基于LW一CBAM的荒漠草原植被蓋度提取方法研究

中圖分類號：S812；TP751 文獻標識碼：A 文章編號：2095-5553（2025）07-0111-07

Abstract：Inorder toextractdesert grassland fractionalvegetationcoverage inrealtime，accuratelyandquickly，this paper proposedalightweightnetwork model method integrated atention mechanism（Lightweightnetwork-Convolutional Block Atention Module，LW—CBAM）based on the collected UAV hyperspectral remote sensing data.This method improved the traditional 2Dconvolution kernel to 3Ddeeplyseparableconvolution kernel，andcombined the multi-branch methodand theatention mechanismmoduletomakethe modellightweightandimprovedtheaccuracyof themodel.Inordertoobtain the optimal model，this paperoptimized the batch size and learning rateof the model.Theresultsshowed thatcompared with popular deep learning methods such as ResNet34，VGG16，MobileNetV2andMobileNetV3，LW—CBAM had a higher classification accuracy，OA was 98.97% ， Kappa coefficient was 97.94，and the model had a higher estimation accuracy for fractional vegetation coverage.The absolute error from the true value was only 0.17% .TheLW— CBAM's parameter count was reduced by over 90% compared to the other models，and its computational requirements were respectively 1.37% ， 0.74% ， 13.33% ，and 14.81% of the four other models. During the model validation stage，the estimation error of fractional vegetation coverage by LW—CBAM was below 0.3% . This model provided a feasible method for estimating fractional vegetation coverage in desert steppe and provided a basis for grassland degradation control.

Keywords：fractional vegetation coverage；hyperspectral remote sensing；deep learning；lightweight network; attention mechanism;desert steppe

0 引言

草原是我國生態系統中不可或缺的一部分[1]。我國的草地面積將近 4×10⁸hm² ，居世界第二位[2]。然而，自從20世紀60年代以來，草原退化現象在全國各地出現上升趨勢[3]，黨的二十大報告指出，推行草原森林河流湖泊濕地休養生息，提升生態系統多樣性、穩定性、持續性。全國第六次荒漠化和沙化土地監測調查結果顯示，內蒙古荒漠化土地占全國荒漠化土地面積的 23.04%^[4] ，土地沙化、次生鹽漬化嚴重，生態修復的任務艱巨[5]

草原荒漠化主要表現為植被蓋度（FVC）減少、植被種類減少、裸地面積增加等，因此， FVC 是荒漠化監測的重要指標[6。傳統的植被蓋度監測方法以地面實測為主，優點是精度高、數據可靠，但只能在小范圍內進行植被蓋度計算[7]。得益于技術的發展，衛星遙感法可以在大范圍內對植被蓋度進行反演，但其分辨率不夠高，成本也比較高昂[8]。近年來，無人機（UAV）搭載高光譜儀借助成本低、分辨率高、操作靈活等優勢迅速被大范圍應用9，可為荒漠草原植被蓋度的計算提供技術支持。

1數據采集與預處理

植被蓋度通常被定義為植被（包括枝、莖、葉）在單位面積內的垂直投影面積所占百分比[10]。張燕斌等[11]采用改進的3D—ResNet模型對荒漠草原地物進行分類，其總體分類精度為 97.73% ，為荒漠草原整體生態系統研究奠定基礎； Xu 等[12]提出了MSR—3DCNN模型用于高光譜圖像分類，并在3個開源數據集上進行試驗。深度可分離卷積（DSC）[13]降低了模型參數量，為深度學習模型的輕量化提供新思路。程鉻杰等[14]提出了輕量化殘差網絡模型，分類精度較高，且計算量和參數量較小；孫一帆等[15]提出了融合注意力機制的輕量化關系網絡，在小樣本條件下也有較高的分類精度。現有的方法存在計算效率不夠高的問題，因此，構建一種能夠快速、準確計算FVC的方法，對荒漠草原的治理具有重要的現實意義。

本文采用無人機搭載高光譜儀組建無人機高光譜遙感系統，對研究區荒漠草原的高光譜影像進行采集和數據預處理，構建一種融合注意力機制的輕量化網絡模型（LW一CBAM），對高光譜影像中的植被和非植被進行分類并計算FVC，與ResNet34、VGG16、MobileNetV2、MobileNetV3等目前流行的深度學習方法進行對比。旨在為以無人機高光譜遙感為手段的草原監測奠定基礎，為草原退化治理提供依據。

