及时准确地获取耕地空间分布数据对于农业生产管理、产量估算、种植结构调整等具有重要意义。目前的耕地提取多基于多时相中低分辨率影像或单时相高分辨率影像，难以满足耕地破碎，农作物种植模式复杂的区域精度需求。基于此，本研究通过协同国产高分一号（GF-1）、高分二号（GF-2）和高分六号（GF-6）卫星影像，探索米级分辨率尺度下的耕地高精度提取方法。该方法以深度神经网络UNet为基础，通过协同GF-1/6的多时相优势和GF-2影像的高空间分辨率构建了CEUNet （Cropland Extraction UNet）模型，以充分挖掘耕地的时相特征和空间几何特征。同时，将基于CEUNet模型提取的米级耕地结果分别与基于UNet和多源不同分辨率遥感影像的语义分割（UNet＿m）、基于UNet和单时相高分辨率影像的语义分割（UNet＿s）、基于对象的随机森林分类（OBIA）、基于像元的随机森林分类（RF）提取的耕地结果展开对比，分析所提出的方法在不同区域的适宜性。结果表明，基于CEUNet模型提取的米级耕地总体精度达到92.92%，且基于CEUNet提取的耕地的逐像元验证结果在平均F1-Score值上相较于基于对象和基于像元的随机森林分类分别提升了0.21和0.21，相较于UNet＿m和UNet＿s分别提升了0.04和0.11，其中针对地块破碎，景观异质性高等区域，CEUNet相较于UNet＿m和UNet＿s提升了0.09和0.26。本研究提出的CEUNet模型能够充分发挥多源国产高分卫星数据的空间和时间优势，两者结合能够快速、高效地提取不同农业景观及不同种植模式的耕地空间分布信息。

原文链接：https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDAUTO&filename=YGXB202207007&uniplatform=NZKPT&v=j2JLeEMSCZnMy04onzvcKzMDAY9_IRuGvJSRM7Bnda6qs97phw6_3rIRGumfKpYR