1.一种基于高分一号数据与U‑Net模型的大豆种植区提取方法，其特征在于：该方法包括下列顺序的步骤：(1)获取研究区的高分一号数据影像并进行预处理，得到数据集样本；

(2)对数据集样本进行数据处理，划分为训练集和测试集；

(3)构建U‑Net网络模型；

(4)将训练集输入U‑Net网络模型，分析对比基于U‑Net网络模型的损失函数和训练精度变换曲线，对比不同迭代周期训练结果对比图，选择U‑Net网络模型采用的训练周期；

(5)U‑Net分类结果与分析：将测试集输入U‑Net网络模型，进行对比试验，分别得到提取结果，根据提取结果分析不同图像尺寸、不同训练周期以及不同网络模型对大豆种植区提取结果的影响，得到结论U‑Net网络模型在大豆种植区识别提取方面的应用可行性。

2.根据权利要求1所述的基于高分一号数据与U‑Net模型的大豆种植区提取方法，其特征在于：所述步骤(1)具体是指：选取安徽省北部典型大豆种植区临湖镇和标里镇为研究区，采用国产高分一号GF‑1卫星影像作为数据源；

所选国产高分一号GF‑1卫星影像数据包括：

GF‑1卫星9.3m多光谱影像：数据成像时间为2019年8月18号，传感器为：PMS 1，为1A级影像，包含蓝、绿、红、近红外四个波段；

GF‑1卫星2.3m全色影像：数据成像时间为2019年8月18号，传感器为：PMS 1，为1A级影像，包含一个全色波段；

使用ENVI 5.3软件进行预处理，所述预处理包括大气校正和正射校正，得到空间分辨率为2m的全色影像与9m的多光谱影像，经融合裁剪得到空间分辨率为2m的研究区影像，将空间分辨率为2m的研究区影像作为数据集样本。

3.根据权利要求1所述的基于高分一号数据与U‑Net模型的大豆种植区提取方法，其特征在于：所述步骤(2)具体包括以下步骤：(2a)进行数据裁剪：将数据集样本按照三种方式进行数据裁剪，第一种切割成256×

256大小的影像，第二种切割成128×128大小的影像，第三种切割成512×512大小的影像；

(2b)进行数据划分：将经过裁剪的数据划分为训练集和测试集；

(2c)进行归一化处理：使用Min‑Max标准化方法将像素值位于[0,255]之间的数据影像归一化压缩到[0，1]之间，Min‑Max标准化方法的公式如下：式中：xmax为数据中的像素最大值；xmin为数据中的像素最小值；

(2d)进行数据增广：采用几何变换和裁剪变换的方式来对数据进行数据增广，具体包括伸缩变换、水平竖直翻转变换、旋转的变换操作。

4.根据权利要求1所述的基于高分一号数据与U‑Net模型的大豆种植区提取方法，其特征在于：所述步骤(3)具体包括以下步骤：(3a)U‑Net网络模型的收缩路径为特征提取下采样过程，U‑Net网络模型的扩张路径为上采样过程，在下采样过程中，每两个卷积层组成一个卷积块，共含有5个卷积块，在每个上采样的过程中，两个卷积层减少的卷积特征映射，连接的特征映射的数量来自编码路径的特征映射的数量；在特征提取的过程中，遥感影像每经过一个池化层，图像的尺寸就会缩小一次，在特征提取时，每次上采样都会与相同尺度的通道数融合，U‑Net网络模型中，将特征提取与上采样进行连接，整体形成一个U型结构；

(3b)基于混淆矩阵的基础上，计算得到整体精度、召回率、精确度、F1分数、交并比和平均交并比，其中整体精度的计算公式如下：式中，TP为被正确分类为大豆种植区的像元数量；TN表示将背景像元预测为背景像元的数量；FP表示将背景像元误预测为大豆种植区像元的数量；FN表示将大豆种植区像元误预测为背景像元的数量；

所述召回率的计算公式如下：

所述精确度的计算公式如下：

所述F1分数的计算公式如下：

式中，所述Precision为精确度，所述Recall为召回率；

所述交并比的计算公式如下：

所述平均交并比的计算公式如下：

式中：k为类别个数；Pii为类别为i的像素被预测为类别i的像素个数；pij为类别为i的像素被预测为类别j的像素个数；pji为类别为j的像素被预测为类别i的像素个数。

5.根据权利要求1所述的基于高分一号数据与U‑Net模型的大豆种植区提取方法，其特征在于：所述步骤(4)具体包括以下步骤：(4a)将训练集输入U‑Net网络模型，分析对比U‑Net网络模型的损失函数和训练精度变换曲线，对比不同迭代周期训练结果的对比图；

(4b)用Adam从默认值开始调节，将U‑Net网络模型的学习速率设置为0.0001，将批处理参数batch_size设置为4，U‑Net网络模型采用100个训练周期。

6.根据权利要求1所述的基于高分一号数据与U‑Net模型的大豆种植区提取方法，其特征在于：所述步骤(5)具体包括以下步骤：(5a)将数据集样本裁剪为三组不同尺寸用于对比分析，其中裁剪尺寸为128×128的方式，将测试影像裁成143张；裁剪尺寸为256×256的方式，将测试影像裁成42张；裁剪尺寸为

512×512的方式将测试影像裁成12张测试影像；将批处理参数batch_size设置为4，训练周期设为100次，对比最终的提取结果和精度评价，裁剪尺寸为256×256明显高于另外两个裁剪方式；

(5b)对比训练周期，当训练周期在60个epoch的时候，训练精度达到最高；

(5c)将U‑Net网络模型和SegNet网络模型、Deeplabv3+网络模型作对比，三种模型的训练周期都是100epoch，批处理参数batch_size都设置为4，数据集的裁剪尺寸都是256×

256，通过对比实验验证了U‑Net网络模型在大豆种植区识别提取的能力最强。