基于深度學習的冬小麥空間分布提取方法研究

摘要： 準確的冬小麥空間分布數據對于政府相關部門指導農業生產、優化產業結構具有重要意義。本文針對從高分辨率遙感影像上獲取冬小麥空間分布數據的需要，建立了一種基于卷積神經網絡的高效語義分割模型（Dense-UCoordNet），用于獲取高精度冬小麥空間分布信息。Dense-U-Coord Net 模型以DenseNet 為骨干網絡建立了一種“U”型網絡結構，利用密集連接的方式實現不同層次特征的融合；以坐標注意力機制（coordinate attention）和OCR 模塊（object-contextual representations）為基礎建立了一種多維度特征注意力機制，用于根據上下文信息以及空間位置信息對通過融合生成的特征進行優化，以提高模型生成一致性特征的能力。Dense-U-Coord Net 使用Softmax 作為分類器實現圖像分割，提取出冬小麥空間分布數據。選擇河北省邯鄲市館陶縣為研究區，GF-6PMS（Gaofen-6 Panchromatic andMultispectral Scanner）遙感影像為數據源，選擇SVM、U-Net、ERFNet和RefineNet 模型作為對比模型開展對比實驗。實驗結果表明，Dense-U-Coord Net 模型的查準率Precision（92.5%）、查全率Recall （93.4%）、平均像素精度MPA（94.2%）、和MIou指數（91.7%）均優于對比模型，證明了Dense-U-Coord Net 在提取冬小麥空間分布信息方面具有優勢。本文提出的方法能夠為現代農業提供基礎數據。

關鍵詞： 冬小麥；人工神經網絡；遙感圖像處理；注意力模型；圖像分割

中圖法分類號： TP751.1 文獻標識碼： A 文章編號： 1000-2324（2024）06-0914-11

冬小麥是我國重要的糧食作物之一，其精確的空間分布信息是進行糧食估產和農業管理的重要數據，對于優化農業資源分配具有重要的意義［1］。當前，結合遙感信息技術，如何利用高分辨率遙感影像快速、準確地獲取冬小麥空間分布信息數據已經成為目前需要迫切解決的問題。

與中低分辨率遙感影像相比，高分辨率遙感影像包含更豐富的細節信息［2］，為精細化提取冬小麥空間分布信息的研究提供了重要數據基礎，具有廣闊的應用研究價值。然而，高分辨率影像中的大量復雜特征導致信息的獲取更具挑戰性。在遙感影像處理領域，圖像像素特征提取技術是影像分析和信息提取的關鍵，但是由于高分辨率影像中“同物異譜”及“同譜異物”現象更為普遍，導致傳統的應用光譜指數特征的提取方法如植被指數［3］、水體指數［4］、NDVI 指數及其衍生指數［5-7］等，僅依靠特征差異性難以提取出高區分度的特征，導致逐像素分割精度較低，限制了光譜指數方法在高分辨率遙感影像中的應用。

相比于光譜指數特征，紋理特征能夠更有效地表達像素在空間上的關系。基于此，研究者們提出了一些基于紋理特征的提取方法，如灰度共生矩陣［8-10］、小波變換［11］等，可以提取出區分度較高的特征，提高逐像素分割精度，推動農作物精細化提取領域的發展。但是隨著遙感技術的不斷發展和影像分辨率的不斷提升，傳統的基于光譜指數和紋理特征的提取方法已難以有效捕捉影像中愈發復雜的細節信息。

隨著機器學習的發展，研究者們開始將隨機森林［12-14］和支持向量機［15-17］等算法應用于特征提取技術。通過將像素的光譜信息輸入到模型，經過復雜的數學計算提取理想特征。這些方法雖然能夠有效地探索不同通道間的相互關系并捕獲關鍵的特征信息，但這些特征主要描述單個像素的屬性，并未涵蓋像素之間的空間關系。這一局限性限制了這些方法在高分辨率遙感圖像處理領域中的廣泛應用。

