摘要
地球观测（EO）传感器提供具有日或周时间分辨率的数据。然而，大多数土地利用和土地覆盖（LULC）方法期望无云且单一时相的观测数据。当今传感器的时间能力不断提高，使得可以利用时间特征，以及光谱和空间特征。诸如语音识别或神经机器翻译等领域处理的是固有的时间数据，并且如今通过使用序列编码器-解码器结构取得了令人印象深刻的结果。受这些序列到序列模型的启发，我们调整了一种带有卷积递归层的编码器结构，以基于Sentinel 2（S2）图像的时间序列近似构建植被类别的物候模型。在我们的实验中，我们对一系列有云和无云图像的内部激活进行了可视化，并发现几个递归单元在有云观测时减少了输入活动。因此，我们假设网络已经从输入数据中学习到了云过滤方案，这可能减轻许多EO方法在预处理阶段进行繁琐的云过滤的需求。此外，使用未经滤波的大气顶层（TOA）反射率数据的时间序列，在我们的实验中，在对大量作物类别进行分类时达到了最先进的分类精度，而与其他分类方法相比所需的预处理最少。