摘要
在本文中，我们针对作物制图研究领域提出了一项创新性贡献，通过利用Sentinel-2卫星影像时序数据，旨在精准提取“何处及何时”种植作物的信息。研究的最终目标是构建一个可靠的流程，借助端到端的（3+2）D卷积神经网络（CNN）进行语义分割，实现对特定区域内种植的各类作物的准确识别与分类。此外，该方法还致力于在像素级别提供关于作物在生长季内具体栽培时段的信息。为此，我们提出了一种名为“类别激活区间”（Class Activation Interval, CAI）的解决方案，该方法能够解释CNN在分类过程中对每个像素所做出的决策，明确指出在输入时序数据的哪个时间区间内，某一作物类别更可能被识别为存在或不存在。基于公开数据集的实验结果表明，该方法在作物类别识别上总体准确率可达约93%，且网络能够有效识别出具有区分性的作物栽培时间区间。这一成果具有双重重要意义：（i）证明了网络具备正确理解所研究物理过程的能力，包括裸土状态、植物生长、衰老及收获等阶段，且能反映不同作物品种的特定物候特征；（ii）为终端用户提供了更为丰富的信息支持，不仅包括作物的存在性，还包含其时间动态特征，从而显著增强作物监测与管理的科学性与实用性。