پوشش اراضی کشاورزی در فواصل زمانی نسبتا کوتاه، بسیار پویا و متغیر است. عدم همزمانی کشت محصولات مشابه و شباهت طیفی میان محصولات مختلف در برخی از زمانهای دوره کشت، طبقه بندی محصولات زراعی در تصاویر ماهواره ای را به کاری چالش برانگیز مبدل می کند. کمبود داده های دارای برچسب واقعیت زمینی نیز بر این مشکل می افزاید. تغییر مقدار سبزینگی در طول فصل رشد، برجسته ترین ویژگی پوشش های گیاهی از جمله محصولات کشاورزی است. بر این اساس، سنجش از دور چند زمانه منبع کارآمدی از مشاهدات سری زمانی برای نظارت بر تغییرات زمانی رشد محصولات مختلف است. سری زمانی شاخص های پوشش گیاهی که از سری زمانی تصاویر به دست می آیند، اطلاعات بسیار مفیدی در خصوص توالی ویژگیهای فنولوژیک و الگوهای رشد محصولات کشاورزی در اختیار ما قرار می دهند. با توجه به تفاوت در الگوهای رشد حاصل از این سریهای زمانی برای محصولات مختلف، استفاده از روشهای یادگیری عمیق با توانایی یادگیری الگوهای زمانی رشد محصولات، می تواند در طبقه بندی محصولات کشاورزی و کاهش وابستگی به داده های زمینی مفید باشد. در تجزیه و تحلیل داده های متوالی، برای بهبود فرآیند یادگیری شبکه، معمولا از انواع RNN ها استفاده می شود که شناخته ترین آنها شبکه LSTM است که توانایی یادگیری توالیهای بلند مدت سری زمانی را دارد. بنابراین در این مطالعه ما پس از استخراج سری زمانی شاخص NDVI از تصاویر ماهواره سنتینل-2 در 9 تاریخ مختلف برای منطقه ای واقع در دشت مغان که دارای داده های زمینی مربوط به نوع محصولات کشت شده بود، یک شبکه کانولوشنی LSTM را آموزش داده و از این شبکه آموزش دیده، برای طبقه بندی محصولات کشاورزی در منطقه ای دیگر از آن دشت به عنوان سایت تست، استفاده کردیم و به دقت کلی 82 درصد و ضریب کاپای 8/0 دست یافتیم. افزایش تعداد نمونه های زمینی و انتخاب محدوده دقیق اراضی می تواند کارایی روش مورد استفاده را افزایش دهد.
