要約
地球観測（EO）センサは、日次または週次の時間解像度でデータを提供します。しかし、多くの土地利用・土地被覆（LULC）手法では、雲がなく単一の時間点での観測が前提となっています。今日のセンサの時間的な能力の向上により、時間的特性に加えてスペクトル的および空間的特性を使用することが可能になりました。音声認識やニューラル機械翻訳などの分野では、本質的に時間的なデータを扱っており、現在ではシーケンシャルなエンコーダー-デコーダー構造を使用して印象的な結果を達成しています。これらのシーケンス・ツー・シーケンスモデルに着想を得て、我々は畳み込み再帰層を持つエンコーダー構造を適応させ、Sentinel 2（S2）画像の時間系列に基づいて植物クラスの現象学的モデルを近似する方法を開発しました。実験においては、雲のある画像と雲がない画像の系列における内部活性化を可視化し、いくつかの再帰セルが雲のある観測値に対する入力活性化を減らすことを確認しました。したがって、我々はネットワークが入力データから単独で雲フィルタリングスキームを学習していると推定しており、これにより多くのEO手法における煩雑な雲フィルタリング前処理の必要性が軽減される可能性があります。さらに、大気上部（TOA）反射率データの未フィルタリングされた時間系列を使用することで、最小限の前処理で他の分類手法と比較して多数の作物クラスに対して最先端の分類精度を達成することができました。