基于改進UPerNet和國產高分遙感數據的冬小麥種植區提取

白靜遠 寧紀鋒 郭交 楊蜀秦 張智韜

摘要：遙感技術能夠獲取大區域下冬小麥的空間分布，為冬小麥估產提供良好基礎。基于2020年5月4日的高分2號多光譜衛星影像，構建包含光譜特征和植被指數的數據集，并通過改進UPerNet模型的上采樣結構、激活函數以及增加注意力模塊來優化模型提取冬小麥效果。選取楊凌示范區2塊地物類型豐富地區作為研究區域，以此探究方法的可行性；然后基于最優方法，提取楊凌區冬小麥種植區域。研究區域結果表明，與僅使用光譜信息作為模型輸入特征相比，基于多光譜和植被指數的分類效果更好。在融合光譜特征和植被指數的數據集上，改進的UPerNet模型分類精度最高，冬小麥提取精度為97.78%，總體分類精度相比于改進前的UPerNet提升了2.49%，對比DeepLab V3+提升了3.48%。基于改進方法，實現了楊凌示范區的冬小麥種植區提取；通過實地調查以及對比統計年鑒數據的方式，驗證了楊凌示范區冬小麥空間分布與實際情況基本一致。改進后的UPerNet模型能夠有效區分遙感數據中的地物類別，提升冬小麥種植區域提取精度，也為基于衛星影像獲取冬小麥空間分布提供了技術支持。

關鍵詞：冬小麥；種植區提取；語義分割；高分衛星；UPerNet

中圖分類號：S127? 文獻標志碼：A

文章編號：1002-1302（2023）13-0203-09

冬小麥是我國主要糧食作物之一，及時準確獲取冬小麥種植區域有助于作物種植結構管理［1］。衛星遙感技術在大尺度的農業種植結構普查中具有及時高效的特點，已成為獲取農作物分布信息的主要手段之一［2］。利用衛星遙感技術及時準確掌握冬小麥的空間分布，對于農業政策制定、優化冬小麥種植區域布局具有重要意義，也可為冬小麥的長勢分析、產量預估提供基礎數據。

我國高分系列衛星覆蓋了從全色、多光譜到高光譜，從光學到雷達等多種類型，構成了一個具有高空間分辨率、高時間分辨率和高光譜分辨率的對地觀測系統，這些系統為精確提取農作物空間分布信息提供了強大的數據支撐。郭燕等基于高分2號的4 m多光譜影像，采用支持向量機、人工神經網絡和最大似然法，對河南省濮陽市濮陽縣小麥種植空間分布信息進行快速提取和精度分析［3］。王冬利等基于高分1號寬幅數據，分析不同時間的NDVI，結合K均值分類法進行河北省辛集市的冬小麥種植區域提取［4］。王利軍等基于高分6號寬幅數據，利用隨機森林算法完成4種不同紅邊波段方案下冬小麥、大蒜和油菜等作物的分類提取［5］。

基于深度學習構建的分類模型能夠在分類任務中加入上下文特征信息，從而提升分類精度［6］。不同的卷積神經網絡（convolutional neural networks，簡稱CNN）模型已被運用于遙感影像的分類中：崔剛等將PSPNet模型應用于冬小麥識別研究，文章基于衛星影像，探究了深度學習對不同分辨率冬小麥識別的適用性［7］。Ayhan等采用DeepLab V3+模型對公開遙感數據集中的植被進行分類［8］。Liu 等采用UPerNet模型實現基于航空影像的土地覆蓋分類［9］。

上述研究多采用光譜信息或單一的植被指數信息作為模型輸入特征，并未綜合利用光譜信息和其他植被指數信息。基于機器學習的分類模型也多依賴于人工構建特征，盡管此類模型具有易于構建、占用計算資源少等優勢，但分類結果有著一定的局限性［10］。基于深度學習的分類模型中采用的雙線性插值上采樣容易造成分類目標邊緣細節丟失，并且模型難以直接應用在多通道的遙感數據中。

為準確提取冬小麥種植區域，有效區分冬小麥和其他農作物，本研究提出一種基于深度語義分割方法的冬小麥種植區域提取模型。UPerNet模型能夠利用特征的層次性捕獲遙感圖像的低級紋理和復雜特征，通過改進UPerNet網絡結構適應融合光譜信息和植被指數的遙感數據，并修改激活函數、上采樣結構、增加注意力機制來優化模型。試驗結果表明，改進的UPerNet模型的冬小麥提取精度、總體精度（OA）和κ系數均優于隨機森林（random forest，簡稱RF）、DeepLab V3+和UPerNet模型，驗證了改進方法的有效性，為基于衛星影像獲取農作物種植結構提供參考。

