农田地块的精准提取是开展地块级作物制图和发展精准农业的重要基础。考虑到新疆地大物博，基于超高分影像开展地块提取实验对存储和计算量的消耗极大，第三次新疆科考“空天地网一体化综合科考监测体系建设”项目沈占锋团队在Sentinel-2光学数据支持下探索基于地块边缘特征的地块提取方式，采用深度学习模型RCF，通过将研究区进行区域划分，进行针对性训练，逐步提取地块边界。

为了得到精准的农田地块结果，在进行模型训练之前，需要构建基础地块样本库。流程如下：

（1）采用Slippy Map10级（Open Street Map网格）对塔里木河流域的影像进行网格剖分，作为地块提取的基准范围单元。

（2）基于光学遥感影像数据（无云覆盖），通过人工目视解译的方式制作农田地块轮廓样本。

（3）将栅格化后的样本集，按照一定比例分为训练集、验证集、测试集，并进行特征增强后，设置模型参数并送入模型进行训练。

（4）利用训练好的模型预测获得各个分区的边缘强度图。对分区边缘提取结果进行拼接。

此外，考虑到研究区范围很大，不同区域地块具有不同特征，对样本数量要求很高，团队设计了迁移学习和强化学习机制，降低了人工生产样本的工作量，提高样本和模型的复用率，并已在塔里木河流域开展试验，成功提取出研究区内的农田地块。

目前地块提取工作中普遍采用亚米级超高分辨率（VHR）光学影像作为模型学习的特征来源，而本团队采用Sentinel-2光学数据（10m分辨率）作为数据源，与VHR相比数据量小但分辨率低。分辨率的降低使影像损失了很多视觉信息，导致地块边界的清晰度大打折扣，弱边缘地块提取效果下降，有部分遗漏现象。后续需继续开展模型调整和优化工作，针对弱边缘地块开展针对性提取，以进一步提高地块提取精度。