados multitemporais de sensoriamento remoto; em seguida, o modelo de monitoramento do comportamento de não-agricultura da terra arável (DHRformer) projetado neste artigo foi usado para extrair os edifícios nessas áreas potenciais. Por fim, foi realizada uma experiência de validação do modelo baseada em imagens de sensoriamento remoto de alta resolução nas terras agrícolas montanhosas do distrito de Hecheng, cidade de Huaihua. Os resultados mostram que as pontuações MIoU, mAcc e F1 do algoritmo melhorado melhoraram em 2,53%, 2,68% e 3,05%, respectivamente, em comparação com a rede Segformer. Portanto, o método proposto pode fornecer referência técnica para o monitoramento do comportamento de não-agricultura da terra arável e oferecer suporte teórico para comportamentos complexos de não-agricultura.

não-agricultura da terra arável; monitoramento remoto de edifícios; rede de alta resolução; estrutura de dupla ramificação; codificação-decodificação; imagens de alta resolução