تسلسل الصور الفضائية عبر الزمن يوفر أساس بيانات مهم لدراسات تصنيف تغطية الأرض ، واستخراج سمات التصنيف الزمنية باستخدام التعلم العميق دائمًا ما يكون موضوعًا ساخنًا للبحث ، بينما يكون النموذج العميق المستند إلى الشبكة العصبية التكرارية والشبكة العصبية التكرارية صعبًا في العادة في الحصول على نتائج تصنيف دقيقة عند عدم الاتساق بين العينات التدريبية القليلة ، بالنسبة لهذه المشكلة ، قمنا في هذه الدراسة بإدخال آخر تقنيات معالجة اللغات الطبيعية ، بتطبيق آليات انتباه الذات لأحدث تقنياته في تصنيف بيانات الأشعة تحت الحمراء متعددة الطيف عبر الزمن ، من خلال تحسين المشفر Transformer: 1) إضافة مستوى رفع الميزات قبل الانتباه المتعدد الرؤوس لتعزيز معلومات الطيف ؛ (2) استخدام تقليل الأبعاد الممتد بدل من تقليل البعد الأقصى العالمي كاستراتيجية لتقليص الأبعاد للميزات. بناء شبكة جمع السمات الزمنية المعتمدة على آليات انتباه الذات الزمنية ، مقارنة مع الشبكة العصبية التكرارية وشبكة الرؤية ، وتقييم استخدامنا لطريقة معالجة اللغة الطبيعية لزيادة دقة تصنيف الفئات الصغيرة بيانات متعددة الطيف العامة للأشعة تحت الحمراء. تشير نتائج التجارب إلى أن بناء شبكة جمع السمات الزمنية القائمة على آليات انتباه الذات يمكن أن يطبق بفعالية على مشكلة تصنيف بيانات الأشعة تحت الحمراء متعددة الطيف ، وتكون لديها مساعدة في زيادة دقة تصنيف الفئات الصغيرة.

آليات انتباه الذات ؛ التعلم العميق ؛ سلاسل بيانات الأشعة تحت الحمراء الزمنية ؛ تصنيف تغطية الأرض ؛ عينات غير متوازنة