最近の研究では、畳み込みニューラルネットワーク（CNN）が衛星画像時系列（SITS）における作物セグメンテーションにおいて優れた成果を上げていることが示されている。しかし、様々な視覚タスクにおいて変換器（Transformer）ネットワークが登場したことを受けて、SITSにおける作物セグメンテーションにおいて、TransformerがCNNを上回る可能性があるかという疑問が浮上している。本論文では、SITSにおける作物セグメンテーションに特化して改訂された、TransformerベースのSwin UNETRモデルを提案する。提案モデルは顕著な進展を示し、ミュンヘンデータセットにおいて検証精度96.14%、テスト精度95.26%を達成した。これは従来の最高性能（検証：93.55%、テスト：92.94%）を上回るものである。さらに、ロンバルディアデータセットにおいても、UNet3Dと同等の性能を発揮し、FPNやDeepLabV3を上回った。本研究の実験結果から、このモデルはCNNと同等あるいはそれ以上の精度を達成しつつ、著しく少ない学習時間で実現可能であることが示された。これらの結果は、TransformerベースのアーキテクチャがSITSにおける作物セグメンテーションにおいて大きな可能性を秘めていることを示しており、リモートセンシング応用の新たな道を開くものである。