agribound：AI 驱动的农业田块边界划定工具

一款用卫星遥感+深度学习"画圈圈"的工具，能在全球任意角落自动识别农田边界

---

故事：从"一张图数到眼瞎"说起

想象你是联合国的农业数据分析师，需要统计全球小麦产量。你的第一步是什么？不是算产量，而是——把全球的麦田边界画出来。

传统方式靠人工目视解译卫星影像：分析师盯着屏幕，一个地块一个地块地描，一个非洲萨赫勒地区可能就要花上几周时间。全球呢？全球有 18 亿公顷 耕地，分布在 7 个大洲、横跨几十种气候带，从北欧的连片麦田到东南亚的零散梯田，形态差异巨大。人工绘制既慢、成本高，又无法保证每年更新。

2026 年 3 月，美国科罗拉多州立大学遥感实验室的研究团队推出了一款开源工具 agribound，专门解决这个痛点：给定一个地理区域，它能从卫星影像中自动划定农业田块边界，输出可直接使用的矢量多边形文件。整个过程一键完成，不需要你有任何遥感专业背景。

---

技术原理：七种引擎协同作战

agribound 的核心是一个六阶段处理流水线，通过一个统一的 delineate() 入口暴露给用户：

1. 卫星影像获取：支持 8 种卫星数据源（Landsat 1984 年至今、Sentinel-2、HLS、NAIP 1 米高分辨率、USGS NAIP Plus、SPOT 6/7 等），用户指定经纬度范围和年份，工具自动下载云量最小的合成影像
2. 云掩膜与合成：使用 Google Earth Engine（GEE）在服务端完成云检测和年度无云合成，也支持本地 GeoTIFF 输入
3. 边界划定引擎：内置 7 种可选引擎——Delineate-Anything（YOLO 目标检测）、Fields of the World（FTW，分割模型）、GeoAI Field Boundary、DINOv3（视觉 Transformer）、Prithvi-EO-2.0，以及基于 TESSERA/AlphaEarth 嵌入向量的无监督聚类方案
4. SAM2 精细化：将初步边界作为 SAM2（Segment Anything Model 2）的提示框，生成像素级精确边界多边形
5. 非农田过滤：这是 agribound 区别于其他边界检测工具的关键——它用土地覆盖数据（美国用 NLCD 1985-2024、全球用 Dynamic World 2015-至今）自动剔除道路、水体、森林、建筑等非农业区域，只保留真正的耕地
6. 输出：导出为 GeoPackage、GeoJSON 或 GeoParquet 格式，包含面积、周长、紧凑度等字段，兼容 fiboa 标准

agribound 的六阶段流水线：从卫星影像输入到矢量边界输出的完整处理链

---

实测效果

有监督模式：DINOv3 + SAM2（美国新墨西哥州）

在新墨西哥州东部 Lea 县，研究团队用 2020 年 NAIP 1 米分辨率影像测试：先用 DINOv3（SAT-493M，卫星预训练 ViT）在 NMOSE 参考边界数据上微调，划定初步区域，再由 SAM2 精细化边界。结果与政府参考数据高度吻合。

蓝色为模型预测边界，黄色为 NMOSE 政府参考边界，几乎完全重合

无监督模式：TESSERA 嵌入 + LULC + SAM2（阿根廷潘帕斯）

无需任何标注数据：TESSERA 128 维嵌入向量做无监督聚类 → Dynamic World 土地覆盖过滤农作物区域 → SAM2 精化边界。2024 年 Sentinel-2 影像输入，处理整个阿根廷潘帕斯粮仓区。

全自动化无监督流水线：阿根廷潘帕斯粮仓区的田块边界识别

---

全球覆盖验证

agribound 在六大洲 9 种卫星数据源上均进行了验证：

地区	卫星	引擎	特点
🇺🇸 美国新墨西哥	NAIP 1m / Landsat	DINOv3 + SAM2	有监督高分辨率
🇮🇳 印度恒河平原	Sentinel-2 10m	多引擎对比	零散梯田
🇦🇺 澳大利亚墨累-达令	HLS 30m	全流程	大规模灌溉农业
🇫🇷 法国博斯地区	Sentinel-2	多引擎集成	典型欧洲集约农业
🇦🇷 阿根廷潘帕斯	TESSERA 嵌入	无监督	全球粮食核心区
🇨🇳 中国华北平原	SPOT 6/7 6m	有监督	超大规模连片田
🇰🇪 肯尼亚小农区	Sentinel-2 + FTW	FTW	碎片化小农地块
🇨🇳 中国东北	SPOT + 时间序列	多时相集成	一年一熟大豆玉米
🇺🇸 美国加州中央谷	多源对比	集成对比	高价值经济作物

