Page 48 - 《武汉大学学报（信息科学版）》2025年第9期

1776 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 9 月

图 6 TSST 网络模型的作物种植类型分类结果
Fig. 6 Crop Classification Results of the Proposed TSST Network Model
表 1 作物类型分类精度对比
Table 1 Accuracy Comparison of Crop Type Classifications
地块尺度
基于像元的方法
精度 类别投票 地块特征 TSST
LSTM Transformer LSTM-V Transformer-V LSTM-P Transformer-P 方法
OA 0.756 1 0.769 3 0.808 2 0.791 6 0.800 3 0.801 3 0.833 5
P 0.545 7 0.561 4 0.657 2 0.673 2 0.658 2 0.694 6 0.718 7
R 0.642 7 0.660 0 0.744 5 0.711 6 0.745 6 0.720 4 0.743 8
F1 分数 0.590 3 0.606 7 0.698 2 0.691 9 0.699 2 0.707 3 0.731 0
异常值和椒盐噪声，生成更高精度的作物类型分 络模型分类结果中不同类别作物识别的 F1 分数
类结果。进而相对于类别投票和地块特征方法， 及其提升，如图 7 所示。由图 7 可以看出，遥感时
TSST 网络模型则能够有效挖掘和利用影像的多 空作物类型识别中，不同类型作物表现出较大的
层次空间信息，也最终获得了最好的分类结果。 性能差异。TSST 网络模型和基准方法 LSTM-P
实验还发现，相对于召回率 R 的提升，TSST 网络 均在冬油菜、葡萄和草地等作物上取得了相对较
模型取得了更大的精度提升。究其原因，可能是 高的精度，而在冬小黑麦、玉米和大豆作物的识
由于地块空间的高层语义信息被挖掘和利用，因 别中表现较差。一方面是由于葡萄和草地作物
而模型的识别准确度得以提升。 其相对独特的生长过程；另一方面结合样本中作
3.2 分析与讨论 物类别数目来看，尽管实验采用 Focal Loss 损失
1） 作物类型与精度提升 函数来克服样本类别不平衡的问题，样本数占优
以 LSTM-P 方法结果为基准，分析 TSST 网 的类别仍取得更好的分类精度。