该研究使用多头自注意机制并修改时间注意编码器，以有效处理全球规模的卫星图像时间序列分类，提高时间序列分类的准确性和效率。在开放访问的卫星图像数据集中，使用更少的参数和降低计算复杂度，该方法优于其他现有的时间序列分类算法。

Jul, 2020

本研究提出了一种替代卷积神经网络的方法来自动分类卫星图像时间序列。使用基于 Self-Attention 的神经网络的时间特征提取方法来优化处理效率，并且发布了一个用于卫星图像时间序列研究的大型开放访问数据集。

Nov, 2019

本篇研究分析多光谱时间序列上几种结构化深度学习模型对农作物分类的影响，结果发现最佳表现的方式是大部分参数用于建模数据的时间结构。这些结果可以作为设计定制的深度学习模型进行农作物分类的指南。

Jan, 2019

本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory（LSTM）模型来进行基于卫星图像时间序列的土地覆盖分类，并与传统方法进行了比较，结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。

Apr, 2017

本文开发了基于时序相关性的 Pixel R-CNN 模型，可以通过学习多幅图像的时间相关性来进行自动特征提取，从而实现低成本农作物分类，对 15 种作物进行了测试。与传统算法相比，该模型在中北部意大利农业系统拥有支配性经济作物类型的数据集上获得了 96.5％的准确率，为进行多时序分类任务提供了高度准确且低成本的方法。

Apr, 2020

介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

Nov, 2015

本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

Nov, 2022

本文介绍一种基于 UNet 结构，与双向 LSTM 和 Attention 机制相结合的创新架构，旨在共同利用卫星数据的时空性质，更好地识别各种土地覆盖的独特时间模式， 并将其用于全球多个地区的作物测绘。实验结果表明，该方法能够缓解噪声和识别区分性时间段的有效性，并与其他最先进的方法在两个实际数据集上进行定量和定性比较。

May, 2021

本文介绍了 SEN12MS 数据集的分类转换及使用该数据集对不同模型和数据类型进行测试后，证明多光谱和多传感器数据融合对遥感图像分类的好处。

Apr, 2021

提出了一种融合多模态信息的方法，用于改进作物类型分类的准确性和稳健性，并针对 740 万个农业地块发布了新的注释数据集。新方法在评估中表现更好，可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。

May, 2023