Embora os métodos de aprendizado profundo apresentem bons resultados na extração precisa da distribuição de culturas em nível de parcela por sensoriamento remoto, eles dependem fortemente de um grande volume de amostras anotadas de alta qualidade, enfrentando desafios como altos custos, baixa atualidade e limitada capacidade de generalização entre regiões. Portanto, este artigo propõe um método de otimização de informações de dica para segmentação de parcelas que combina um modelo visual básico com fusão de conhecimento. As características fenológicas do arroz e os índices espectrais são transformados por meio de aprendizado iterativo adaptativo em informações de dica dinâmicas necessárias ao modelo visual básico, resolvendo efetivamente o problema da alta dependência de amostras dos métodos tradicionais de aprendizado profundo. Especificamente, primeiro utilizamos o conhecimento prévio do índice de vegetação para eliminar áreas não vegetadas, reduzindo o volume de cálculo. Simultaneamente, realizamos uma estatística por parcela nos resultados preliminares da segmentação SAM, atualizando a faixa de limiar do conhecimento prévio, que é novamente alimentada como informação de dica para segmentação no modelo SAM. Por meio desse aprendizado iterativo, atualizamos o conhecimento prévio e obtemos o melhor resultado de classificação em nível de parcela. Por fim, este método propõe de forma inovadora o uso do indicador IoU como condição para término da segmentação iterativa, construindo um laço de aprendizado adaptativo que combina precisão e eficiência, permitindo um monitoramento quantitativo estável da estabilidade dos resultados da segmentação e garantindo a parada automática do modelo ao atingir a solução ótima. Os resultados experimentais indicam que o período de colheita do arroz é a janela ótima para extração; com base nessa fase ótima, os coeficientes Kappa de mapeamento nas diferentes áreas experimentais, como o distrito de Ninghe em Tianjin, a cidade de Fujin em Heilongjiang e a cidade de Niigata no Japão, foram 0,89, 0,91 e 0,86, respectivamente. Além disso, em comparação com modelos típicos de aprendizado supervisionado, como U-Net e DeepLabV3+, este método alcançou precisão comparável ou até superior, sem necessidade de treinar modelos específicos para a área de estudo, comprovando a eficácia e a capacidade de generalização regional do método e oferecendo uma nova solução para mapeamento automatizado de culturas em larga escala, baixo custo e alta precisão.

extração precisa por sensoriamento remoto;SAM;fusão de conhecimento prévio;mapeamento de arroz;aprendizado estatístico adaptativo;segmentação em nível de parcela;otimização iterativa;otimização de informações de dica