지구 관측(Earth Observation, EO) 센서는 일일 또는 주간 시간 해상도로 데이터를 제공합니다. 그러나 대부분의 토지 이용 및 토지 피복(Land Use and Land Cover, LULC) 접근 방식은 구름이 없는 단일 시점의 관측을 요구합니다. 오늘날 센서의 시간적 성능 향상으로 인해, 시간적 특성뿐만 아니라 스펙트럼과 공간적 특성을 함께 사용할 수 있게 되었습니다. 음성 인식이나 신경망 기계 번역 같은 분야들은 본질적으로 시간적인 데이터를 다루며, 현재 순차적인 인코더-디코더 구조를 사용하여 뛰어난 결과를 얻고 있습니다. 이러한 순차 모델에서 영감을 받아, 우리는 컨벌루션 재귀 층을 사용한 인코더 구조를 적응시켜 싼텔리 2 (Sentinel 2, S2) 이미지의 시간적 시퀀스를 기반으로 하는 식생 클래스에 대한 현상학적 모델을 근사화하였습니다.실험에서 우리는 구름이 있는 이미지와 구름이 없는 이미지 시퀀스에 대한 내부 활성화를 시각화하였으며, 여러 재귀 셀들이 구름이 있는 관측치에 대한 입력 활성을 감소시키는 것을 발견하였습니다. 따라서 우리 네트워크가 입력 데이터로부터 오직 구름 필터링 방안을 학습하였다고 가정할 수 있으며, 이는 많은 EO 접근 방식에서 사전 처리 과정으로서 복잡한 구름 필터링의 필요성을 완화할 수 있을 것입니다. 또한 대기 상층(Top-of-Atmosphere, TOA) 반사율 데이터의 비필터링된 시간 시리즈를 사용하여, 다른 분류 접근 방식에 비해 최소한의 사전 처리로 많은 작물 클래스에서 최신 분류 정확도를 달성하였습니다.