近年來，卷積神經網絡（CNN）憑借強大的特征學習和提取能力，在圖像處理領域取得了顯著成就。與上述方法相比，CNN不僅能夠捕捉像素本身的特征，還能有效建模像素之間的空間關系，在高分辨率遙感影像上實現了較高精度的像素級圖像分割［18-22］。目前應用較為廣泛的圖像分割模型包括FCN［23］、SegNet［24-26］、UNet［27-29］、ERFNet［30，31］、RefineNet［32］等。FCN通過卷積層替代傳統卷積神經網絡的全連接層，消除了輸入尺寸的固定限制；SegNet 和U-Net 采用對稱式的網絡結構，能夠在分割任務中有效提取高級語義特征；ERFNet引入殘差學習，跳過部分網絡層，實現輕量化設計；RefineNet 通過多尺度融合策略，較好地解決了深層卷積網絡中語義特征粗糙的問題。

然而，這些CNN模型在處理高分辨率影像時，通常依賴圖像縮放來提取語義特征，導致部分有效細節信息丟失，影響遙感影像信息的準確性。此外，這些模型大多僅基于像素間的關系或僅從像素角度預測類別標簽，因而在捕捉分割物體整體語義信息和邊緣細節特征上存在局限。為實現更為精確的語義分割，研究者們采用了注意力機制［33］、邊緣優化損失函數［34］和條件隨機場［35］等方法進行特征增強，以提升模型在整體語義信息和邊緣細節特征方面的綜合識別能力。

基于以上分析，本文以精細化提取高分六號遙感影像中的冬小麥空間分布信息為目標，針對CNN下采樣過程因圖像縮放導致部分有效信息丟失和細節特征提取能力不足的問題，建立了一種基于密集卷積神經網絡DenseNet［36，37］的“U”型對稱網絡模型Dense-U-Coord Net。該模型利用DenseNet 的特征復用，實現特征高效傳遞。同時，本研究通過融合坐標注意力機制與OCR模塊［38］，提出了一種多維度特征注意力機制，整合上下文信息，并動態優化網絡對冬小麥地塊邊緣與內部區域的關注，進一步提高分割精度。

1 數據獲取與處理

1.1 研究區概況

本文的研究區為河北省邯鄲市館陶縣，如圖1所示。館陶縣位于河北省南部，東經115°20′-115° 46′ ，北緯36° 27′-36° 44′ 之間，總面積約456 km2，其中耕地面積7 200 hm2。屬暖溫帶半干旱半濕潤的大陸性季風氣候，四季分明，光照充足。館陶縣屬掩埋古河道的壤質土沖積平原，地勢西南高，東北低，土壤肥沃，以黃土和淤土為主，是重要的冬小麥生產區，以館陶縣作為研究區具有代表性。

1.2 數據及預處理

本研究以高分六號PMS 遙感影像為數據源。高分六號（GF-6）遙感衛星是我國自主研發的高性能光學遙感衛星，主要用于農業資源調查、災害監測和環境保護等領域。其搭載了包括具有2 米全色/8 米多光譜分辨率的多光譜相機，以及16 米分辨率的寬幅相機等高精度攝像裝備，能夠捕捉地表細節信息，為地表觀測提供了更加細致和準確的數據支持。

冬小麥普遍于9 月份中上旬至10 月份上旬播種，次年5 月底至6 月中旬收獲。選用高分六號PMS遙感影像傳感器2022 年4 月18 日河北省邯鄲市館陶縣的多光譜影像及全色影像作為數據源。利用開源的圖像處理工具包大氣校正、輻射定標、正射校正和融合等預處理操作后，得到的影像數據包括紅、綠、藍、近紅外波段共四個波段，空間分辨率為2 m。

將原始圖像裁剪成512×512 像素的圖像塊，使用目視解譯的方式勾畫矢量數據，包含冬小麥地塊和非冬小麥地塊兩類，分別用代碼1 和0 表示其編號，原始圖像和標記圖像一一對應。最后對數據集進行劃分，最終得到1 050 組訓練集，300 組測試集，150 組驗證集，用于Dense-UCoordNet和對比模型的訓練和測試。

