Como uno de los principales cultivos de granos de China, el trigo tiene una alta demanda de recursos hídricos, lo que lo hace susceptible al estrés por sequía. Los métodos tradicionales de evaluación de riego suelen basarse en la experiencia y cálculos basados en reglas, lo que dificulta hacer frente a los complejos factores ambientales y los cambios dinámicos en las necesidades de los cultivos. Con los avances tecnológicos, se espera que los métodos de investigación basados en el aprendizaje profundo, caracterizados por sus sólidas capacidades analíticas basadas en datos, mejoren la precisión de los resultados de evaluación. Este documento se centra en la evaluación de la demanda de riego de los campos de trigo de invierno, con el objetivo de explorar un nuevo método de evaluación de la demanda de riego a escala regional basado en el aprendizaje profundo. Al establecer muestras de diferentes niveles de evaluación de riego, este estudio busca satisfacer mejor los requisitos de evaluación de la demanda de riego. Para abordar el problema de la discriminación del nivel de riego a escala regional, se propuso el módulo de Atención de Redes Convolucionales (CONAT) para optimizar la estructura de red base del modelo Mask2Former. Para abordar problemas relacionados con el desequilibrio de datos y el ajuste insuficiente en ciertas categorías, se implementó una función de pérdida adaptada para distribuciones de muestras desequilibradas, acompañada de mejoras en el esquema de entrenamiento. Al contrastar este modelo refinado con métodos alternativos para discriminar los niveles de riego, se demostró la viabilidad de este enfoque.