Mecanismos de atenção avançados melhoram consideravelmente a classificação de culturas usando informações de séries temporais e frequência. A autoatenção se destaca na identificação de padrões temporais detalhados e na indicação de características chave dentro dos dados de sensoriamento remoto. A autoatenção ativada por tanh alcançou a maior precisão (88,89%), em comparação com a atenção multiplicativa (85,67%), atenção suave (82,98%) e atenção global (82,12%). Focando em padrões baseados no tempo e na frequência, essas técnicas ajudaram a melhorar a capacidade do modelo de diferenciar com precisão entre tipos de culturas. O estudo introduz um novo método para classificação precisa de culturas; este método utiliza índices de vegetação juntamente com mecanismos de atenção. O monitoramento agrícola enfrenta desafios. Estes incluem mudanças temporais, dados espectrais complexos e condições ecológicas variáveis. Este método incorpora dados de índices de vegetação e aprendizado profundo baseado em atenção para abordá-los. Esta estrutura investiga a inter-relação de índices de vegetação juntamente com mecanismos de atenção em múltiplas condições ecológicas, bem como estágios de crescimento das plantas, utilizando técnicas avançadas como reamostragem de dados, engenharia de características e aprendizado de máquina.
Sharma et al. (Thu,) estudaram esta questão.