1 材料與方法

1.1 研究區概況

研究區位于陜西省國家級楊凌農業高新技術產業示范區（107°59′～108°08′E，34°14′～34°20′N），簡稱楊凌區，總面積為13 500 hm2，地處暖溫帶，年均氣溫為12.9 ℃；氣候為半濕潤半干旱季風氣候，年均降水量為635.1 mm；全年四季分明，呈現典型的冬冷夏熱特征。楊凌區三面環水，水資源豐富、水利條件優越。氣候因素以及水文因素使得楊凌區適合冬小麥種植。

本研究選取楊凌區冬小麥集中種植區作為研究區域（圖1），其中區域A面積約為232 hm2， 區域B面積約為221 hm2。研究區域地物類型豐富，包含冬小麥、玉米等農作物，還包含工業廠房、居民房屋、農業塑料等其他地物類型。

1.2 數據及預處理

1.2.1 遙感數據 本研究選用高分2號光學遙感衛星（簡稱GF-2），該衛星搭載了2臺0.8 m全色/4 m多光譜的高分相機（簡稱：高分相機）。經過實地調查，進入5月后，冬小麥顏色逐漸變成深綠色，在衛星圖像中特征較明顯，利于訓練樣本選取與標注。結合冬小麥的生長周期，對5月的衛星影像進行篩選，最終選取無云時段的衛星影像作為本次試驗的數據源［11］。影像數據由GF-2搭載的高分相機獲取，數據獲取時間及GF-2主要參數見表1。

1.2.2 遙感數據預處理 GF-2獲取到的數據包括1幅4波段的多光譜影像和1幅單波段的全色影像。在ENVI軟件中對獲取的遙感數據進行預處理：首先對多光譜影像進行輻射定標、大氣校正和正射校正處理，再對全色影像進行輻射定標和正射校正處理，然后將多光譜影像和全色影像進行 Gram-Schmidt 圖像融合，獲得高空間分辨率的多光譜影像，預處理后的GF-2影像采樣率為0.8 m。

1.2.3 地面參考數據 根據實地調查結果以及目視解譯，將研究區土地類型劃分為冬小麥、裸地、建筑（城鄉房屋、工業廠房等）、農業塑料覆被（地膜及大棚等）、玉米地以及其他植被（除去冬小麥以及玉米的其他植被，如草地、林地等）共6種類型。通過統計2塊試驗區域的地面參考數據，最終獲取各類別分布情況如圖2所示。為訓練分類模型并進行分類精度定量評價，需獲取可靠的地面真值數據。因此開展實地調查，并結合高分辨率影像進行目視解譯，通過ENVI軟件繪制地面真值圖，A、B等2個研究區的可見光遙感圖像和地面參考數據如圖3所示。

1.3 數據集構建

選取占地面積較大的區域A遙感影像作為分類模型的訓練集和驗證集，占地面積較小的區域B作為分類模型的測試集。為加快模型訓練速度，將網絡輸入大小設置為256×256像素，并且按照 256×256像素的窗口大小對研究區域遙感圖像進行裁剪。結合各類別像素個數以及所占比例，將訓練區域A劃分為訓練集和驗證集，其中驗證集包含908張圖片，用來調整模型超參數；訓練集包含 2 724 張圖片。考慮到深度學習網絡對于訓練集數量的依賴，綜合前人學者研究，隨機抽取訓練集圖像進行翻轉、旋轉、縮放等圖像增強操作，以此擴充訓練集數量，增加網絡泛化能力［12］。最終獲得訓練集圖片3 200張，用來訓練分類模型。區域B作為測試集對模型的預測結果進行精度評價。

1.4 UPerNet深度語義分割模型

語義分割是在像素級別上的分類，屬于同一類的像素被歸為一類，因此語義分割是從像素級別來理解圖像［13］。與傳統圖像分割方法大多只利用圖像表層信息不同，基于深度學習的語義分割方法能夠充分利用圖像的語義信息［13］。

