Zhao H, Wu B, Zhang M, et al. A large-scale VHR parcel dataset and a novel hierarchical semantic boundary-guided network for agricultural parcel delineation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2025, 221: 1-19.
当前农业地块（Agricultural Parcel, AP）提取面临两大关键问题：（1）现有的AP提取方法未能充分利用底层信息（如地块边界信息），在某些场景下表现不佳；（2）国内缺乏大规模、高分辨率的农业地块基准数据集，制约了模型的全面评估与提升。
针对第一个问题，
本研究开发了一种层次化语义边界引导网络（Hierarchical Semantic Boundary-Guided Network, HBGNet），充分利用地块边界的语义信息以提升地块提取性能。
该网络集成了两个分支：地块特征提取的核心分支和边界特征挖掘的辅助分支。具体而言，
边界提取分支采用了一种基于拉普拉斯卷积算子的模块，以增强模型对地块边界的感知能力
；在
地块特征提取方面，本研究设计了一个局部–全局上下文聚合模块，以增强地块的语义表达能力，提升模型在不同场景下的适应性。
同时，构建了边界引导模块，用于加强高级地块语义信息的边界细节。此外，
本研究还提出了多粒度特征融合模块，以强化HBGNet对不同尺寸和形状地块的提取能力。
针对第二个问题，本研究基于高分一号（2米）和高分二号（1米）影像，
构建了首个覆盖中国七个不同区域、面积超过10,000 km²的大规模甚高分辨率农业地块数据集（First large-scale very high-resolution Agricultural Parcel Dataset, FHAPD）。
进一步地，研究基于FHAPD数据集、公开的欧洲数据集（AI4boundaries）以及荷兰的中分辨率Sentinel-2影像开展了全面的对比实验，评估了HBGNet与其他八种地块提取方法的表现。
结果表明，HBGNet在属性精度和几何精度方面全面优于其他方法，其交并比（IOU）、边界F1得分（Fbdy）和全局总体分类精度（GTC）分别比其他方法提高了0.61%-7.52%、0.8%-36.3%和1.7%-31.8%。
此外，该方法在未见区域的迁移性能也表现出色。 综上所述，
本研究提出的HBGNet是一种高效、先进且具有良好泛化能力的农业地块提取方法，适用于多种农业场景和不同遥感影像源。
图1. 根据模型结构划分的三种农业地块（AP）提取类型：
(a) 单任务结构；(b) 多任务方法的单分支结构；(c) 多任务方法的双分支结构；(d) 本研究提出的层次化语义边界引导网络（HBGNet）。
图 2.
FHAPD数据集的总体概览，包括七个区域（a-n代表不同的农业地块示例，黑色框表示训练和验证区域，红色框表示测试区域）。
图3.
FHAPD与AI4Boundaries数据集中的农业地块示例（a和b为AI4Boundaries数据集的示例，c和d为FHAPD数据集的示例）。
图 4.
荷兰Sentinel-2数据集概览（a-d为典型农业地块示例）。
图 5.
基于HBGNet的甚高分辨率（VHR）影像农业地块提取网络结构。网络包含两个分支，分别对应农业地块特征提取（APFE）与地块边界特征提取（PBFE）。
图 6.
LGCA模块的结构，用于增强网络对多尺度上下文信息的表达能力。
图 7.
提出的边界引导模块（BGM）的结构，用于建模低层语义特征与高层语义特征之间的交互。
图 8.
多粒度特征融合模块（MGFM）的结构，用于融合多粒度特征，以提升对不同尺寸和形状农业地块的提取能力。