---

技术栈解析

核心语言：Python ≥ 3.10

地理信息处理（强依赖）：

• rasterio + geopandas + shapely：栅格/矢量数据 IO 和几何运算
• pyproj + fiona：坐标投影和文件格式支持
• pyarrow：高效列式存储

深度学习引擎（按需安装）：

• torchgeo：NASA 主导的遥感深度学习库
• ultralytics（YOLO）：Delineate-Anything 目标检测
• segmentation-models-pytorch：通用语义/实例分割框架
• lightning：PyTorch 训练框架
• kornia：可微分图像处理

卫星数据访问：

• earthengine-api + geemap + geedim：Google Earth Engine 云端处理
• leafmap：交互式地图可视化
• dask[distributed]：大规模并行瓦片处理

部署模式：

• 本地模式：安装 pip install agribound，准备好卫星影像即可运行（需要 GPU）
• GEE 云端模式：pip install agribound[gee]，所有计算在 Google Earth Engine 完成，适合没有强大本地算力的用户

---

上手体验

Python API（一行代码搞定）

import agribound

# 指定区域、时间、卫星源，一键出结果
polygons = agribound.delineate(
    lat=34.5, lon=-103.5,   # 新墨西哥州某处
    radius_km=10,
    year=2024,
    sensor='sentinel2',
    engine='tessera',        # 无监督嵌入方案
    output='fields.geojson'
)

CLI 命令行

agribound delineate --lat 34.5 --lon -103.5 --radius 10 --year 2024 \
    --sensor sentinel2 --engine tessera --output fields.gpkg

有监督微调（高级用户）

如果研究区有自己的标注边界数据，还可以微调模型：

polygons = agribound.delineate(
    region=my_shapefile,
    engine='dinov3',
    fine_tune=True,
    reference_boundaries=my_labels.geojson,
    fine_tune_epochs=50
)

---

局限与挑战

agribound 并非完美，团队在文档和论文中坦诚列出了当前局限：

1. SAM2 算力要求高：SAM2 精细化步骤需要较强的 GPU 显存，处理大面积区域时显存可能成为瓶颈
2. 动态水体区域误判：依赖 Dynamic World 土地覆盖数据，在季节性洪泛区可能出现边界划定不稳定的情况
3. 标注数据依赖：有监督模式（DINOv3、GeoAI、Prithvi）的精度强烈依赖参考边界数据的质量和数量，质量差的标注会导致模型输出偏差
4. FTW 微调未支持：Fields of the World 模型目前仅支持预训练权重推理，不支持用户自定义微调（需要成对时序数据）
5. 前期处于 Alpha 阶段：项目版本为 v0.1.x，生产环境使用存在 API 变更风险

---

行业意义

agribound 的出现填补了一个关键空白：此前农业遥感边界提取工具普遍存在单一引擎绑定（只能用 SAM，只能用 YOLO）、无农业过滤（把道路和农田混在一起）、全球覆盖不足（依赖特定地区的标注数据）等问题。agribound 通过多引擎集成+LULC 智能过滤+全球覆盖的设计，为以下场景提供了标准化工具链：

• 农业保险：快速划定承保田块，评估受灾面积
• 粮食产量估算：标准化田块边界是产量模型的必备输入
• 碳汇核算：精准农田边界是计算农业碳汇的基础
• 政策监测：追踪全球耕地变化趋势（撂荒、扩张）
• 人道主义援助：评估粮食不安全地区的农业产能

目前已有 Zenodo DOI 存档、PyPI 分发、科学引用格式（CFF），符合学术开源最佳实践。项目目前处于 Alpha 阶段，但 roadmap 中包含 LLM 智能编排（自动选择最优引擎组合）等前沿特性。