由于对监视作物状况和粮食生产的需求不断增加，从遥感图像中识别作物是一项具有挑战性和有意义的任务。最新的农作物分类模型主要建立在有监督的分类模型上，例如支持向量机（SVM），卷积神经网络（CNN）以及长期和短期记忆神经网络（LSTM）。同时，作为一种无监督的生成模型，对抗性生成网络（GAN）很少用于完成农业应用的分类任务。在这项工作中，我们提出了一种结合GAN，CNN和LSTM模型从遥感时间序列图像中对玉米和大豆作物进行分类的新方法，其中GAN的鉴别器用作最终分类器。该方法在训练样本较小的情况下是可行的，并且可以充分利用卫星数据中农作物的光谱，空间和物候特征。分类实验是在玉米，大豆等农作物上进行的。为了验证所提方法的有效性，还与SVM，SegNet，CNN，LSTM和不同组合的模型进行了比较。结果表明，我们的方法获得了最好的分类结果，Kappa系数为0.7933，总精度为0.86。其他研究领域的实验也证明了该方法的可扩展性。为了验证所提方法的有效性，还与SVM，SegNet，CNN，LSTM和不同组合的模型进行了比较。结果表明，我们的方法获得了最好的分类结果，Kappa系数为0.7933，总精度为0.86。其他研究领域的实验也证明了该方法的可扩展性。为了验证所提方法的有效性，还与SVM，SegNet，CNN，LSTM和不同组合的模型进行了比较。结果表明，我们的方法获得了最好的分类结果，Kappa系数为0.7933，总精度为0.86。其他研究领域的实验也证明了该方法的可扩展性。



"点击查看英文标题和摘要"