2 方法

Dense-U-Coord Net 模型包括編碼器、多維度特征注意力、解碼器和SoftMax 分類器四部分，如圖2 所示。編碼器負責從輸入圖像中提取特征。多維度特征注意力位于編碼器解碼器之間，負責聚合上下文信息和提取有效空間位置信息。解碼器負責將特征圖逐步轉換為與原始輸入相同分辨率的輸出。編碼器各層與解碼器對應層之間通過跳躍連接直接相連，傳遞編碼器提取的特征圖，保留圖像空間細節和邊緣信息。SoftMax分類器用于完成逐像素分類。

2.1 編碼器

Dense-U-Coord Net 模型在U-Net 的基礎上進行了改進，使用DenseNet 作為骨干網絡，通過密集連接使每一層都能接收前面所有層的特征信息。如圖2 所示，該模型的編碼器部分設計了一種分層的下采樣結構，通過五個連續的下采樣階段將輸入圖像的尺寸從512×512 逐步降低至16×16 的特征圖。在第一個階段，使用7×7 的卷積核初步提取特征，然后通過3×3 的池化層保留重要的特征信息。在隨后的三個階段中，每個階段首先使用一個包含4 個密集塊的Dense Block，實現特征的傳遞和復用，之后通過一個1×1 的卷積層和2×2 的池化層降低特征的通道數并減小特征圖的尺寸。最后一個階段與前面三個階段相比則省略了卷積層和池化層；為提升模型的穩定性，每個階段加入BN層，并通過Dropout 正則化來防止過擬合。

2.2 多維度特征注意力

如圖2 所示，多維度特征注意力模塊由OCR模塊和坐標注意力模塊組成。該融合策略旨在同時保留全局上下文信息和局部位置信息，以便在語義分割過程中提高模型對邊緣細節和局部特征的捕捉能力，從而提升分割精度。如圖3 所示為多維度特征注意力機制模塊的結構圖。該模塊通過將OCR模塊形成的具有空間關系的特征表示輸入到坐標注意力機制，在空間和內容兩個維度調整特征分布，增強對冬小麥地塊的特征表達能力。圖中箭頭連接展示了特征信息在各個區域間的流動，通過不同層級的聚合和傳遞強化冬小麥像素點與周圍背景的分割效果。

OCR模塊通過聚合目標對象的上下文特征，建立冬小麥地塊像素與其他地物像素的空間關系，增強冬小麥地塊的特征表現力。首先，像素表示區域從主干網絡DenseNet提取的特征映射中獲取基礎像素信息，并通過加權聚合分配不同類別的區域特征至各個像素。隨后，軟物體區域層則通過學習模糊的權重，識別可能屬于冬小麥的區域。接下來對象區域表示層進一步細化冬小麥區域的定義，并增強其特征表達。像素-區域關系層則強化像素與所屬區域之間的聯系。最后，增強表示層整合所有先前層次的信息，豐富解碼器的上下文信息，更加精準地重建冬小麥地塊的分布。

坐標注意力機制模塊通過整合位置信息，編碼通道間的關聯性并捕捉遠程依賴關系。坐標注意力模塊的結構如圖4 所示，其中C為輸入通道數，H為特征圖高度，W為特征圖寬度，r 為下采樣的比例。該模塊包括兩個階段，首先是坐標信息嵌入階段，分別使用（H，1）和（1，W）的池化核對輸入特征圖的每個通道分別進行水平和垂直方向的編碼，再將兩個方向的空間特征融合，定位冬小麥田塊；坐標注意力生成階段將兩個空間方向的特征圖進行1×1 的卷積變換，空間維度中將p（空間信息在水平及垂直方向經過編碼后的中間特征圖）劃分為兩個獨立的張量pH和pW，隨后經過線性變換將特征映射到原始的H和W，最后通過Sigmoid 函數處理生成最終的注意力圖，再將其與原始輸入特征圖相乘而突出冬小麥地塊的關鍵特征。

