Page 42 - 《武汉大学学报（信息科学版）》2025年第9期

第 50 卷 第 9 期 武 汉 大 学 学 报（ 信 息 科 学 版 ） Vol.50 No.9
2025 年 9 月 Geomatics and Information Science of Wuhan University Sept. 2025

引文格式：周亚男,何金珂,冯莉，等 . 深度时空卷积网络支持的地块尺度作物种植类型分类[J]. 武汉大学学报（信息科学版）,
2025,50(9):1770-1779.DOI:10.13203/j.whugis20230136
Citation：ZHOU Yanan,HE Jinke,FENG Li,et al.Parcel-Scale Crop Type Classification Using Tile-Slice-Based Spatial-Tem⁃
poral Convolutional Networks[J]. Geomatics and Information Science of Wuhan University, 2025, 50(9): 1770-1779. DOI:
10.13203/j.whugis20230136

深度时空卷积网络支持的地块尺度

作物种植类型分类

周亚男 何金珂 冯 莉 陈跃红 吴田军 张 新 3,4 骆剑承 3,4
1
1
1
1
2
1 河海大学地理与遥感学院,江苏 南京,211100
2 长安大学土地工程学院,陕西 西安,710064
3 中国科学院空天信息创新研究院,北京,100101
4 中国科学院大学,北京,101408
摘 要：面向遥感影像多层次时空信息表达与作物种植类型识别的需求，提出了一种分区分层的时空遥感作物种植类型
分类方法，其核心在于地块空间的分区分层表达和深度时空分类网络。首先，对 Sentinel-2 遥感影像地块空间进行分区
和分层，构建作物类型识别的时空训练数据集和预测数据集；然后，构建深度时空卷积分类模型，估算预测数据集的作物
类型概率；最后，以地块空间为约束融合地块的作物类型概率，生成最终的作物类型专题图。研究区的对比与评价实验
结果表明，所提方法较现有方法在总体精度、准确度和 F1 分数上分别取得了 0.03、0.02 和 0.02 的性能提升，验证了其在作
物种植类型分类制图上的有效性，为地块尺度遥感时间序列分析提供了一种新的思路。
关键词：Sentinel-2；地块尺度；作物类型；时空卷积网络；分区分层
中图分类号：P237 文献标识码：A 收稿日期：2024⁃06⁃15
DOI：10.13203/j.whugis20230136 文章编号：1671⁃8860（2025）09⁃1770⁃10
Parcel-Scale Crop Type Classification Using Tile-Slice-Based

Spatial-Temporal Convolutional Networks

1
1
1
1
ZHOU Yanan HE Jinke FENG Li CHEN Yuehong WU Tianjun 2
3，4
ZHANG Xin LUO Jiancheng 3，4
1 Collage of Geography and Remote Sensing, Hohai University, Nanjing 211100, China
2 School of Land Engineering, Changan University, Xian 710064, China
3 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China
4 University of Chinese Academy of Sciences, Beijing 101408, China
Abstract： Objectives: Parcel-based crop classification utilizing multi-temporal satellite images is essential
for precision agriculture. However, it is a significant challenge to explore the multi-scale spatial information
for identification of crop types from remote sensing images. Methods: This paper proposes a tile-slice-
based spatial-temporal (TSST) method for parcel-scale crop type classification using multi-temporal Senti⁃
nel-2 images. The core to the proposed method is the combined use of tile-slice-based feature representa⁃
tion of parcels and a deep spatial-temporal convolutional network. First, according to crop types and par⁃
cels, spatial tiles were sliced to produce a tile-slice-based training sample dataset and a tile-slice-based pre⁃
diction dataset. Then, the deep spatial-temporal convolutional network was established to estimate crop-
type probabilities for tile-slice-based prediction dataset. Finally, tile-slice-based probabilities were fused
within parcel polygons to generate the final crop type maps. Results: In the study area in France, the pro⁃

基金项目：第三次新疆综合科学考察（2021xjkk1305）；国家重点研发计划（2021YFB3901301）；国家自然科学基金（42071316）。
第一作者：周亚男，博士，副教授，研究方向为高分辨率遥感与时序遥感。zhouyn@hhu.edu.cn
通信作者：张新，博士，研究员。zhangxin@radi.ac.cn