Page 43 - 《武汉大学学报（信息科学版）》2025年第9期

第 50 卷第 9 期 周亚男等：深度时空卷积网络支持的地块尺度作物种植类型分类 1771

posed method is further discussed and validated through parcel-based time-series crop classifications using
multi-temporal Sentinel-2 images. The overall accuracy, precision and F1 score are improved by 0.03,
0.02, 0.02, respectively. The classification results demonstrated great improvements over the comparison
methods. Conclusions: We concluded from experiments and discussions that the proposed TSST method
is effective for parcel-based crop classification using Sentinel-2 image sequences. The spatial division and
slice in parcel-scale representation are benefit more for crop type identification of larger and spatially con⁃
centrated parcels. The proposed TSST method is lightweight but powerful for crop classification. These
studies and findings will provide new ideas for parcel-based remote sensing time series analysis.
Key words： Sentinel-2； parcel-scale； crop type mapping； spatial-temporal convolutional networks； spa⁃
tial division and slicing

遥感具有覆盖范围广、重复观测周期短、成 频之间的相似性，很容易将现有语义分割、视频
像受限少和成本低等优势，被成功应用于区域乃 分析等深度学习方法移植和扩展到遥感作物类
至全球的资源调查、作物长势监测、粮食安全预 型识别应用上 ［21-22］ 。尽管此类方法取得了较好的
警等农业生产与管理领域 ［1-4］ 。作物种植类型的 分类效果，但其大都建立在理想的标记样本基础
遥感监测与制图是开展精准农业应用（诸如作物 之上，即作物类型标注对样本空间的全覆盖。这
［5］
长势与粮食估产）的基础和关键。然而受限于作 一假设显然不符合农业遥感野外采样的实际 ，
物生长的相似性和单次遥感观测的局限性，很难 并且地块的不规则和深度卷积也将会造成作物
用单时相卫星影像实现对多种类型作物（特别是 特征信息在地块边缘的扩散和混淆，降低了地块
同季作物）的精确识别。因此，探索和表达多时 尺度（特别是面积较小的地块）作物类型识别的
相遥感影像中蕴含的时间序列信息成为遥感作 效果 ［16］ 。为此，研究人员借鉴面向对象影像分析
物种植类型识别与制图的有效方法 ［5-7］ 。围绕多 的思路，将地块尺度作物类型识别任务分解为地
时相遥感时序信息的提取与分析，研究人员提出 块提取与类型识别两大步骤 ［3， 23-24］ 。在类型识别
了诸如统计学模型、（传统）机器学习模型、深度 中，尝试通过构建地块内简单的光谱统计特征、
学习模型等方法 ［8-10］ 。这些方法从遥感观测的时 或者利用预训练卷积网络提取影像的多层次语
间维度出发，重点研究其序列修复、时序成分分 义特征 ［13］ 等途径，构建地块的多维时序特征，进
解、时序平滑、时序分类等时间序列分析技术 ［11］ ， 而利用深度循环网络挖掘时序特征中长短时间
提升遥感作物类型制图的性能和应用领域。 依赖信息，实现作物类型识别 ［25］ 。尽管这类研究
近年来，随着对地观测空间分辨率的提升， 取得了较传统方法更好的制图效果，但在影像空
卫星影像越来越能够精确表达种植地块的几何 间特征分析上，尚未脱离人工设计空间高层次特
边界与地块内纹理等高层次信息。因此以种植 征的处理模式，也未能构建端到端的多层次空间
地块为分析对象开展地块尺度的遥感时间与空 特征表达模型 ［13］ 。
间分析 ［12-13］ 成为当前遥感作物精准制图的主流方 总体来讲，当前深度学习方法在遥感作物分
法（较传统的基于像元的作物类型分类），挖掘作 类应用中仍存在以下不足：（1）缺乏对地块内部
物种植地块内的空间信息成为提升遥感作物种 高层次空间信息的挖掘，仅计算了地块内光谱和
［6］
植类型制图的关键 。相对于基于像元（光谱特 纹理等人工设计特征；（2）缺乏面向遥感时空作
征）的作物类型分类方法，面向对象的分析技术 物类型识别任务的端到端深度网络模型。针对
能 够 有 效 提 取 影 像 多 尺 度 分 割 对 象 的 形 状 、纹 上 述 问 题 ，本 文 提 出 一 种 分 区 分 层 的 遥 感 时 空
理、上下文关系等高级语义特征，扩展作物监测 （tile-slice-based spatial-temporal，TSST）分 类 网
的 特 征 维 度 ，提 升 遥 感 作 物 种 植 类 型 制 图 的 精 络模型，其核心在于对地块空间的分区分层表达
度 ［14-15］ 。但此类方法往往受制于前期影像多尺度 和深度时空分类网络。相比于已有方法，本文提
分割的效果而难以获取精准的地块对象，增大了 出了一种适用于地块尺度遥感影像时空分析的
地块特征表达的不确定性，限制了作物类型制图 分区分层框架，构建了一个轻量且高效的作物类
精度的提升 ［16-17］ 。 型识别深度网络模型。利用 Sentinel-2 时序遥感
深度学习的迅速发展为农业遥感作物分类 影像，通过法国研究区的地块尺度作物种植类型
提供了新的思路 ［18-20］ 。考虑到遥感时序观测与视 分类实验，分析和讨论了本文方法的有效性。