Les capteurs d'observation terrestre (EO) fournissent des données avec une résolution temporelle quotidienne ou hebdomadaire. Cependant, la plupart des approches de l'utilisation et de la couverture des terres (LULC) nécessitent des observations exemptes de nuages et monotemporelles. Les capacités temporelles croissantes des capteurs actuels permettent d'utiliser les caractéristiques temporelles, ainsi que spectrales et spatiales. Des domaines tels que la reconnaissance vocale ou la traduction automatique neuronale travaillent avec des données intrinsèquement temporelles et obtiennent aujourd'hui des résultats impressionnants en utilisant des structures encodeur-décodeur séquentielles. Inspirés par ces modèles séquence-à-séquence, nous adaptons une structure d'encodeur avec des couches récurrentes convolutives afin d'approcher un modèle phénologique pour les classes de végétation basé sur une séquence temporelle d'images Sentinel 2 (S2). Dans nos expériences, nous visualisons les activations internes sur une séquence d'images nuageuses et non nuageuses, et nous trouvons plusieurs cellules récurrentes qui réduisent l'activité d'entrée pour les observations nuageuses. Par conséquent, nous supposons que notre réseau a appris des schémas de filtrage de nuages uniquement à partir des données d'entrée, ce qui pourrait alléger le besoin de filtrage fastidieux des nuages comme étape préliminaire pour de nombreuses approches EO. De plus, en utilisant des séries temporelles non filtrées de données de réflectance au sommet de l'atmosphère (TOA), nous avons obtenu dans nos expériences des précisions de classification à l'état de l'art sur un grand nombre de classes de cultures avec un prétraitement minimal comparativement à d'autres approches de classification.