2.3 解碼器

如圖2 所示，解碼器由五個連續的上采樣階段組成，利用雙線性插值法將多維度注意力機制模塊輸出的特征圖從16×16 逐步放大至512×512分辨率的輸出。在前四個上采樣階段中，均包含1 個3×3 的反卷積層用于放大特征圖尺寸和1 個3×3 的卷積層用于調整通道數。在最后一個上采樣階段，首先經過一個3×3 的卷積層將通道數映射為最終的類別數，然后再經過一個3×3 的反卷積層將圖像尺寸恢復到原始圖像大小。每個階段卷積層后都添加了BN 層提高模型穩定性和Dropout正則化防止過擬合現象。

2.4 分類器

Dense-U-Coord Net 模型使用SoftMax 模型作為分類器，SoftMax 模型廣泛應用于FCN、SegNet、RefineNet、U-Net 等模型。SoftMax 分類器計算每個像素點屬于不同類別的概率分布，組織成類別概率向量作為輸出，最大的概率值對應的類別作為該像素點的分類結果。

2.5 損失函數

為精確提取冬小麥空間分布信息，本研究在該二分類任務中使用像素級交叉熵損失函數，并利用梯度下降算法找到最優解。該函數將圖像中的每個像素視為獨立樣本，計算模型預測值與真實值之間的交叉熵損失。然后，通過將所有像素的損失值相加并平均，得到最終的損失值，計算公式如公式（1）所示。

2.6 評價指標

本研究使用精確度（Precision）、召回率（Recall）、平均像素精度（MPA）和平均交并比（MIoU）作為模型的評價指標客觀評價模型對冬小麥空間分布的分割結果。精確度是指模型預測為正的樣本中，實際為正樣本的比例；召回率衡量的是所有實際正樣本中，被模型正確預測為正的樣本的比例；平均像素精度是指對于每個類別，正確分類的像素占總像素的比例的平均值；平均交并比是計算預測區域與真實區域交集與并集的比例的平均值。

2.7 訓練方法

本實驗使用Adam 算法作為訓練算法，batch_size為4，epochs為150，具體訓練步驟為：

（1）確定模型訓練過程中的超參數，并對Dense-U-Coord Net模型的參數進行初始化；

（2）將制作的原圖—標記圖對作為訓練數據集輸入到Dense-U-Coord Net模型中；

（3）使用模型對數據集中的訓練樣本進行一次前向傳播計算；

（4）計算真實概率分布和預測概率分布的交叉熵損失函數；

（5）使用Adam 算法，對Dense-U-Coord Net模型的參數進行更新，完成一次訓練；

（6）重復上述步驟（3）（4）（5），直到看到損失函數的值小于指定的期望值，從而輸出訓練好后的網絡參數。

3 結果與分析

3.1 實驗設計

設計消融實驗，旨在精確評估逐步引入DenseNet 骨干網絡、OCR 模塊和坐標注意力機制對提取冬小麥空間分布信息精度的影響。

選擇SVM、U-Net、ERFNet和RefineNet 模型作為對比模型開展對比實驗，分析不同網絡結構對冬小麥空間分布提取精度的影響。表1 展示了SVM、U-Net、ERFNet、RefineNet 和Dense-UCoordNet 模型的核心特征和改進方向，對比了模型的主要區別及優勢。

選擇同期山東省聊城市東昌府區高分六號遙感影像進行測試，旨在驗證Dense-U-CoordNet 模型在不同高分辨率遙感影像中提取冬小麥空間分布信息的性能。

本研究在一臺16G運行內存的臺式計算機運行實驗，CPU 為13th Gen Intel（R）Core（TM） i5-13400F，GPU 為NVIDIA GeForceRTX 4060（8G），所用的操作系統為Win11 操作系統，編程語言為Python3.10.10，深度學習框架為Pytorch，編譯器為Pycharm2022 社區版。

3.2 實驗結果

表2 為消融實驗的實驗結果。基線模型UNet的各項評價指標為：精確度（Precision）87.3%、召回率（Recall）88.0%、平均像素準確率（MPA）90.4% 以及平均交并比（MIoU）86.8%。當引入DenseNet 模型作為主干網絡，并加入多維度特征注意力模塊后，模型的精確度提升至92.5%，召回率提升至93.4%，平均像素準確率達到94.2%，平均交并比提升至91.7%。結果表明，每項技術都有效提升了模型性能，驗證了改進策略的可行性和有效性。