1.1 研究區概況

研究區位于內蒙古農牧業科學院四子王基地，地處內蒙古自治區中部的烏蘭察布市四子王旗格根塔拉草原，地理坐標北緯 41^°78^′ 、東經 111^°88^′ 。該區域海拔在 1 400～1 500m ，屬于溫帶大陸性氣候，全年平均氣溫在 1^°C～6^°C ，年降水量為 280mm^[16] ，主要集中在 6-9 月。土壤類型大部分為淡栗鈣土，土壤有機碳含量為 16g/kg ，含氮量為 1.67g/kg 。作為我國荒漠草原的典型代表，其植被稀疏低矮、種類貧乏，主要有短花針茅、冷蒿、無芒隱子草、錦雞兒、駝絨藜等。

1.2無人機高光譜遙感系統

無人機高光譜遙感系統由A3Pro飛行控制系統控制的大疆 M600Pro 六旋翼無人機、GaiaSky-mini型高光譜儀、如影云臺MX、小型機載計算機組成，如圖1所示。無人機采用大疆經緯 M600Pro 六旋翼無人機，空機重量為 9.5kg （含電池），最大起飛重量為 15.5kg ，滿載時可持續飛行 16min 。高光譜儀采用GaiaSky一mini型高光譜儀，光譜通道數為256，光譜范圍為 400～1000nm 光譜分辨率為 3.5nm ，圖像分辨率為775像素 ×696 像素，掃描方式為懸停內置掃描。機載計算機的CPU為Inteli7—7567U，配有512G的固態硬盤。

1.3數據采集

無人機數據采集時間為2023年7—8月，包括高光譜數據采集和可見光數據采集。在研究區內隨機布置60個大小為 1m×1m 的樣方，使用小旗和地墊輔助標記樣方。為降低天氣等外部條件對數據采集的影響，選擇時間為10：00—14：00，且在天氣晴朗、無云霧遮擋、風力低于3級（少風或微風）的條件下采集。高光譜數據采集時無人機飛行高度為 20m ，空間分辨率為1.73cm/pixel ，且對每個地物樣方拍攝3次。每個架次起飛前后分別進行標準白板校正，將光照強度的變化對高光譜圖像的影響降到最低。可見光數據采集使用大疆精靈3無人機采集，采集高度為 8m ，每個樣方拍攝2次。

1.4 數據預處理

通過人工對比，剔除成像不佳、過度曝光以及欠曝光的圖像，將高光譜數據導人SpecVIEW軟件，結合采集的白幀和黑幀對反射率進行校正。圖2為經過反射率校正后的光譜曲線。可以看出，植被和非植被的反射率曲線存在明顯差異，在 680nm 處植被反射率曲線有明顯的“波谷”，之后快速上升，而非植被在 400～ 800nm 上升較為平緩，且無明顯波動。反射率的差異為精確區分植被和非植被以及FVC的計算提供可能。

圖2植被和非植被的反射率曲線 Fig.2Reflectance curve of vegetation and non-vegetation

?

相比傳統的遙感圖像，高光譜圖像具有分辨率高、特征維數高的特點，但同時也存在信息冗余的問題，在數據處理過程中會出現維數災難和Hughes現象[17]。為避免模型學到無關信息，采用主成分分析（PCA）[18，19]法對高光譜數據進行降維處理。表1為高光譜數據經過PCA后主成分的協方差貢獻率。可以看出，經過PCA降維后，前30個主成分的累計協方差貢獻率為 99.80% ，基本可以包含原始高光譜圖像的全部信息，因此，選擇將高光譜數據降至30維。為方便處理，將高光譜圖像進行裁剪，最終高光譜圖像的尺寸為500lines ×500 samples ×30 bands。

表1協方差貢獻率Tab.1 Covariance contribution rate

?

在ENVI5.6軟件中使用ROI感興趣區域制作標簽數據集，其中植被像元24809個，非植被像元26673個，共有51482個樣本，將總樣本的 40% 作為訓練集，其余作為測試集。

1.5 FVC真實值

為確定FVC的真實值，使用大疆精靈3無人機采集樣方的可見光圖像，此操作在完成樣方的高光譜數據采集后進行。為了使可見光圖像與 500lines×500 samples的高光譜影像相對應，使用PhotoshopCC2015對可見光圖像進行裁剪，保證可見光圖像的植被蓋度可以作為真實值。支持向量機（SVM是一種機器學習算法，常被用于二分類問題，因此，選用SVM對可見光圖像進行監督分類并結合目視解譯法得到FVC真實值。

