کسب آگاهی و دانش در رابطه با الگوی کشت و سطح زیر کشت نقش مهمی را در مدیریت اراضی کشاورزی و برآورد میزان تولید خالص ایفا می­کند. ترکیب نتایج حاصل از مشاهدات و اندازه­گیری­های زمینی با داده­های سنجش از دور می­تواند نقشه­های به­هنگام از سطح زیر کشت محصولات ارائه نماید. این امر برای تعریف واحدهای مدیریت و رسیدن به اطلاعات دقیق مورد نیاز کشاورزان و برنامه­ریزان ارزشمند است. اکثر روش­های مورد استفاده به منظور تفکیک محصولات کشاورزی، در مواردی که الگوی کشت محصولات مختلف مانند گندم و جو، شباهت زیادی داشته باشند، عملکردی مناسبی ندارند. لذا هدف از این مقاله ارائه روش طبقه بندی مبتنی بر یادگیری عمیق بر روی تصاویر سری زمانی ماهواره­ای برای تولید نقشه سطح زیر کشت دقیق انواع محصولات کشاورزی با شباهت فنولوژیکی بالا می­باشد. به این منظور تصاویر سری زمانی ماهواره Landsat7 بر اساس تقویم زراعی منطقه انتخاب شدند. با استفاده از شاخص تفاضلی نرمال شده پوشش گیاهی (NDVI) بصورت سری زمانی و یک مجموعه داده آموزشی از مزارع کشاورزی مختلف، از شبکه عصبی کانولوشنی (CNN)  برای تولید خودکار نقشه محصول در منطقه چناران واقع در استان خراسان شمالی استفاده شد. جهت تفکیک محصولات در این مطالعه، از تلفیق طبقه بندی نظارت شده و تصحیح بصری استفاده شده است. به منظور برآورد صحت نتایج، نقشه­های تولید شده با نقاط کنترل زمینی بررسی شد و ضریب کاپا و دقت کلی محاسبه شد. نتایج نشان داد که استفاده از داده­های سری­زمانی ماهواره­ای کارایی بالایی برای شناسایی و تفکیک انواع محصولات کشاورزی دارند. همچنین روش طبقه­بندی ارائه شده مبتنی بر شبکه عصبی کانولوشنی با دقت کلی 95.76 دقت بالاتری نسبت به سایر روش­های مرسوم از جمله روش­های جنگل تصادفی (دقت کلی: 89.85)، ماشین بردار پشتیبان (دقت کلی: 88.78)، شبکه عصبی پرسپترون (دقت کلی: 85.75) و K نزدیکترین همسایگی (دقت کلی: 89.60)، در تفکیک و شناسایی محصولات کشاورزی دارد. ایﻦ اﻃﻼﻋﺎت ﺑﺮای ﺑﺮﻧﺎﻣﻪ­ریﺰی­ﻫـﺎی ﮐﻼن ﻣﻨﻄﻘﻪ­ای در ﻗﺎﻟﺐ ﺗﺪویﻦ اﻟﮕﻮی ﮐﺸﺖ، تعیین میزان نیاز کشور به واردات محصولات کشاورزی، برنامه­ریزی جهت توسعه صادرات محصولات کشاورزی مازاد بر نیاز کشور و ﺗﻮﺳﻌﻪ ﻣﮑﺎﻧﯿﺰاﺳﯿﻮن در سطح کلان مدیریتی ﺑﺴﯿﺎر ﻣﻔﯿﺪ ﻣﯽ­ﺑﺎﺷﻨﺪ.