圖5 展示了館陶縣的遙感影像（a）和Dense-U-Coord Net 模型的冬小麥空間分布提取結果（b），（b）圖中綠色區域為提取的冬小麥地塊。通過比較兩圖可以觀察到，Dense-U-Coord Net 模型提取的種植區域與遙感影像中的深綠色冬小麥地塊在空間分布上有著較高的一致性。

圖6 展示了U-Net、RefineNet、ERFNet、SVM和Dense-U-Coord Net 對館陶縣GF-6 遙感影像五個區域的提取結果，其中綠色區域和紅色區域分別為提取的冬小麥區域和非冬小麥區域。從圖6（c）中可以看出，Dense-U-Coord Net 模型的提取結果雖然也有少量道路未完全識別、錯誤識別現象，但相較于對比模型，其對冬小麥地塊識別較為準確，識別錯誤的情況更少，提取的大塊種植區域更完整，邊緣部分輪廓也更清晰。RefineNet 的提取結果僅次于Dense-U-CoordNet，但是其地塊邊緣部分略顯粗糙并有更多的錯誤識別現象。ERFNet 和U-Net 的提取結果雖然都明顯比SVM 優秀，但是與Dense-U-CoordNet 對比還是存在較大差距，錯識、漏識現象較多，碎屑斑塊較多，且地塊的邊緣部分提取效果不理想。SVM的提取效果最差，對于小塊的種植區提取效果差，且難以識別地塊間的道路，對于邊緣部分提取效果也不理想。

如圖7 所示為東昌府區的遙感影像（a）和Dense-U-Coord Net 模型的冬小麥空間分布提取結果（b），其中（b）圖中綠色區域為提取的冬小麥地塊。通過比較兩圖可以觀察到，冬小麥的種植區域在Dense-U-Coord Net 模型的提取結果中與遙感圖像中的深綠色冬小麥地塊在空間分布上有著較高的一致性，驗證了模型在不同數據集上的性能。

3.3 結果評價

表3 是不同模型的評價指標，用精確度、召回率、平均像素精度和平均交互比評估分割精度。

實驗結果表明，Dense-U-Coord Net 模型的各項評價指標均優于對比模型，RefineNet 模型次之，ERFNet和U-Net 模型較差，SVM模型效果最差。證明了Dense-U-Coord Net 在高分六號遙感影像中提取冬小麥空間分布信息方面具有優勢。

4 分析討論

4.1 特征提取器對結果精度的影響

SVM是一種傳統機器學習方法，通過在高維空間中尋找一個最優的超平面進行分類，由表3 模型實驗結果對比發現其在處理具有高維數據和復雜特征的高分辨率遙感影像時性能弱于神經網絡模型。U-Net、ERFNet、RefineNet 模型都是經典的編碼器-解碼器結構的卷積神經網絡，相較于傳統方法有更強的特征學習和處理能力。U-Net 模型較為簡單，編碼器部分采用的是經典的卷積神經網絡架構，由多個卷積層和最大池化層組成，逐層提取特征；ERFNet的編碼器是使用1D因子分解殘差塊，將標準的3×3 卷積分解為1×3 卷積和3×1 卷積，減少模型參數量；RefineNet 編碼器部分結合了深層特征和淺層特征的多尺度融合，與DenseNet 密集連接機制有些相似之處，都強調了跨層次特征的融合和復用。

Dense-U-Coord Net 采用了密集連接網絡DenseNet 作為特征提取器，每一層與前面所有層相連，允許每層直接訪問前面所有層的特征圖。由表2 消融實驗結果和表3 模型實驗結果對比可以發現，DenseNet 作為特征提取器的效果優于U-Net 和ERFNet，相較于這兩者，DenseNet 由于其密集連接特性，能夠保留更多的細節信息并且具有更強的特征復用能力，可以提供更豐富的上下文信息，導致其性能優于U-Net 和ERFNet；RefineNet 通過其多路徑細化網絡在多尺度融合上更為有效，在處理高分六號高分辨率遙感影像時能夠更精確地恢復細節和上下文信息，導致其性能優于DenseNet 特征提取器，但是DenseNet也有其一定的優勢，其減少了重復的特征學習，提高了網絡的參數利用效率。