將裁剪后的可見光圖像導人ENVI5.6中，首先對圖像進行歸一化處理，接著通過ROI感興趣區域定義訓練樣本（訓練樣本約占總樣本的 15%～20% ，并計算樣本的可分離度。可分離度的值為 0～2.0 ，可分離度大于1.9，說明樣本之間可分離性很好；可分離度小于1.8，則需要重新選擇樣本。最后使用SVM監督分類對整幅圖像進行分類，通過目視解譯法對分類錯誤的區域進行調整，之后分別統計植被和非植被的像元個數，植被像元數與總像元數的比值即為FVC真實值。通過SVM對可見光圖像進行監督分類并結合目視解譯法最終得到植被蓋度的真實值為 50.92% 。

2 研究方法

2.1 注意力機制

注意力機制被廣泛應用于深度學習中，本文將3D卷積注意力機制模塊（CBAM）[20]融入深度學習模型，其可以分為兩部分：第一部分為通道注意力機制；第二部分為空間注意力機制。圖3為CBAM的整體結構，假設網絡輸入的特征尺寸為 H×W×C ，首先在空間維度（H，W 維度）分別作3DGlobalAveragePooling和3DGlobalMaxPooling，接著進行通道壓縮、展開操作， r 為通道 C 下降的倍數，即可得到每個 c 的權重，將二者相加后與原始特征圖相乘即可得到通道加權后的特征圖。之后在 c 維度分別作3DGlobalAveragePooling和3DGlobalMaxPooling，將二者在通道維度拼接，再通過卷積將通道合二為一，即可得到空間權重圖，將其與通道加權特征圖相乘即可得到通道空間加權的特征圖。

圖3卷積注意力機制模塊 Fig.3 Convolutional block attention module

?

2.2 神經網絡模型

傳統的卷積神經網絡運算量大、運算時間長，而深度可分離卷積（DSC）的出現大大減少了模型的參數量和運算量。因此，選擇使用DSC，以達到輕量化的目的。圖4為融合注意力機制的輕量化網絡模型（LW—CBAM的結構圖，通過PCA將高光譜數據降至30維，經過Patch后以 30×9×9 的大小送人神經網絡進行訓練。首先通過一個 7×7×7 的3D—DSC，并采用ReLU激活函數進行特征初步提取；接著分為3條支路分別提取特征，第一條支路為 3×3×3 的3D—DSC，第二條支路包括最大池化下采樣和上采樣，將第一條支路和第二條支路提取到的特征在維度方向上進行拼接，并在其后融入CBAM，第三條支路同樣是 3× 3×3 的3D—DSC；最后將第三條支路的特征與拼接后的結果進行融合，在其后也融入CBAM，通過展平層、全連接層以及Logsoftmax函數后輸出分類結果。此外，在每個卷積之后都加入批量歸一化（BN）操作，避免梯度消失與爆炸，加快模型收斂。為避免模型過擬合，在訓練階段使用dropout操作，隨機失活 40% 的神經元。

圖4神經網絡結構Fig.4Neural network structure

?

3 結果與分析

數據處理在Windows10系統上進行，RAM為16 GB，CPU 為 Intel Core i5-9300H ，顯卡為NVIDIAGeForceGTX1650，4GB獨顯。神經網絡模型基于Pytorch1.13.0框架編寫，編譯器選擇Anaconda 的 Spyder。

輸人神經網絡的圖像大小為30像素 ×9 像素 ×9 像素，訓練批次為100，采用交叉熵損失函數，優化器選擇Adam。并選用ResNet34、VGG16、MobileNetV2、MobileNetV3等目前流行的深度學習模型與LW—CBAM模型進行對比。

3.1 評價指標

對于分類精度，選用總體分類精度（OA）和Kappa系數21進行評價。 OA 為被正確分類的像元個數除以總像元個數。 OA 越高， Kappa 越大，模型效果越好。OA和Kappa系數的計算如式（1）和式（2）所示。

?

?

式中： k 分類的類別數；x_ii （204 第 i 類樣本中被正確分類的個數；n （2 樣本總數量；P e 期望分類精度；P_o 總體分類精度。

假設每一類真實樣本個數分別為 x₁，x₂，…，x_a ， 預測出的每一類樣本個數為 y₁，y₂，…，y_a ，則

?

對于植被蓋度的計算結果，選用估算值與真實值的絕對誤差 （AE ）進行評價，絕對誤差越小，植被蓋度的計算結果越準確。絕對誤差的計算如式（4）所示。

?