Xiao等提出UPerNet模型，該模型可實現聯合推理，并發掘圖像之中豐富的視覺知識［14］。UPerNet具有內存效率高的優點，適合處理高分辨率的圖像；并且能夠利用特征的層次性，因此可以捕獲圖像的低級紋理和復雜特征。UPerNet基于特征金字塔網絡（feature pyramid network，簡稱FPN）［15］。為克服深度卷積網絡的感受野足夠大但實際可用的要小很多這一問題，UPerNet把 PSPNet中的金字塔池化模塊（pyramid pooling module，簡稱PPM）用于骨干網絡的最后一層，在其被饋送至FPN自上而下的分支之前［16］。

1.5 改進的UPerNet冬小麥種植區域提取方法

1.5.1 UPerNet提取冬小麥種植區的局限性 UPerNet對三通道圖像的處理無法直接應用在包含更多通道的遙感圖像中。對于多光譜遙感圖像，除了能夠提供光譜信息還能夠提供植被指數信息，而現有的UPerNet模型未能有效利用這些信息。一些植被指數中包含負值，但語義分割中常用的ReLU激活函數對負值無響應容易導致性能下降［17］。UPerNet在最終預測圖的基礎上，采用雙線性插值上采樣直接獲得與輸入相同大小的輸出，但雙線性插值沒有學習能力并且會丟失細節［18］。因此，針對這些不足，本研究通過遙感圖像信息融合和網絡結構修改，構建適用于多波段遙感影像的語義分割網絡，以此能夠更好地提取小麥種植區域。

1.5.2 植被指數提取 在遙感圖像信息融合方面，通過對GF-2衛星影像的光譜信息以及植被指數進行疊加，形成7維度的數據集。

結合表1，選取GF-2影像的紅、綠、藍以及近紅外波段構建光譜特征。除了構建光譜特征外，在遙感影像分類中增加植被指數信息，以此研究植被指數的加入對模型分類精度的影響。

GF-2包含紅、綠、藍以及近紅外共4個波段，通過將可見光和近紅外波段進行組合，可以計算出歸一化植被指數（NDVI）、比值植被指數（RVI）和花青素反射指數2（ARI2），如圖4所示。NDVI是目前檢測植被生長狀態的常用指標［19］。RVI能夠體現植被與土壤背景之間的輻射差異，是植被長勢、豐度的度量方法之一［19］。ARI2常用于植被健康檢測、作物產量分析等方面［20］。

1.5.3 改進的UPerNet模型 首先是輸入層的修改：由于UPerNet多應用在三通道的圖像中，無法直接訓練多通道的遙感數據，因此按照構建的遙感數據維度增加網絡輸入通道數。

在引入植被指數后，考慮到引入的植被指數中包含負值，而Mish激活函數不僅擁有ReLU激活函數的優點，對于負值也有良好響應，因此將網絡中ReLU激活函數替換成Mish激活函數，使得改進后的模型更具有魯棒性［21］。Mish激活函數公式見式（1），其中x代表輸入數值。

Mish=x×（tanh）［ln（1+ex）］。（1）

由于輸入數據包含多個植被指數以及光譜信息，可能導致網絡訓練時不容易收斂，因此在骨干網絡ResNet101中加入SimAM注意力模塊提升網絡對分類目標的關注度，具體加入位置在骨干網絡的第1層到第4層內部——每層的3×3卷積之后，如圖5-a所示［22］。該模塊是無參3D注意力模塊，擁有通道注意力和空間注意力的優勢。采用該模塊的好處是不會給網絡增加額外參數，并且能夠突出分類任務的重要特征。

針對原模型中采用雙線性插值來恢復預測圖像尺寸，從而導致細節丟失的問題，改進后的UPerNet網絡將原網絡中雙線性插值上采樣部分用密集上采樣卷積（dense upsampling convolution，簡稱DUC）代替（圖5-b）。DUC的關鍵思想是將整個標簽圖劃分為多個通道的較小標簽圖，這些較小標簽圖與輸入DUC的特征圖具有相同的高和寬，通道個數為r2×L，r為下采樣倍數，L為預測類別個數。DUC直接在特征圖上應用卷積操作，具有可學習性，因此能夠捕獲和恢復在雙線性插值操作中丟失的詳細信息。