4.2 特征注意力對結果精度的影響

在處理高分辨率遙感影像時，特征保留和邊緣特征的有效處理是提升圖像分割質量的關鍵因素。針對卷積神經網絡下采樣過程中因圖像尺寸縮小造成的像素細節丟失，導致邊緣特征損失的問題，本研究引入包含OCR模塊和坐標注意力機制的多維度特征注意力機制。這樣設計的目的是強化非冬小麥類別對象區域與冬小麥地塊邊緣處的分割結果，利用坐標注意力機制增強不同對象區域與其內部像素點之間的關聯，在不增加網絡計算量的情況下獲取更多語義信息，增強冬小麥地塊的空間特征表達。

由表2 消融實驗結果和表3 模型實驗結果對比可以發現，添加多維度特征注意力機制之后，Dense-U-Coord Net 模型的精度不僅高于U-Net和ERFNet，并且還優于未添加特征注意力機制的RefineNet（該模型精度高于只使用DenseNet作為骨干網絡的模型），這表明了多維度特征注意力模塊對于提升圖像分割模型在處理高分辨率遙感影像中的邊緣識別和特征保留方面的有效性。

4.3 數據集類型對結果精度的影響

實驗結果表明Dense-U-Coord Net 模型在處理高分辨率的GF-6 遙感影像時能較為精細地提取冬小麥空間分布信息。為全面評估模型在不同類型遙感影像數據集上的能力，在泰安市同期空間分辨率為16 米的GF-1 中分辨率遙感影像上進行測試。如圖8 所示，圖（1）和（2）分別為原圖和分割結果圖，圖（2）中的綠色區域和紅色區域分別代表提取到的冬小麥區域和非冬小麥區域，測試結果顯示模型的提取精度顯著下降。

造成這一現象的可能原因主要有兩個方面：首先，GF-1 影像分辨率較低，重要的冬小麥地塊特征如邊緣和紋理信息不夠豐富，導致模型無法有效識別并分割目標區域；其次，模型可能過度依賴高分辨率影像中的特征表達，難以學習中等分辨率遙感影像特征。

針對這個問題，后續考慮通過數據增強技術如圖像超分辨率重建、圖像銳化來增強中分辨率影像中的特征信息，提高模型對特征的識別能力。

5 結 論

本研究設計并實現了一種專門應用于高分辨率遙感影像的冬小麥空間分布信息提取模型Dense-U-Coord Net。此模型以U-Net 模型為基礎，有效解決了其在高分辨率遙感影像中提取冬小麥空間分布信息時特征提取能力不足及下采樣過程中尺寸縮小導致的特征丟失問題，實現在GF-6 號PMS遙感影像中獲取準確的冬小麥空間分布信息的目標，為農業生產管理提供數據支持。本文的主要貢獻有：（1）針對高分六號遙感影像及冬小麥地塊的特性，分析了傳統圖像分割模型在分割精度上的不足，并在此基礎上提出了一種神經網絡Dense-U-Coord Net；（2）為了提升分割精度并更有效地提取邊緣特征，提出了一種特征注意力模塊。該模塊通過OCR模塊聚合上下文信息，并結合坐標注意力機制識別圖像中的位置特征，取得了較為理想的分割效果。

針對模型在中分辨率影像中提取精度較低的問題，后續考慮通過數據增強技術如圖像超分辨率重建、圖像銳化等方式增強中分辨率影像中的特征信息，提高模型對特征的識別能力。未來工作也將著重優化數據集的制作流程，考慮使用半監督學習或自監督學習的訓練方法，解決目視解譯方法在數據集勾畫中的繁瑣與耗時問題，從而進一步增強模型的實用性和效率。

參考文獻

[1] 白靜遠，寧紀鋒，等. 基于改進UPerNet 和國產高分

遙感數據的冬小麥種植區提取[J]. 江蘇農業科學，

2023，51（13）：203-212.