式中： Z （20 -FVC的估算值；

? （204號 -FVC的真實值。

對于模型輕量化，選擇參數量（Params）、運算量（Flops）^[22] ，并輔以訓練時間和預測時間進行評價，Params和Flops運算量越小，訓練時間和預測時間越短，表明模型越輕量化。

3.2 結果分析

為得到最優模型，將LW—CBAM模型進行批量大小（batchsize）和學習率（learningrate）的優化。為避免模型運算的偶然性，數據均為3次重復運算取平均值的結果。評估batchsize對模型效果的影響時，分別設置32、64、128、256共4種不同的batchsize，學習率為0.001。表2為對比結果，可以看出，在4種不同的batchsize下， OA 均高于 97.9% ，當batchsize為64時，取得最佳分類精度 98.44% 。

表2批量大小優化結果對比Tab.2Comparison of optimization results for batch sizt

?

在batch size為64的基礎上，設置0.00l、0.004、0.007，0.01，0.02 共5種不同的learningrate，目的是確定最佳的learningrate參數。由表3可知， OA 介于 98%～99% ，當學習率為0.01時，總體分類精度最高為 98.97% 。在試驗過程中，當learningrate為0.02時，訓練后期準確率振蕩劇烈，這是學習率過大導致的。因此，經過優化后，最終的批量大小和學習率分別為64、0.01。

表3學習率優化結果對比 Tab.3Comparison of optimization results for learning rate

?

為更好地評估模型的性能，將LW一CBAM與ResNet34、VGG16、MobileNetV2、MobileNetV3等深度學習網絡模型進行對比。圖5為5種模型的OA和Kappa系數對比。由圖5可知， OA 與Kappa系數的變化呈現相同的趨勢， OA 高的模型Kappa系數也高，其關系為LW—CI BAMgt; MobileNetV3gt;VGG16gt; MobileNet V2gt; ResNet34。需要說明的是，本文對Kappa系數做了放大100倍的處理。LW—CBAM的 OA 和 Kappa 系數分別為 98.97% 797.94，MobileNetV3的分類精度緊隨其后，分別為97.76%.96.15 。VGG16的性能處于5種模型的中間位置，分類精度為LW一CBAM的 98.30% 、96.54% 。MobileNetV2的效果表現不佳，OA和Kappa系數僅為 95.57%.91.13 。ResNet34的OA和Kappa系數最低，分別為 94.58% 、89.14，相比于LW—CBAM，分別降低 4.39%.8.8 。

模型訓練完成，需要對整幅高光譜圖像的覆蓋度進行預測，并與真實值進行對比，表4為5種模型計算FVC的結果，可以看出，LW—CBAM估算的植被覆蓋度與真實的植被覆蓋度最為接近，其絕對誤差為 0.17% 其次為MobileNetV3，估算植被覆蓋度為 50‰ ，絕對誤差為 0.24% ，VGG16和MobileNetV2模型的估算結果與真實值相差不大，絕對誤差分別為 0.32%.0.35% ResNet34的預測結果與真實值相差最大，絕對誤差為 0.44% 。

表4FVC估算結果Tab.4Estimation of FVC

?

圖5OA和Kappa系數 Fig.5 OA and Kappa coefficient

?

表5為各模型參數的對比，可以看出，LW—CBAM迭代100次的時間為 9.73min ，分別為ResNet34、VGG16、MobileNetV2、MobileNetV3的27.79% 、 60.12% ！ 63.99% 、 66.82% ，預測時間為18s ，較其他模型分別降低 23.33s，11.39s，15.61s ‘14.63s 。LW一CBAM的參數量僅為 0.74M ，較ResNet34、VGG16、MobileNetV2、MobileNetV3模型分別下降 99.11%.98.09%.91.90%.92.39% ，降幅均在 90% 以上，運算量分別為其他模型的 1.37% 、0.74%.13.33%.14.81% 。

表5模型參數對比Tab.5Model parameter comparison

?

FVC的可視化對比如圖6所示。

圖6可視化對比 Fig.6Visual contrast chart

?

為驗證LW一CBAM在荒漠草原FVC估算方面的有效性，對另外3張高光譜圖像進行FVC估算，結果如表6所示。可以看出，LW—CBAM對3張影像的FVC估算值分別為 51.91%.47.51%.52.56% ，與真實值的絕對誤差均在 0.3% 以下，驗證LW—CBAM在荒漠草原植被蓋度估算中的精準性。圖7為可視化結果。

表6FVC估算值與真實值對比 Tab.6Compare the estimated value with the truevalueofFVC

?

