Extraer con precisión parcelas de imágenes satelitales es crucial en la agricultura de precisión. La detección de bordes tradicional falla en escenas complejas con un difícil posprocesamiento, y los modelos de aprendizaje profundo son consumidores de tiempo en términos de preparación de muestras y menos transferibles. Basándonos en esto, diseñamos un método que combina imágenes de teledetección de múltiples resoluciones basado en el Modelo Segment Anything (SAM). Utilizando enmascaramiento de tierras de cultivo, predicción de superposición y posprocesamiento, logramos la extracción de parcelas a una resolución de 10 m con SAM, con un rendimiento en áreas llanas comparable a los modelos de aprendizaje profundo existentes (P: 0.89, R: 0.91, F1: 0.91, IoU: 0.87). Notablemente, en regiones montañosas con terrenos cultivados fragmentados, nuestro enfoque incluso superó a estos modelos (P: 0.88, R: 0.76, F1: 0.81, IoU: 0.69). Posteriormente, los resultados de las parcelas de 10 m se utilizaron para cultivar la imagen de alta resolución. Basándonos en las características del histograma y en las características internas de los bordes de las parcelas, utilizadas para determinar si segmentar hacia abajo o no, y al mismo tiempo, mediante el establecimiento de los parámetros adaptativos de SAM, la extracción de parcelas de submetros se realizó finalmente. Los límites de los campos extraídos de imágenes de alta resolución pueden caracterizar con mayor precisión las parcelas reales, lo cual es significativo para la producción y gestión de tierras de cultivo. Este estudio amplió la aplicación de grandes modelos de aprendizaje profundo en teledetección y proporcionó un método simple y rápido para la extracción precisa de los límites de las parcelas.