1.6 模型訓練

為驗證改進方法在小麥種植區域提取方面的有效性，本研究將其與隨機森林機器學習算法以及DeepLab V3+和UPerNet這2種常用的深度語義分割模型進行比較。

RF是一種集成分類器算法，由多顆分類與回歸樹（classification and regression tree，簡稱CART）構成［23］。該算法由于具有分類精度高和對噪聲數據不敏感等優勢，在農業領域有著廣泛應用。在本研究中，為保證RF模型和語義分割模型的輸入數據數量一樣，將數據增強后的圖像逐一轉換成像素點形式輸入RF模型。

采用Pytorch深度學習框架構建DeepLab V3+、UPerNet和提出的方法。為提高模型訓練速度和應用到新數據并做出準確預測的能力，采用在公共數據集訓練好的預訓練權重對上述3種深度學習模型的內部參數進行初始化；對于新加入的卷積結構無法通過預訓練權重初始化的問題，采用He初始化方法對新加入的結構進行權重初始化［24］。3種深度學習模型均訓練300個epoch，批處理尺寸為32；初始學習率為0.001，采用多項式衰減（Poly）策略進行訓練學習率的調整，矩為0.9，權值退化率為0.000 1。

1.7 精度評價

為定量評價不同分類方法對小麥種植區域的提取效果，基于混淆矩陣對分類結果進行評價。首先利用分類結果圖與地面真值圖構建混淆矩陣，通過混淆矩陣可以獲取到F1統計量（F1-score）、OA和κ系數等評價指標［25］。本研究用F1-score評價冬小麥種植區提取精度，用OA和κ系數作為總體分類的評估指標。

2 結果與分析

2.1 冬小麥提取結果

基于多光譜和植被指數，4種分類方法的試驗結果如表2所示，圖6是分類結果的可視化。由圖6、表2可知，UPerNet方法相較于RF和DeepLab V3+ 方法表現出更好的分類效果。而改進后的UPerNet模型則對應著最高的OA和κ系數，其對冬小麥種植區提取精度也是最優。冬小麥提取精度F1統計量為97.78%，相比于RF、DeepLab V3+ 和UPerNet方法依次提升了21.63百分點、1.44百分點、1.36百分點；OA為88.32%，相比于RF、DeepLab V3+和UPerNet方法依次提升了19.40百分點、3.48百分點、2.49百分點；κ系數為 0.846 3，相比于RF、DeepLab V3+和UPerNet方法依次提升了0.245 2、0.052 6、0.037 6。

2.2 冬小麥提取結果分析

2.2.1 深度學習和隨機森林的比較 由表2、圖6可知，基于傳統機器學習的RF方法分類精度不高，椒鹽現象明顯，冬小麥分類結果呈現不連續的塊狀，冬小麥與其他植被類別的特征相似，導致冬小麥地塊中出現冬小麥被錯分成其他植被類別。對于裸地以及冬小麥這類具有明顯光譜差異的簡單目標，RF能夠較好地區分。相比于RF方法，基于深度學習的DeepLab V3+、UPerNet和改進的UPerNet模型分類精度更高、椒鹽現象整體減少，提取的冬小麥種植區域分布完整性較好。3種深度學習方法的分類結果均優于RF方法，說明基于CNN構建的深度學習方法能夠從高空間分辨率遙感圖像中更充分地學習到分類特征。

2.2.2 改進模型與其他深度學習的比較 對比圖6中3種深度學習方法的分類結果可以看出，3種深度學習方法均能夠較好地提取出冬小麥種植區，但DeepLab V3+和UPerNet方法對于其他種類的提取依然存在不足。DeepLab V3+和UPerNet方法無法有效區分玉米和其他植被類別，并且預測的冬小麥地塊中也摻雜其他植被類別。在圖6-c中，UPerNet方法預測出來的農業塑料覆被邊界模糊，預測出來的冬小麥地塊邊界連成一片，不符合實地調查分布。

而改進的UPerNet對于冬小麥的提取精度以及其他地物的分類效果都是最優，能夠將冬小麥地塊、玉米地塊和其他植被地塊有效區分。基于改進的UPerNet模型，每個農業塑料覆被之間以及冬小麥地塊邊界變得清晰，邊界模糊問題得到改善。說明本文對UPerNet網絡的改進有助于提高模型提取特征的能力，對于冬小麥提取和地物類型分類有著較好的效果。