[2] 孟浩然，李存軍，等. 綜合光譜紋理和時序信息的油

茶遙感提取研究[J]. 光譜學與光譜分析， 2023，

43（05）：1589-1597.

[3] 張 磊，宮兆寧，王啟為，等.Sentinel-2 影像多特征優

選的黃河三角洲濕地信息提取[J]. 遙感學報，2019，

23（02）：313-326.

[4] 羅 鑫，王崇倡，孫尚宇. 面向水體淺水區遙感識別的

水體指數NMBWI 研究[J/OL]. 自然資源遙感，1-7

[2024-06-11].http：//kns.cnki.net/kcms/detail/10.1759.

P.20240118.2340.002.html.

[5] 楊春光，許 鵬，李豐翔. 改進植被指數類型的干旱遙

感監測[J]. 測繪與空間地理信息，2023，46（09）：79-82.

[6] 柳文杰，曾永年，張 猛. 融合時間序列環境衛星數據

與物候特征的水稻種植區提取[J]. 遙感學報，2018，

22（03）：381-391.

[7] Singha M ，Wu B ， Zhang M ， et al. Object-Based

Paddy Rice Mapping Using HJ-1A/B Data and

Temporal Features Extracted from Time Series

MODIS NDVI Data[J]. Sensors，2016，17（1）：10.

[8] 朱麗娟. 基于灰度共生矩陣的紅棗紋理特征提取

[J]. 科技風，2022，（25）：78-80.

[9] 王清濤，楊 潔. 應用改進的灰度共生矩陣識別木材

紋理多重特征值[J]. 西北林學院學報，2019，34（03）：

191-195.

[10] Crabbe RA， Lamb DW， Edwards C. Investigating the

potential of Sentinel-1 to detect varying spatial

heterogeneity in pasture cover in grasslands[J].

International Journal of Remote Sensing. 2021 Jan;42（1）：

254-265.

[11] 李 赫，王 玉，范 凱，等. 基于深度學習、小波變換

和可見光譜的茶樹凍害程度評估[J]. 光譜學與光譜

分析，2024，44（01）：234-240.

[12] 宋 茜. 基于GF-1/WFV 和面向對象的農作物種植

結構提取方法研究[D]. 北京：中國農業科學院，2016.

[13] Magalh?es DPL ， Rossi F . Use of Indices in RGB

and Random Forest Regression to Measure the Leaf

Area Index in Maize[J]. Agronomy，2024，14（4）：750.

[14] Wang Y ，Jin S ，Dardanelli G . Vegetation Classification

and Evaluation of Yancheng Coastal Wetlands Based on

Random Forest Algorithm from Sentinel-2 Images[J].

Remote Sensing，2024，16（7）：1124.

[15] 賴佳政，李貝貝，程 翔，等. 基于無人機高光譜遙感

的烤煙葉片葉綠素含量估測[J]. 智慧農業（中英文），

2023，5（02）：68-81.

[16] 張 伏，張方圓，崔夏華，等. 高光譜成像結合PSOSVM

的銀杏果種類鑒別[J]. 光譜學與光譜分析，

2024，44（03）：859-864.

[17] Su Q ， Lv J ， Fan J ， et al. Remote Sensing-Based

Classification of Winter Irrigation Fields Using the

Random Forest Algorithm and GF-1 Data： A Case

Study of Jinzhong Basin， North China[J]. Remote

Sensing，2023，15（18）：4599.

[18] 朱立學，賴穎杰，張世昂，等. 面向采摘機器人的改進

U-Net 火龍果圖像分割和姿態估計方法[J/OL]. 農

業機械學報， 1-16[2024-05-27]. http：//kns. cnki. net/

kcms/detail/11.1964.S.20230920.1558.002.html.

[19] 賴一波，喻擎蒼，方家吉，等. 基于Mobile-UNet 的葫

蘆科接穗苗子葉圖像分割方法[J]. 軟件導刊，2024，

23（02）：153-161.

