实战指南：如何用Python+U-Net从Sentinel-2影像中自动提取耕地边界（附开源数据集）-优快云博客

Python+U-Net实战：Sentinel-2耕地边界自动提取全流程解析

1. 遥感耕地提取的技术演进与核心挑战

耕地边界自动提取一直是农业遥感领域的核心课题。过去十年间，这项技术经历了从传统图像处理到深度学习的范式转变。早期研究者主要依赖多光谱指数（如NDVI）和边缘检测算法（如Canny算子），但这些方法在应对小农地块的复杂场景时往往力不从心——地块间光谱混淆、边界模糊等问题导致提取精度难以突破70%阈值。

2015年U-Net架构的横空出世改变了游戏规则。这种编码器-解码器结构配合跳跃连接的设计，在保持位置精度的同时能捕捉深层语义特征。丹麦技术大学的研究团队率先将U-Net应用于Sentinel-2影像的耕地提取，在LPIS数据集上实现了0.85以上的IoU值，较传统方法提升超过40%。

当前技术前沿聚焦三个突破点：

多时相特征融合：利用作物生长周期内的时序影像增强边界辨识
注意力机制：通过通道/空间注意力模块强化关键区域特征
弱监督学习：减少对精细标注数据的依赖

# 典型U-Net结构核心代码示例
import torch
import torch.nn as nn

class DoubleConv(nn.Module):
    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(in_channels, out_channels, 3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
            nn.Conv2d(out_channels, out_channels, 3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True)
        )
    
    def forward(self, x):
        return self.conv(x)

class UNet(nn.Module):
    def __init__(self, in_channels=3, out_channels=1):
        super().__init__()
        # 编码器部分
        self.down1 = DoubleConv(in_channels, 64)
        self.down2 = DoubleConv(64, 128)
        # 解码器部分
        self.up1 = nn.ConvTranspose2d(128, 64, kernel_size=2, stride=2)
        self.final = nn.Conv2d(64, out_channels, kernel_size=1)
        
    def forward(self, x):
        x1 = self.down1(x)
        x2 = self.down2(x1)
        x = self.up1(x2)
        x = self.final(x)
        return torch.sigmoid(x)