基于遥感数据的农业温室时空演变研究：以中国渭南市为例

本研究针对农业温室提取中存在的误识别与漏检难题，提出了一种融合CBAM注意力模块的U-HRNet深度学习框架（CBAM-UHRNet），通过多尺度特征融合和混合损失函数优化，实现了高精度温室提取（准确率97.39%，MIoU 91.52%），并系统揭示了渭南市2013-2023年温室时空演变规律及驱动力机制，为智慧农业发展和土地利用政策制定提供科学依据。

　　

随着全球人口增长和城镇化进程加速，耕地资源日益紧张，农业生产面临严峻挑战。设施农业因其高投入、高产出和高效益的特点，成为保障粮食安全和促进农业可持续发展的重要手段。中国作为农业大国，自20世纪80年代末以来温室产业快速发展，温室面积从2006年的54.6万公顷扩展到2016年的131.5万公顷。然而，传统人工监测方式成本高、耗时长，难以实现大范围动态监测，而基于深度学习的农业温室提取仍面临误识别、漏检、边界粘连等挑战。

针对这些问题，中国地质大学（武汉）国家地理信息系统工程技术研究中心的郑茂腾等人开展了一项创新性研究，通过构建新型深度学习模型并结合多时空数据分析，系统揭示了渭南市农业温室的时空演变规律及驱动机制。研究成果发表在《Journal of Agriculture and Food Research》上，为农业温室监测和土地利用政策制定提供了重要科学依据。

本研究主要采用了以下关键技术方法：首先利用Google Earth平台获取2013、2018和2023年1米分辨率遥感影像构建数据集；其次提出CBAM-UHRNet深度学习模型，集成卷积块注意力模块（CBAM）和混合损失函数（Dice Loss + Focal Loss）；然后通过重心迁移模型、扩张指数（LEI）和热点分析探究时空演变特征；最后运用地理探测器定量分析自然地理和社会经济因素的驱动力作用。

研究结果：

多时期农业温室提取与精度评估

通过与传统语义分割模型（FCN、SegNet、DeepLabV3+、U-Net等）对比，CBAM-UHRNet在各项指标上均表现最优，准确率达到97.39%，MIoU为91.52%，Kappa系数为89.82%。该模型能够有效解决密集分布温室的边界粘连问题，减少道路、光伏板等相似地物的误分类。

农业温室时空分布及其驱动力

面积变化方面，渭南市温室总面积从2013年的46.21 km²增长至2023年的346.92 km²，扩张了300.71 km²，年均扩张约30.07 km²。大荔县是绝对扩张主力，其温室面积从12.75 km²增至268.68 km²，占区域总扩张面积的85.1%。

重心迁移分析显示，2013-2018年间温室重心从临渭区向东北方向迁移至大荔县，位移达14617.68米，迁移速率2923.54米/年；2018-2023年间重心在大荔县内向西西北方向移动2619.55米，速率降至523.91米/年，表明温室分布呈现向大荔县集聚的趋势。

扩张模式分析表明，2013-2018年以飞地型扩张为主，边缘型次之；2018-2023年转为边缘型和飞地型扩张为主，边缘型扩张数量显著增加，温室空间分布格局趋于紧凑。

驱动力分析显示，自然地理因素中高程、坡度、距道路距离、距河流距离、距农村居民点距离、距城镇中心距离、温度、降水和土壤类型均对温室分布有显著影响。社会经济因素中人均GDP、固定资产投资、第一产业增加值、第二产业增加值和人口密度是主要驱动因子。2013-2023年间，地理因素的影响力逐渐减弱，社会经济因素的作用日益凸显。第一产业增加值始终是主导因素，其影响力强度在2013年、2018年和2023年分别达到0.546、0.461和0.446。因子交互作用表现出明显的双因子增强和非线性增强特征。

研究结论与讨论表明，CBAM-UHRNet模型通过引入CBAM注意力机制和混合损失函数，有效提升了农业温室提取的精度和边界细节处理能力。渭南市农业温室在2013-2023年间呈现快速扩张趋势，空间分布从分散走向集聚，重心迁移轨迹反映了温室布局的区位选择偏好。驱动力分析揭示了自然地理条件为基础约束、社会经济因素为主导驱动的综合作用机制。该研究不仅为农业温室动态监测提供了技术支撑，也为区域农业规划和土地利用政策制定提供了科学依据。

未来研究可进一步优化模型在复杂场景下的适用性，加强多源数据融合，开展温室类型的精细分类，并预测其未来发展趋势，从而更好地服务于粮食安全保障和农业可持续发展。本研究的相关代码已在GitHub平台开源（https://github.com/Lemon-aaa007/CBAM-HRNet），促进学术交流和方法推广。