1.一种基于SK‑UNet深度学习网络的遥感影像大豆种植区域提取方法，其特征在于：该方法包括下列顺序的步骤：(1)获取10m分辨率的哨兵二号遥感影像并进行预处理，利用ArcGIS软件勾画大豆区域矢量，得到大豆区域原始影像数据和标签数据，大豆区域原始影像数据的尺寸为256×256×3，标签数据尺寸为256×256×1，大豆区域原始影像数据和标签数据构成遥感影像数据集；

(2)以UNet网络作为基础网络，在其编码器和解码器的基本卷积层中嵌入SKNet Block模块，构建改进的UNet网络模型即SK‑UNet模型作为大豆种植区影像提取网络；

(3)将遥感影像数据集输入SK‑UNet模型进行训练，得到训练后的SK‑UNet模型；

(4)获取待提取的遥感影像并进行预处理；

(5)将预处理后的待提取的遥感影像输入训练后的SK‑UNet模型，得到大豆种植区影像提取结果；

SKNet Block模块采用一种非线性的多核信息聚合方法来实现神经元的自适应感受野大小，它由三个算子组成：Split、Fuse and Select算子；其中，Split算子产生多条不同核大小的路径，对应于不同的神经元感受野大小，Fuse算子将来自多条路径的信息进行组合和聚合，以获得选择权重的全局综合表示，Select算子符根据选择权重聚合不同大小内核的特征映射；

Split算子将原特征图分别通过一个3×3的分组/深度卷积和3×3的空洞卷积生成两个特征图U1和U2，然后将这两个特征图进行相加，生成特征图U；

Fuse算子使用全局平均池化来嵌入全局信息，从而生成信道的统计信息，特征S的第c个元素通过空间维度H×W收缩U计算：式中，Fgp表示对特征进行平均池化，Uc为输入特征图的第c维特征，W、H表示特征的宽和高，i和j是特征图在空间维的坐标；

建立一个紧凑型特征z，实现精确和自适应选择的引导，通过一个简单的全连接层实现，公式如下：d×C

式中，δ是ReLU函数，B表示批次标准化，W∈R 为权重矩阵，为了研究d对模型效率的影响，使用缩减率r来控制其值:式中，L表示d的最小值，C为输入的第C维特征，r是一个超参数；

Select算子把生成的特征z通过ac和bc两个函数，并将生成的函数值与特征图U1和U2相乘：C×d d×1

式中，A、B∈R ,这两个矩阵是由端到端训练出来的，Z∈R ，经过softmax操作后，得C×1到的a∈R ，z为紧凑型特征，a为软注意力矢量；

最终的特征图V通过不同核上的注意权重获得：

Vc＝ac·U1+bc·U2，ac+bc＝1

H×W×C C×1

式中，U1、U2∈R ,a、b∈R 。

2.根据权利要求1所述的基于SK‑UNet深度学习网络的遥感影像大豆种植区域提取方法，其特征在于：所述步骤(2)具体包括以下步骤：(2a)基于UNet网络作为基本框架来提取特征，设定Unet网络包括编码器、解码器和跳跃连接部分；

(2b)设定编码器由3×3卷积层、ReLU函数和2×2最大池化层组成，编码器用于通过卷积层提取图像特征信息，进行四次下采样；在每次池化操作后，特征图像变小，通道数加倍；

解码器通过2×2转置卷积进行上采样，解码器部分完成四次上采样；每次上采样后，特征图像的大小增加，通道数减少一半，再通过跳跃连接部分将特征图的低级细节与高级语义结合起来，最后通过Softmax作为分类层，将图片像素分割为两类，一类为背景，另一类是提取的大豆区域；

(2c)设定SKNet Block模块：

(2d)在编码器和解码器的基本卷积层中嵌入SKNet Block模块，得到SK‑UNet模型，SKNet Block模块用于整合不同尺度的特征图，动态调整卷积核大小，通过UNet网络学习自动获取每个特征通道的重要性。

3.根据权利要求1所述的基于SK‑UNet深度学习网络的遥感影像大豆种植区域提取方法，其特征在于：所述步骤(3)具体包括以下步骤：(3a)确定训练过程中的超参数，并初始化SK‑UNet模型的参数，Batch size为4，学习率为0.0001，Adam优化器的参数Beta1为0.5，Beta2为0.999，Epochs为100；

(3b)将遥感影像数据集输入SK‑UNet模型；

(3c)使用SK‑UNet模型对当前训练数据执行前向传播；

(3d)计算损失并反向传播到SK‑UNet模型；

(3e)使用Adam优化器根据SK‑UNet模型的损失值更新SK‑UNet模型的参数，重复步骤(3b)直至步骤(3d)，直到损失值小于预定阈值。