圖7覆蓋度估算模型可視化結果

Fig. 7Visualization results of coverage estimation model

?

4結論

通過無人機遙感系統采集荒漠草原的高光譜數據，研究融合注意力機制的卷積神經網絡模型對荒漠草原植被蓋度計算的準確性和快速性。

1）提出一種基于無人機高光譜圖像計算植被蓋度的輕量化網絡模型（LW—CBAM），并在該模型中融合注意力機制。結果表明，該模型的OA為 98.97% ，Kappa為97.94，與其余4種模型相比，分類精度更高，且該模型對荒漠草原植被蓋度估算的絕對誤差僅為 0.17% ，可以準確估算荒漠草原的 FVC 。

2）LW—CBAM舍去傳統的2D卷積模塊，采用3D深度可分離卷積模塊（3D—DSC），使得模型更加輕量化。與ResNet34、VGGl6、MobileNetV2、MobileNetV3相比，LW一CBAM的參數量降低 90% 以上，運算量分別為4種模型的 1.37%.0.74%.13.33%.14.81% ，且在模型訓練時間與預測時間上都有顯著優勢。

3）為驗證LW—CBAM在荒漠化草原蓋度估算方面的有效性，使用模型分別對3張高光譜影像進行植被蓋度估算。結果表明，LW一CBAM對植被蓋度的估算誤差在 0.3% 以下，實現高精度、快速的荒漠草原植被蓋度估算。

4）LW—CBAM為荒漠草原植被蓋度的計算提供一種切實可行的方法，為以無人機高光譜遙感為手段的荒漠草原監測奠定基礎。

參考文獻

[1]俞樹毅，王睿．草原生態文明建設進路中“圍欄困境”的破解[J]．蘭州大學學報（社會科學版），2022，50（4）：63-73.Yu Shuyi， Wang Rui. The solution ofthe“FenceDilemma”in the construction of grassland ecologicalcivilization[J]. Journal of Lanzhou University （SocialSciences），2022，50（4）：63-73.

[2]石磊，孫海蓮，王慧敏，等．內蒙古草地生態系統質量評估[J]．北方農業學報，2021，49（6）：128—134.Shi Lei，Sun Hailian，Wang Huimin，et al.Assessmentof grassland ecosystem quality in Inner Mongolia [J]. Journalof Northern Agriculture，2021，49（6）：128—134.

[3]臧琛，尚士友，王志國，等．典型草原退化評價因子及其分級標準的研究[J]．中國農機化學報，2016，37（10）：210—213，245.Zang Chen，Shang Shiyou，Wang Zhiguo，et al. Studyon degradation evaluation factorsof typical steppeand its classification standard [J]. Journal of ChineseAgriculturalMechanization，2016，37（10）：210-213，245.

[4]昝國盛，王翠萍，李鋒，等．第六次全國荒漠化和沙化調查主要結果及分析[J]：林業資源管理，2023（1）：1-7.Zan Guosheng，Wang Cuiping，Li Feng，et al.Keydata results and trend analysis of the sixth national surveyondesertification andsandification[J]. ForestryResources Management，2023（1）：1—7.

[5］韓芳，劉朋濤，牛建明，等．50a來內蒙古荒漠草原氣候干燥度的空間分布及其演變特征[J]．干旱區研究，2013，30（3）：449-456.Han Fang，LiuPengtao，Niu Jianming， etal.Spatial distribution and evolution ofclimaticaridityin desert steppe in Inner Mongolia in recent 5O years [J].AridZoneResearch，2013，30（3）：449-456.

[6]Oliveira D E T，Freitas D S D， GianeziniM，et al.Agricultural land use change in the Brazilian Pampa biome：The reduction of natural grasslands [J]. Land Use Policy，2017（63）：394-400.

[7]郭慶華，胡天宇，馬勤，等.新一代遙感技術助力生態系統

生態學研究[J]．植物生態學報，2020，44（4）：418-435.Guo Qinghua，Hu Tianyu，Ma Qin，et al.Advance forthenewremotesensingtechnologyinecosystemecology research [J]. Chinese Journal of Plant Ecology，2020，44（4）：418-435.

[8]劉克．衛星遙感技術縣域應用現狀及前景分析[J]．科技風，2022（35）：7—10.Liu Ke. Application status and prospect analysis ofsatellite remote sensing technology in counties [J].Science and Technology Style，2022（35）：7-10.

