Page 50 - 《武汉大学学报（信息科学版）》2025年第9期

1778 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 9 月

4 结 语 al. State of the Art and Perspective of Agricultural
Land Use Remote Sensing Information Extraction
充分挖掘影像中作物种植的时空信息是提升 ［J］. Journal of Geo⁃Information Science， 2020， 22
遥感作物种植类型分类和制图的有效途径。本文 （4）： 772-783.
［5］ RUßWURM M， KÖRNER M. Self-Attention for
在地块空间的分区分层表达和深度时空卷积分类
Raw Optical Satellite Time Series Classification［J］.
网络的基础上，提出了一种分区分层的遥感时空
ISPRS Journal of Photogrammetry and Remote
作物种植类型分类方法（TSST）。基于 Sentinel-2
Sensing， 2020， 169： 421-435.
时序遥感影像的法国研究区地块尺度作物种植类
［6］ 吴田军， 骆剑承， 赵馨， 等 . 精准地理应用驱动的
型制图实验表明：（1）TSST 网络模型能够有效学
高分遥感协同计算研究［J］. 武汉大学学报（信息科
习影像空间的多尺度时空语义特征，并提升遥感 学版）， 2022， 47（8）： 1220-1235.
时空作物识别的精度，相对于现有方法，在 OA、P WU Tianjun， LUO Jiancheng， ZHAO Xin， et al.
和 F1 分数上分别提高 0.03、0.02 和 0.02；（2）面向 Collaborative Computing of High-Resolution Re⁃
地块特征表达的分区分层处理，更有利于大地块 mote Sensing Driven by Fine-Accurate Geographic
Applications［J］. Geomatics and Information Science
面积、空间集中分布的作物类型识别；（3）TSST
网络模型是一种轻量且高效的作物类型识别模 of Wuhan University，，2022， 47（8）： 1220-1235.
型。上述实验及其结论将为农业遥感时间序列分 ［7］ 钱丽沙 ， 姜浩 ， 陈水森 ， 等 . 基于时空滤波 Senti⁃
nel-1 时序数据的田块尺度岭南作物分布提取［J］.
析提供新的思路和方法。同时，这些方法也能容
农业工程学报， 2022， 38（5）： 158-166.
易移植和适应于其他卫星数据和应用。
QIAN Lisha， JIANG Hao， CHEN Shuisen， et al.
此外，云/影等成像条件限制了光学遥感对
Extracting Field-Scale Crop Distribution in Lingnan
作物生长过程的时空观测。后续研究将考虑引 Using Spatiotemporal Filtering of Sentinel-1 Time-
入和融合微波遥感观测（如 Sentinel-1 和高分 3 号 Series Data［J］. Transactions of the Chinese Society
卫星数据）来提升对作物生成的时间序列监测和 of Agricultural Engineering， 2022， 38（5）： 158-166.
制图能力。 ［8］ ZHANG X， ZHOU Y N， LUO J C. Deep Learning
for Processing and Analysis of Remote Sensing Big
参 考 文 献
Data： A Technical Review［J］. Big Earth Data，
［1］ 陈仲新， 任建强， 唐华俊， 等 . 农业遥感研究应用进 2022， 6（4）： 527-560.
［9］ CAI Y P， GUAN K Y， PENG J， et al. A High-
展与展望［J］. 遥感学报， 2016， 20（5）： 748-767.
CHEN Zhongxin， REN Jianqiang， TANG Huajun， Performance and In-Season Classification System of
Field-Level Crop Types Using Time-Series Land⁃
et al. Progress and Perspectives on Agricultural Re⁃
sat Data and a Machine Learning Approach［J］. Re⁃
mote Sensing Research and Applications in China［J］.
Journal of Remote Sensing， 2016， 20（5）： 748-767. mote Sensing of Environment， 2018， 210： 35-47.
［2］ 袁晓蕾， 王超， 李柏延， 等 . 长江流域土地利用/覆 ［10］ GARIOUD A， VALERO S， GIORDANO S， et
盖变化驱动力及影响综述［J］. 武汉大学学报（信息 al. Recurrent-Based Regression of Sentinel Time Se⁃
ries for Continuous Vegetation Monitoring［J］. Re⁃
科学版）， 2023， 48（8）： 1241-1255.
YUAN Xiaolei， WANG Chao， LI Boyan， et al. mote Sensing of Environment， 2021， 263： 112419.
［11］ ZHOU Y N， WANG S Y， WU T J， et al. For-
Review of the Driving Forces and Impacts of Land
Use/Cover Change in the Yangtze River Basin［J］. Backward LSTM-Based Missing Data Reconstruc⁃
Geomatics and Information Science of Wuhan Uni⁃ tion for Time-Series Landsat Images［J］. GIScience
versity， 2023， 48（8）： 1241-1255. & Remote Sensing， 2022， 59（1）： 410-430.
［3］ ZHOU Y N， LUO J C， FENG L， et al. Long- ［12］ WANG S Y， ZHOU Y N， YANG X Z， et al.
Short-Term-Memory-Based Crop Classification BSNet： Boundary-Semantic-Fusion Network for
Using High-Resolution Optical Images and Multi- Farmland Parcel Mapping in High-Resolution Satel⁃
Temporal SAR Data［J］. GIScience & Remote Sens⁃ lite Images［J］. Computers and Electronics in Agri⁃
ing， 2019， 56（8）： 1170-1191. culture， 2023， 206： 107683.
［4］ 董金玮， 吴文斌， 黄健熙， 等 . 农业土地利用遥感 ［13］ ZHOU Y N， LUO J C， FENG L， et al. DCN-
信息提取的研究进展与展望［J］. 地球信息科学学 Based Spatial Features for Improving Parcel-Based
报， 2020， 22（4）： 772-783. Crop Classification Using High-Resolution Optical
DONG Jinwei， WU Wenbin， HUANG Jianxi， et Images and Multi-Temporal SAR Data［J］. Remote