Несмотря на то, что методы глубокого обучения показывают хорошие результаты в точном выделении распределения посевов на уровне участков с использованием дистанционного зондирования, они сильно зависят от большого количества высококачественных аннотированных образцов, что приводит к высоким затратам, недостаточной оперативности и ограниченной способности к обобщению на других территориях. В связи с этим в данной статье предлагается метод оптимизации подсказок для сегментации участков, объединяющий визуальную базовую модель и интеграцию знаний. Фенологические характеристики риса и спектральные индексы преобразуются с помощью адаптивного итеративного обучения в динамические подсказки, необходимые визуальной базовой модели, что эффективно решает проблему высокой зависимости традиционных методов глубокого обучения от образцов. Конкретно, сначала используются априорные знания о вегетационных индексах для исключения нерастительных участков с целью уменьшения вычислительной нагрузки. Одновременно проводится статистика по каждому участку на основе предварительных результатов сегментации SAM, обновляется диапазон порогов априорных знаний и повторно вводится в модель SAM как подсказки для сегментации. Таким образом, в ходе итеративного обучения обновляются априорные знания и достигается наилучший результат классификации на уровне участков. Наконец, метод инновационно предлагает использовать показатель IoU в качестве критерия остановки итеративной сегментации, формируя адаптивную замкнутую систему обучения, сочетающую точность и эффективность, что позволяет количественно контролировать стабильность результатов сегментации и автоматически завершать обучение при достижении оптимального решения. Экспериментальные результаты показывают, что период уборки риса является оптимальным окном для его выделения; на основе этого оптимального периода коэффициенты Каппа для картирования в различных экспериментальных районах, таких как район Нинхэ Тяньцзиня, город Фуцзинь провинции Хэйлунцзян и город Ниигата Японии, составили 0,89, 0,91 и 0,86 соответственно. Кроме того, по сравнению с типичными моделями контролируемого обучения, такими как U-Net и DeepLabV3+, данный метод достигает сопоставимой или даже более высокой точности при отсутствии необходимости в специальном обучении модели под конкретный исследуемый регион, что подтверждает эффективность и способность к региональной генерализации, предоставляя новое решение для автоматизированного картографирования посевов с широким охватом, низкими затратами и высокой точностью.

точное извлечение с помощью дистанционного зондирования;SAM;интеграция априорных знаний;картирование риса;адаптивное статистическое обучение;сегментация на уровне участков;итеративная оптимизация;оптимизация подсказок