تصنيف تغطية الأرض متعدد الأزمنة باستخدام مُشفِّرات متتابعة متكررة

تقوم أجهزة استشعار مراقبة الأرض (EO) بتوفير بيانات بدقة زمنية يومية أو أسبوعية. ومع ذلك، فإن معظم الطرق المستخدمة في استخدام الأراضي وتغطية الأراضي (LULC) تتوقع ملاحظات خالية من السحب ومتزامنة. تتيح القدرات الزمنية المتزايدة لأجهزة الاستشعار الحالية استخدام البيانات الزمنية إلى جانب الخصائص الطيفية والمكانية. تعمل مجالات مثل التعرف على الكلام والترجمة الآلية العصبية على بيانات ذات طبيعة زمنية، وتحقق اليوم نتائج مثيرة للإعجاب باستخدام هياكل الترميز-التفكيش التسلسلية. مستوحاةً من هذه النماذج التسلسلية، قمنا بتعديل هيكل المُرمِّز مع طبقات متكررة اقتفائية (Convolutional Recurrent Layers) لتقريب نموذج فسيولوجي للأنواع النباتية بناءً على سلسلة زمنية من صور Sentinel 2 (S2). في تجاربنا، قمنا برسم تنشيطات داخلية عبر سلسلة من الصور التي تحتوي على سحب وأخرى خالية منها، واكتشفنا عدة خلايا متكررة تقلل من النشاط الداخلي للملاحظات السحابية. لذلك، نفترض أن شبكتنا قد تعلمت مخططات فلترة السحب بشكل كامل من البيانات الإدخالية، مما يمكن أن يخفف الحاجة إلى عمليات الفلترة المُتعبة كخطوة ما قبل المعالجة في العديد من طرق مراقبة الأرض (EO). بالإضافة إلى ذلك، باستخدام سلاسل زمنية غير مرشحة لبيانات الانعكاس عند قمة الغلاف الجوي (Top-of-Atmosphere Reflectance Data - TOA)، حققنا في تجاربنا دقة تصنيف رائدة على عدد كبير من أنواع المحاصيل مع حد أدنى من المعالجة الأولية مقارنة بالطرق الأخرى للتصنيف.