[20] 朱立學，伍榮達，付根平，等. 基于多尺度串聯空洞卷

積的輕量化UNet 香蕉圖像分割[J]. 農業工程學報，

2022，38（13）：194-201.

[21] Weiyue X ，Alex JT ，Qiong S ， et al. A segmentation

algorithm incorporating superpixel block and holistically

nested edge for sugarcane aphids images under natural

light conditions[J]. Biosystems Engineering， 2022，

2162：41-255.

[22] Li Y ，Mengya L ，Shuxiao L ， et al.Detection of dawn

sea fog/low stratus using geostationary satellite

imagery[J]. Remote Sensing of Environment， 2023，

294113622

[23] Luo H，Ming D，Xu L， et al.Tree Species Classification

Based on ASDER and MALSTM-FCN[J]. Remote

Sensing，2023，15（7）：1723.

[24] 張哲晗，方 薇，杜麗麗，等. 基于編碼-解碼卷積神經

網絡的遙感圖像語義分割[J]. 光學學報， 2020，

40（03）：46-55.

[25] 仇 龍. Trans-SegNet：一種基于Transformer 的腦腫

瘤圖像分割網絡[J]. 電腦知識與技術，2023，19（32）：

24-26+30.

[26] Cunge G ，Wenqi G ， Dongmei Z . Research on road

surface crack detection based on SegNet network[J].

Journal of Engineering and Applied Science，2024，71（1）：

[27] 侯文慧，周傳起，程 炎，等. 基于輕量化U-Net 網絡的

果園壟間路徑識別方法[J]. 農業機械學報，2024，

55（02）：16-27.

[28] 何紅術，黃曉霞，李紅旮，等. 基于改進U-Net 網絡的

高分遙感影像水體提取[J]. 地球信息科學學報，

2020，22（10）：2010-2022.

[29] 蘇健民，楊嵐心，景維鵬. 基于U-Net 的高分辨率遙

感圖像語義分割方法[J]. 計算機工程與應用，2019，

55（07）：207-213.

[30] Romera E， álvarez J， Bergasa L， et al. ERFNet：

Efficient Residual Factorized ConvNet for Real-

Time Semantic Segmentation[J]. IEEE Transactions

on Intelligent Transportation Systems， 2018， 19（1）：

263-272.

[31] Yin H， Zhang C， Han Y， et al. Improved semantic

segmentation method using edge features for winter

wheat spatial distribution extraction from Gaofen-2

images[J]. J. Appl. Rem. Sens， 2021（15）： 028501.

[32] 宋德娟，魏青迪，張承明，等. 利用RefineNet 模型提

取冬小麥種植信息的方法[J]. 遙感技術與應用，

2019，34（04）：720-726.

[33] Bin J ， Zhiyou C ， Chuanjian W ， et al. CA-BIT： A

Change Detection Method of Land Use in Natural

Reserves[J]. Agronomy，2023，13（3）：635-635.

[34] 李翠錦，瞿 中. 基于深度學習的圖像邊緣檢測算法

綜述[J]. 計算機應用，2020，40（11）：3280-3288.

[35] 赫曉慧，陳明揚，李盼樂，等. 結合DCNN與短距條件

隨機場的遙感影像道路提取[J]. 武漢大學學報（信

息科學版），2024，49（03）：333-342.

[36] Chang S，Yang G，Cheng J， et al.Recognition of wheat

rusts in a field environment based on improved

DenseNet[J].Biosystems Engineering，2024，238：10-21.

[37] 李子茂，徐杰，鄭祿，等. 基于改進DenseNet 的茶葉

病害小樣本識別方法[J]. 農業工程學報， 2022，

38（10）：182-190.

[38] YUAN Y， CHEN X， WANG J. Object-contextual

representations for semantic segmentation[C]//Computer

Vision-ECCV 2020：16th European Conference， August

23-28， 2020， Proceedings， Part VI 16. Springer

International Publishing. Glasgow， UK，2020： 173-190.