3 討論

3.1 植被指數對冬小麥提取精度的影響及分析

為探究在遙感影像分類任務中加入植被指數對冬小麥提取精度的影響，本研究基于上述4種方法，僅將多光譜信息作為模型輸入特征，以此提取冬小麥以及其他類別，最終獲得的結果如表3和圖7所示。

由表3可知，在遙感影像分類中加入植被指數有助于提升分類精度，但不同分類模型對于植被指數的響應程度不同。由圖4可知，加入的3種植被指數對土壤的背景變化均較為敏感，有助于區分植被與非植被區域。玉米和其他植被類別的紋理相比冬小麥要更加的粗糙，而且玉米種植相比于其他植被類別更加的規整；因此在加入圖4中的植被指數信息后，有助于冬小麥、玉米和其他植被3種類別的相互區分。深度語義分割模型能夠更好地學習到遙感圖像的深層特征，因此與基于純光譜信息作為分類特征相比，在添加了植被指數后，深度語義分割模型的精度提升程度要略高于RF方法。上述分析表明，多光譜和植被指數信息結合有利于區分不同地物類別，從而提升冬小麥提取精度和總體分類效果。

目視解譯得到的冬小麥分布如圖8-a所示，基于改進方法的區域B冬小麥空間分布如圖8-b所示。經統計，在改進方法下，基于純光譜信息和基于多光譜、植被指數信息提取的冬小麥種植面積分別為80.570 24、84.262 45 hm2。相比于目視解譯提取的冬小麥面積86.018 30 hm2，基于純光譜信息和基于多光譜、植被指數信息提取的冬小麥種植面積相對誤差分別為6.33%、2.04%。說明多光譜和植被指數信息結合有利于降低冬小麥面積提取誤差。

3.2 楊凌區冬小麥空間分布

基于上述結果與分析，改進的UPerNet模型能夠較好地提取試驗區冬小麥種植區域，并且多光譜和植被指數信息結合有利于降低冬小麥面積提取誤差。因此基于本演技方法，實現楊凌區的冬小麥種植區提取，結果如圖9所示。

由圖9可知，楊凌區冬小麥種植整體分散，多集中在楊凌區西南方向的揉谷鎮以及東北方向的楊陵街道。揉谷鎮冬小麥地塊規則、分布均勻，而楊陵街道的冬小麥呈不規則分布。為進一步驗證楊凌區冬小麥空間分布的準確性，隨機在楊凌區選取116個地面點進行實地調查，其中冬小麥樣點54個，其他類別樣點62個，如圖10所示。結合實地調查，楊凌區冬小麥空間分布與實際分布基本相符。通過統計計算，基于本研究方法提取的楊凌區冬小麥種植面積為647.26 hm2，與2021年陜西省統計年鑒數據666.67 hm2相比，相對誤差為2.91%［26］。

4 結論

基于UPerNet模型，通過改進模型的上采樣結構、激活函數以及增加注意力模塊來優化模型，綜合利用衛星圖像的光譜信息以及植被指數，在對研究區域進行冬小麥種植區域自動提取的基礎上實現土地利用分類，對比RF、DeepLab V3+和UPerNet方法，改進后的UPerNet方法均取得了最優的冬小麥提取結果，對于冬小麥種植區域的提取精度為97.78%，說明改進方法能夠較好地提取冬小麥種植區域。

在4種分類模型上，與僅使用光譜信息作為模型輸入特征相比，基于多光譜和植被指數的分類效果要更好，表明在對冬小麥提取中加入植被指數有助于冬小麥和其他相似類別的區分，從而提升分類精度。在2種不同的模型輸入特征上，深度學習方法的分類效果均優于傳統機器學習方法，表明深度學習在分類任務中能夠更好地提取遙感圖像特征。

基于改進的UPerNet模型，對融合了植被指數的楊凌區遙感影像進行冬小麥種植區提取，最終獲得的2020年楊凌區冬小麥面積為647.26 hm2，對比陜西省統計數據，相對誤差為2.91%。同時通過實地調查的方式進一步驗證了楊凌區冬小麥空間分布的準確性。

參考文獻：

［1］劉劍鋒，方 鵬，陳 琳，等. 基于MODIS NDVI的冬小麥收獲指數遙感提取［J］. 江蘇農業科學，2022，50（13）：219-225.

［2］陳 岳，寇衛利，李 瑩，等. 農作物遙感災損評估研究進展［J］. 江蘇農業科學，2022，50（16）：12-20.

