Page 46 - 《武汉大学学报（信息科学版）》2025年第9期

1774 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 9 月

图 4 基于作物类别/地块的分层示意图
Fig. 4 Parcel Slice Based on Crop Types or Parcel Coding

将对瓦片区域进行类别分层，每层生成一个标记 巨 大 计 算 资 源 消 耗 ，受 Pseudo-3D （P3D） ［28］ 、
样本。在制作预测样本中，则对瓦片区域进行地 ResNet3D ［29］ 等三维模型的启发，将常规的三维卷
块分层，每个地块分层对应一个预测样本。通过 积分解为二维空间卷积和一维时间卷积，提出的
类别/地块分层，能够有效排除不同类别或地块之 TSST 网络模型如图 5 所示。整体上，网络包括
间的相互干扰，获取“纯净”的样本特征数据。 空 间 嵌 入 模 块（spatial embedding block， SEB）、
实验过程中也注意到，瓦片分层中的空白区 稠密空间连接模块（dense spatial block， DSB）、注
域（数据缺失）可能会导致模型训练过程不稳定、 意 力 模 块（channel-spatial attention， CSA）、向 量
模型训练不收敛甚至训练失败等问题。为此，尝 化模块（vector block， VB）和基于时域卷积网络
试采用随机填充和正态填充两种方法对空白区域 （temporal convolutional network，TCN）的分类模
进行模拟填充，以期改善模型训练过程。在随机 块等 5 个子模块。SEB 模块对输入时序影像进行
填充中，从有效像元中随机选取像元，并将其像元 空间包裹生成输入影像的高维特征表达；DSB 模
值填充到缺失位置；在正态填充中，假定有效像元 块用于提取影像的多层次空间信息；CSA 模块学
值服从正态分布，计算其均值与标准差，进而在均 习影像在空间和波段（属性）维度的注意力；VB
值的 3 倍标准差范围内随机生成像元值，并填充 模块将序列影像特征转化为多维时序信息；TCN
到缺失位置。此外，考虑到深度学习模型对数据 模块实现从多维时序特征到作物类别的映射，并
缺失具有一定的容忍性，实验中只有当影像瓦片 输出作物类别概率。
序列的平均缺失率大于 0.6 时，才会模拟填充空白 1） 多层次空间特征
区域，降低其数据缺失率至低于 0.6。 TSST 网络模型利用 DSB 模块提取影像的
2.4 TSST 网络模型 多尺度空间信息，其实现沿用了 DSNet ［30］ 中的稠
三维卷积神经网络能够学习影像序列的时 密膨胀卷积模块（图 5）。具体而言，DSB 利用具
空联合信息。本文为避免直接使用三维卷积的 有密集感受野的膨胀卷积来捕获影像空间的多

图 5 TSST 网络模型的整体架构
Fig. 5 Overall Architecture of TSST Network Model