农业是国民经济的重要组成成分,面对我国人口日益增长、土地资源供给逐年减少的局面,发展精细化农业的要求更为急迫,精准地掌握农作物空间分布信息是精细化农业应用的基础。遥感技术具有覆盖范围大、获取成本低、重访周期短等特点,可以在较大范围内实现作物分布信息的快速调查与精准制图,因此在精准农业应用等方面发挥了重大作用。然而,由于遥感数据本身的不确定性和数据处理与分析过程中的局限性,遥感影像分类的精度受到显著影响,进而限制了遥感技术更广泛的应用。本文以遥感和深度学习为基础,通过探索遥感数据时空协同、地块形态提取和分类算法、空间上的分类不确定性建模,研究农业种植结构精准提取方法,并实现种植结构分类不确定性的空间建模与特征分析。本文挖掘不同源遥感数据的时空特征互补优势,设计了一种时空协同的农业种植结构遥感制图方法,考虑将高分辨率遥感影像提取的耕地地块作为基本空间单元,选择宁夏回族自治区引黄灌区作为试验区,在深度学习技术支持下实现地块尺度的作物分类识别和种植结构精准制图。然后基于混合熵原理,建立地块和类别上的分类不确定性模型,进行分类结果的不确定性空间分布评价,并利用可观测的空间数据集,对地块作物分类不确定性进行回归建模,探究环境变量对于不确定性的影响。本文主要研究成果如下:（1）时空协同的种植结构提取模型研究。以从高分影像提取的农田地块作为基本单元,结合高时间分辨率遥感影像,构建了地块尺度上的NDVI时间序列数据集,并通过Bi-LSTM实现了作物类型的精准分类。相比于利用传统的制图单元和机器学习方法,基于地块尺度的双向长短期记忆网络分类方法得到的作物种植结构信息与实际农业耕作管理单元更匹配,且能保证更高的分类识别精度。（2）种植结构时空分布特征分析。得到了宁夏引黄灌区种植结构信息,进而分析了研究区主要作物的空间分布特征,以及NDVI时序曲线的物候响应特征。玉米、水稻、小麦和蔬菜是研究区的主要作物,其中玉米是种植面积最大的优势作物,空间分布最为广泛,菜地主要集中分布在永宁县和青铜峡市,水稻集中分布在灌溉便利的区域,而小麦大规模种植面积较少,其中夏季复种的小麦主要集中于青铜峡灌区,且复种指数呈现由南向北逐渐降低的趋势。（3）不确定性空间分布模型构建。对混合熵模型进行分析的基础上,统计了地块关于不同类别的隶属度和作物特征空间的方差期望,作为建立地块混合熵和类别混合熵的关键参数,并对空间分类不确定性分布从总体和类别两个方面进行分析。研究结论表明,随着不确定性提高,地块数量和面积的占比都相应降低,因此地块总体不确定性较低。各类别作物的不确定性分布有较大差别,水稻、菜地、苜蓿三个类别的低不确定性地块占比最高,小麦单种和小麦复种的高不确定和较高不确定地块占比高,玉米的低不确定性和高不确定地块数量比例均较低,这表明分类器对于各类别作物的区分性能不同。（4）影响分类不确定性的因素分析。通过量化不同类型地块的混合熵及环境特征,建立环境变量与不确定性的随机森林回归模型,输出模型的特征重要性及其排名,分析重要环境变量对于分类不确定性的影响。R~2值为0.68表明随机森林模型对研究区的不确定性具有良好的预测能力,地块分类不确定性主要与种植结构、环境与农业管理条件、地块形态有关,当水渠密度高,与取水点的距离近,地块形状越规则、排列越整齐,作物的生物量越高,不确定性会降低。