Временной ряд спутниковых изображений предоставляет важную базу данных для исследования классификации земельного покрытия. Извлечение характеристик классификации временных рядов с использованием глубокого обучения всегда было актуальной темой исследований, а глубокие модели обучения, основанные на рекуррентной и сверточной сетях, часто имеют трудности с достижением высокой точности классификации на небольших образцах обучения. Для решения этой проблемы в данной статье внедряется последние методы автоподотношения из области обработки естественного языка для классификации многоканальных спутниковых временных рядов. Через улучшение кодера Transformer: (1) добавление уровня повышения признаков перед многоголовым вниманием для улучшения спектральной информации; (2) использование растяжения после понижения размерности вместо глобальной максимальной пулинг GMP в качестве стратегии уменьшения размерности признаков. Построение сети извлечения признаков на основе временного внимания для оптимизации классификационных временных рядов, сравнение с рекуррентной и сверточной сетью, оценка эффективности применения нашего метода на публичном наборе данных многоканальных спутниковых временных рядов для улучшения точности классификации образцов. Экспериментальные результаты показывают, что построенная сеть извлечения признаков на основе временного внимания может быть эффективно применена к задаче классификации многоканальных спутниковых временных рядов и будет полезной для увеличения точности классификации небольших образцов.

Механизм внимания; Глубокое обучение; Временные ряды данных спутников; Классификация земельного покрытия; Неравномерные образцы