［3］郭 燕，賀 佳，王利軍，等. 基于高分二號數據的小麥快速識別與精度分析［J］. 河南農業科學，2018，47（10）：143-148.

［4］王冬利，趙安周，李 靜，等. 基于GF-1數據和非監督分類的冬小麥種植信息提取模型［J］. 科學技術與工程，2019，19（35）：95-100.

［5］王利軍，郭 燕，王來剛，等. GF6衛星紅邊波段對春季作物分類精度的影響［J］. 河南農業科學，2020，49（6）：165-173.

［6］Du Z R，Yang J Y，Ou C，et al. Smallholder crop area mapped with a semantic segmentation deep learning method［J］. Remote Sensing，2019，11（7）：888.

［7］崔 剛，吳金勝，于 鎮，等. 深度學習對不同分辨率影像冬小麥識別的適用性研究［J］. 遙感技術與應用，2019，34（4）：748-755.

［8］Ayhan B，Kwan C. Tree，shrub，and grass classification using only RGB images［J］. Remote Sensing，2020，12（8）：1333.

［9］Liu C X，Du S Y，Lu H，et al. Multispectral semantic land cover segmentation from aerial imagery with deep encoder-decoder network［J］. IEEE Geoscience and Remote Sensing Letters，2022，19：1-5.

［10］劉 丹，劉學軍，王美珍. 一種多尺度CNN的圖像語義分割算法［J］. 遙感信息，2017，32（1）：57-64.

［11］李長春，陳偉男，王 宇，等. 基于多源Sentinel數據的縣域冬小麥種植面積提取［J］. 農業機械學報，2021，52（12）：207-215.

［12］寧紀鋒，倪 靜，何宜家，等. 基于卷積注意力的無人機多光譜遙感影像地膜農田識別［J］. 農業機械學報，2021，52（9）：213-220.

［13］黃 鵬，鄭 淇，梁 超. 圖像分割方法綜述［J］. 武漢大學學報（理學版），2020，66（6）：519-531.

［14］Xiao T T，Liu Y C，Zhou B L，et al. Unified perceptual parsing for scene understanding［C］//European Conference on Computer Vision. Cham：Springer，2018：432-448.

［15］楊建華. 基于FPN的高分辨率建筑物圖像的語義分割［J］. 遙感信息，2021，36（4）：133-141.

［16］蔣晨皓，馬玉良，祝真濱. 基于PSPNet改進UNet的輕量級視網膜血管分割算法［J］. 傳感技術學報，2022，35（7）：888-896.

［17］楊蜀秦，宋志雙，尹瀚平，等. 基于深度語義分割的無人機多光譜遙感作物分類方法［J］. 農業機械學報，2021，52（3）：185-192.

［18］田 萱，王 亮，丁 琪. 基于深度學習的圖像語義分割方法綜述［J］. 軟件學報，2019，30（2）：440-468.

［19］劉 東，歐陽安，陳 聰，等. 基于歸一化植被指數的農田邊界識別方法［J］. 江蘇農業科學，2022，50（11）：196-201.

［20］麻 坤，趙鵬祥，季菲菲，等. 基于植被指數的秦嶺森林健康評價方法研究［J］. 西北林學院學報，2013，28（6）：145-150.

［21］楊 堅，錢 振，張燕軍，等. 采用改進YOLOv4-tiny的復雜環境下番茄實時識別［J］. 農業工程學報，2022，38（9）：215-221.

［22］Yang L，Zhang R Y，Li L，et al. Simam：a simple，parameter-free attention module for convolutional neural networks［C］// Proceedings of the IEEE International Conference on Machine Learning. Vienna，2021：11863-11874.

［23］袁自然，葉 寅，武 際，等. 基于高光譜成像技術的辣椒葉片葉綠素含量估算［J］. 江蘇農業科學，2021，49（16）：189-193.

［24］He K M，Zhang X Y，Ren S Q，et al. Delving deep into rectifiers：surpassing human-level performance on ImageNet classification［C］//2015 IEEE International Conference on Computer Vision. Santiago，2015：1026-1034.

［25］金松林，來純曉，鄭 穎，等. 基于特征選擇和CNN+Bi-RNN模型的小麥抗寒性識別方法［J］. 江蘇農業科學，2022，50（10）：201-207.

［26］陜西省統計局，國家統計局陜西調查總隊. 陜西統計年鑒：2021［M］. 北京：中國統計出版社，2021.