Aunque los métodos de aprendizaje profundo han demostrado buenos resultados en la extracción precisa de la distribución de cultivos a nivel de parcela mediante teledetección, dependen en gran medida de una gran cantidad de muestras anotadas de alta calidad, lo que conlleva costos elevados, baja actualidad y limitada capacidad de generalización entre regiones. Por ello, este artículo propone un método de optimización de información de indicios para la segmentación de parcelas que combina un modelo visual base y fusión de conocimientos. Las características fenológicas del arroz y los índices espectrales se transforman mediante un aprendizaje iterativo adaptativo en indicios dinámicos requeridos por el modelo visual base, resolviendo eficazmente el problema de la alta dependencia de las muestras en los métodos tradicionales de aprendizaje profundo. Específicamente, primero se utiliza el índice de vegetación como conocimiento previo para eliminar las zonas no vegetales y reducir la carga computacional. Al mismo tiempo, se realiza un conteo por parcela en los resultados preliminares de segmentación de SAM para actualizar el rango del umbral del conocimiento previo y se vuelve a introducir como indicios de segmentación en el modelo SAM. Mediante este aprendizaje iterativo, se actualiza el conocimiento previo y se obtiene el mejor resultado de clasificación a nivel de parcela. Finalmente, este método propone de forma innovadora el uso del índice IoU como condición para detener la segmentación iterativa, construyendo un bucle de aprendizaje adaptativo que combina precisión y eficiencia, permitiendo un control cuantitativo estable de la estabilidad de los resultados de segmentación y garantizando la detención automática del modelo al alcanzar la solución óptima. Los resultados experimentales muestran que el periodo de cosecha es la ventana óptima para la extracción del arroz; con base en esta ventana óptima, los coeficientes Kappa para el mapeo en diferentes áreas experimentales como el distrito Ninghe de Tianjin, la ciudad de Fujin en Heilongjiang y la ciudad de Niigata en Japón fueron de 0,89, 0,91 y 0,86 respectivamente. Además, en comparación con modelos típicos de aprendizaje supervisado como U-Net y DeepLabV3+, este método logró una precisión comparable o incluso superior sin necesidad de entrenar un modelo específico para la zona de estudio, lo que confirma la efectividad y capacidad de generalización regional de este método, ofreciendo una nueva solución para el mapeo automático de cultivos a gran escala, bajo costo y alta precisión.

extracción precisa por teledetección;SAM;fusión de conocimiento a priori;mapeo de arroz;aprendizaje estadístico adaptativo;segmentación a nivel de parcela;optimización iterativa;optimización de información de indicios