衛星画像時系列（SITS）の表現学習は、高い空間時間分解能、不規則な観測時刻、複雑な空間時間的相互作用といった特性により、極めて困難である。これらの課題は、SITS解析に特化した神経ネットワークアーキテクチャの開発を促している。本分野では、先駆的な研究者たちによって有望な成果が得られているが、コンピュータビジョン（CV）分野で確立された最新の技術や枠組みをSITSに適用することは、依然として困難である。その理由は、現行の表現学習フレームワークが最適でないためである。本論文では、近年のオブジェクト検出や画像セグメンテーションパイプラインの簡素化に向けたクエリベースのTransformerデコーダの導入というトレンドに着想を得て、SITS処理を直接的な集合予測問題として捉える新しい視点を提示する。さらに、SITSの表現学習プロセスを「収集－更新－配布（collect-update-distribute）」という三段階の明確なステップに分解する手法を提案する。このアプローチは計算効率が高く、不規則にサンプリングされた異時刻の衛星観測データにも適している。本研究で提唱する時系列学習の基盤モデルは、リソース効率の高いピクセル集合形式で事前学習を行い、その後、下流の密予測タスクで微調整することで、PASTISベンチマークデータセットにおいて新たな最先端（SOTA）の成果を達成した。特に、SITSにおける意味的／パンセグメンテーションパイプラインにおいて時系列成分と空間成分が明確に分離されていることから、最新のCV技術、例えばユニバーサル画像セグメンテーションアーキテクチャを活用することが可能となり、これまで報告された最高スコアと比較して、mIoUが2.5ポイント、PQが8.8ポイントの顕著な向上を達成した。