Page 49 - 《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 1777

图 7 不同类型作物的识别精度及其提升
Fig. 7 Classification Accuracies and Improvement of Different Types of Crops

进一步分析 TSST 网络模型在不同作物上 因在于，相对于 No 方案中作物空间特征会受到
的性能提升，其中在冬油菜、玉米和大豆作物上 污染像元的干扰，其他方法均消除了污染像元，
提升明显，而在冬小黑麦、葡萄、苜蓿和休耕地类 并且 Random 和 Normal 方法还模拟填充了缺失
别上出现了轻微的精度下滑。从作物地块的平 值。上述两种填充方法并没有取得较 Zero 处理
均面积和空间分布来看，提升效果明显多表现在 更好的分类效果，尽管两种填充方法模拟了缺失
地块面积大、空间分布集中的作物类别，地块面 值 ，但 填 充 操 作 也 破 坏 了 影 像 的 高 层 语 义 信 息
积小、分布零散的作物则表现出更差的效果。可
（如纹理等）。另一方面，这两种填充操作有个显
能原因是本文方法中分区分层处理将会提高影
著优点，能有效提升分类模型的训练效率，降低
像瓦片序列中缺失值的比率，也提升了时空卷积
模型训练所需的次数，使得模型收敛更快。
网络学习影像空间特征的难度，尤其是面积较小
3） 模型性能对比与分析
且 分 布 零 散 作 物 类 型 的 影 像 瓦 片 ，其 缺 失 率 更
为评价本文构建 TSST 网络模型的性能，实
高、学习到特征的噪声更大、识别模式更不稳定。
验将其与流行的深度时空分析网络模型（ResNet-
2） 云/影缺失值处理
TCN 和 P3D）进行对比。表 3 展示了多个模型在
本文 TSST 网络模型通过空间分区与类别/
地块分层减弱了类别之间时空特征的混淆，但也 参数量、预测速度和总体精度方面的性能对比，
导致了影像瓦片更多的像元值缺失。实验也设计 其中 ResNet-TCN 和 P3D 网络分别选用了 50 层
随机填充和正态填充两种缺失值修复方案。不同 和 63 层的骨干网络。
填充方案的作物分类精度如表 2 所示，其中 No 代
表 3 作物分类时空网络模型性能对比
表不进行云/影掩膜操作，Zero 为直接置零处理，
Table 3 Performance Comparison of Spatial-Temporal
Random 和 Normal 分别为随机和正态填充处理，
Models for Crop Classification
epoch 为模型训练达到稳定所需的训练次数。
网络 参数量/MB 预测时间/s OA
由表 2 可以看出，在整体上，Zero、Random、
ResNet-TCN 23.68 2.21 0.834 1
Normal 方案均取得较 No 方案更好的精度。其原 P3D 24.97 2.43 0.829 7
TSST 1.70 1.19 0.833 5
表 2 不同缺失值填充方法的作物分类精度
Table 2 Classification Accuracies of Different
在模型分类精度上，3 个模型取得了几乎一
Reconstruction Methods
样 的 总 体 精 度 。 相 对 于 ResNet-TCN 和 P3D 模
方案 OA P R F1 分数 epoch
型，TSST 网络模型具有更小的参数量和更快的
No 0.757 9 0.522 3 0.612 0 0.563 6 92
预测速度。也就是说，TSST 网络模型以更小的
Zero 0.833 5 0.718 7 0.743 8 0.731 0 58
Random 0.825 1 0.689 0 0.776 1 0.729 9 42 参数量、更轻量的模型取得了与 ResNet-TCN 和
Normal 0.834 5 0.706 5 0.761 0 0.732 7 30 P3D 相当的作物类型识别效果。