Erdsystembeobachtungssensoren (EO-Sensoren) liefern Daten mit täglicher oder wöchentlicher zeitlicher Auflösung. Die meisten Ansätze zur Landnutzungs- und Landbedeckungsklassifizierung (LULC) erwarten jedoch wolkenfreie und monoplastische Beobachtungen. Die sich steigernden zeitlichen Fähigkeiten heutiger Sensoren ermöglichen die Verwendung von zeitlichen, spektralen und räumlichen Merkmalen. Bereiche wie Spracherkennung oder neuronale maschinelle Übersetzung arbeiten mit inhärent temporalen Daten und erreichen heute beeindruckende Ergebnisse durch sequentielle Encoder-Decoder-Strukturen. Inspiriert von diesen Sequenz-zu-Sequenz-Modellen passen wir eine Encoder-Struktur mit konvolutionären rekurrenten Schichten an, um ein phänologisches Modell für Vegetationsklassen basierend auf einer zeitlichen Sequenz von Sentinel 2 (S2)-Bildern zu approximieren. In unseren Experimenten visualisieren wir interne Aktivierungen über eine Sequenz von bewölkten und unbewölkten Bildern und finden mehrere rekurrente Zellen, die die Eingabeaktivität bei bewölkten Beobachtungen reduzieren. Daher gehen wir davon aus, dass unser Netzwerk rein aus den Eingabedaten Wolkenfilterverfahren gelernt hat, was die Notwendigkeit mühsamer Wolkenfilterung als Vorverarbeitungsschritt für viele EO-Ansätze entschärfen könnte. Darüber hinaus erreichten wir in unseren Experimenten mit unfiltrierten zeitlichen Reihen von atmosphärengestützten (TOA) Reflexionsdaten Stand der Technik entsprechende Klassifikationsgenauigkeiten für eine große Anzahl von Nutzpflanzenklassen unter Verwendung minimaler Vorverarbeitung im Vergleich zu anderen Klassifikationsansätzen.