农业工程学报

作者：陶洪飞,李利源,徐燕,禹李曦然,李巧,解宏,姜有为,

关键词：玉米, 深度学习, 注意力机制, CBAM-UNet, 遥感

基金：42

玉米是重要的粮食作物，及时、准确地获取玉米空间分布信息对于玉米产量预测、农业政策制定与调整具有重要意义。为准确、高效地提取干旱地区大尺度范围玉米种植区域，该研究以新疆三屯河灌区为研究区，基于2019—2024年的Sentinel-2卫星影像，构建一种融合卷积块注意力机制（convolutional block attention module, CBAM）的CBAM-UNet玉米种植区域提取模型，并选择U-Net、SegNet和DeepLabV3+作为对比模型，采用平均交并比（mean intersection over union, mIoU）、平均像素精度（mean pixel accuracy, mPA）、italic>F/italic>1值、准确率（accuracy）、绝对误差（absolute errors, AE）、绝对百分比误差（absolute percentage errors, APE）和决定系数（coefficient of determination, italic>R/italic>su2/su）作为评价指标，评估各模型玉米种植区域提取的精度。结果表明：1）CBAM-UNet模型对玉米种植区域的提取精度最高，mIoU、mPA、italic>F/italic>1值和准确率分别达到83.14%、87.84%、89.62%和96.80%。2）CBAM-UNet模型的玉米提取面积与统计数据的AE介于406.01～796.20 hmsu2/su，APE均低于10%，决定系数为styled-content style-type="number">0.9841/styled-content>，拟合度较好。3）2019—2024年间的玉米种植面积呈现先增加再降低后回升并趋于平稳的变化趋势。研究结果可为干旱区灌区玉米识别与种植区域快速提取提供技术支撑。/

来源：2026年第6期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第6期