[9]Riihimaki H， Luoto M，Heiskanen J.Estimatingfractional cover of tundra vegetation at multiple scales usingunmanned aerial systems and optical satelite data [J].Remote Sensing of Environment，2019，224：119—132.

[10]HuaL，MichaelRR，TimRM，etal.Decomposition ofvegetation cover into woody and herbaceous componentsusing AVHRR NDVI time series [J]. Remote Sensing ofEnvironment，2003，86（1）：1—18.

[11］張燕斌，杜健民，王圓，等．基于無人機高光譜遙感和3D—ResNet的荒漠草原地物分類[J].中國農機化學報，2022，43（4）：66—73.Zhang Yanbin， Du Jianmin， Wang Yuan， etal.Terrain classificationindesert steppe based onUAV hyperspectral remote sensing and 3D-ResNet[J]. Journal of Chinese AgriculturalMechanization，2022，43（4）：66－73.

[12] Xu H，Yao W，Cheng L，et al.Multiple spectralresolution3Dconvolutional neural networkforhyperspectral image clasification [J]. Remote Sensing，2021，13（7）：1248.

[13]Andrew G H，Menglong Z，Bo C，et al. MobileNets：Efficientconvolutionalneuralnetworksformobilevision applications [J].arXiv preprint arXiv：1704.04861，2017.

[14]程諮杰，楊耘，李龍威，等．基于深度可分離卷積的輕量化殘差網絡高光譜影像分類[J]．光學學報，2023，43（12）：311-320.Cheng Rongjie， Yang Geng， Li Longwei， etal.Lightweightresidual networkbasedon depthwiseseparableconvolution forhyperspectral imageclassification[J]. Acta Optica Sinica，2023，43（12）：311—320.

[15］孫一帆，余旭初，譚熊，等．面向小樣本高光譜影像分類的輕量化關系網絡[J]．武漢大學學報（信息科學版），2022，47（8）：1336—1348.SunYifan， Yu Xuchu， Tan Xiong， etal.Lightweightrelation networkorsmall samplehyperspectral'image classification [J]. Geomatics andInformation Science of Wuhan University，2O22，47（8）：1336—1348.

[16］潘占磊，王忠武，韓國棟，等．短花針茅荒漠草原甲烷通量對增溫和施氮的響應[J]．生態環境學報，2016，25（2）：209-216.Pan Zhanlei， Wang Zhongwu， Han Guodong，et al.Responseofmethanefluxes on warming andnitrogen addition in Stipa breviflora desert steppe [J].Ecology and Environment Sciences，2016，25（2）：209-216.

[17] Ma W， Gong C， Hu Y， et al.The Hughesphenomenon in hyperspectral classification based onthe ground spectrum of grasslands in the region aroundQinghai Lake[J].The International Society for OpticalEngineering，2013，8910.

[18] Taskin K，Hasan T， Merve E Y， et al.Dimensionality reduction and classification ofhyperspectral images using object-based imageanalysis [J].Journal of the Indian Society of RemoteSensing，2018，46（8）：1297—1306.

[19]孫肖，彭軍還，趙鋒，等．基于空間統計學的高光譜遙感影像主成分選擇方法[J]．自然資源遙感，2022，34（2）：37—46.Sun Xiao，Peng Junhuan，Zhao Feng，et al.Principalcomponentselectionmethodofhyperspectralremotesensing images based on spatial statistics [J]. Remote Sensingfor Natural Resources，2022，34（2）：37-46.

[20] Chaoqun W，Binbin L，Bin J. Fault diagnosis of rollingbearing basedon convolutionalneuralnetworkofconvolutional block attention module [J]. JournalofPhysics：Conference Series，2021，1732（1）：012045.

[21］陳桂芬，曾廣偉，陳航，等．基于紋理特征和神經網絡算法的遙感影像分類方法研究[J]．中國農機化學報，2014，35（1）：270—274.ChenGuifen，Zeng Guangwei，Chen Hang，etal.Studyof RS image classification method based on texturefeatures and neural network algorithm [J]. Journal ofChinese Agricultural Mechanization， 2014， 35（1）：270—274.

[22] Tao Z， Yuge B， Fei H，etal. Transformerattentionnetworkand unmanned aerial vehiclehyperspectralremote sensingfor grassland rodentpest monitoring research [J]. Journal of Applied RemoteSensing，2022，16（4）：044525.