La serie temporal de imágenes de satélite proporciona una base de datos importante para el estudio de la clasificación de la cobertura terrestre. La extracción de características de clasificación temporal utilizando el aprendizaje profundo siempre ha sido un tema candente de investigación, mientras que los modelos de aprendizaje profundo basados en redes recurrentes y convolucionales a menudo tienen dificultades para lograr resultados de clasificación de alta precisión en muestras de entrenamiento pequeñas. Para resolver este problema, este artículo introduce los últimos métodos de procesamiento del lenguaje natural en el campo de la atención automática para la clasificación de series temporales multiespectrales satelitales. Al mejorar el codificador Transformer: (1) agregar una capa de elevación de características antes de la atención multi-cabeza, para mejorar la información espectral; (2) uso de estiramiento después de la reducción de la dimensión en lugar de la agrupación máxima global GMP como estrategia de reducción de dimensiones de características. Construcción de una red de extracción de características basada en la atención temporal para optimizar series temporales de clasificación, comparación con la red recurrente y la red convolucional, evaluación de la efectividad de nuestro método en un conjunto de datos público de series temporales satelitales multiespectrales para mejorar la precisión de clasificación de muestras. Los resultados experimentales muestran que la red de extracción de características basada en la atención temporal construida puede aplicarse de manera efectiva a la clasificación de series temporales satelitales multiespectrales y será útil para aumentar la precisión de la clasificación de muestras pequeñas.

Mecanismo de atención; Aprendizaje profundo; Series temporales de datos satelitales; Clasificación de cobertura terrestre; Muestras desequilibradas