تُستخدم طرق التعلم الآلي للبيانات الفضائية في مجموعة متنوعة من التطبيقات ذات الصلة بالمجتمع، ولكن العلامات المستخدمة لتدريب النماذج قد تكون صعبة أو مستحيلة الحصول عليها. تعتبر الإشراف الذاتي حلاً طبيعياً في البيئات التي تتوفر فيها بيانات محدودة، لكن النماذج ذاتية الإشراف الحالية للبيانات الفضائية فشلت في الاستفادة من خصائص تلك البيانات، بما في ذلك البعد الزمني (وهو أمر حاسم لتطبيقات عديدة مثل رصد نمو المحاصيل) وتوافر البيانات من العديد من أجهزة الاستشعار المكملة (والتي يمكن أن تحسن بشكل كبير أداء النموذج التنبؤي). نقدم "Presto" (المحول المدرب مسبقاً لاستشعار بعد البعد)، وهو نموذج مدرب مسبقًا على بيانات سلسلة زمنية البكسل الخاصة باستشعار بعد البعد. من خلال تصميم "Presto" خصيصاً للبيانات الفضائية، يمكننا إنشاء نموذج أصغر بكثير ولكنه فعّال. يتفوق "Presto" في مجموعة واسعة من المهام المرتبطة باستشعار بعد البعد على مستوى العالم ويحقق أداءً تنافسياً مع نماذج أكبر بكثير بينما يتطلب حساباً أقل بكثير. يمكن استخدام "Presto" للتعلم النقل أو كمستخرج للخصائص لنماذج بسيطة، مما يمكّن من نشره بكفاءة على نطاق واسع.