La segmentación semántica en datos de Landsat-8 es crucial en la integración de datos diversos, permitiendo a los investigadores lograr una mayor productividad y menores costos. Esta investigación tuvo como objetivo mejorar la estructura versátil para la predicción densa sin convoluciones, utilizando específicamente el transformador de visión piramidal (PRM-VS-TM) para incorporar mecanismos de atención a través de varios mapas de características. Además, el PRM-VS-TM construye un sistema de detección de objetos de extremo a extremo sin convoluciones y utiliza componentes hechos a mano, como anclajes densos y suspensión no máxima (NMS). El presente estudio se llevó a cabo en un conjunto de datos privado, es decir, el desafío de Landsat-8 de Tailandia. Hay tres líneas base: DeepLab, Swin Transformer (Swin TF) y PRM-VS-TM. Los resultados indican que el modelo propuesto supera significativamente todas las líneas base actuales en el corpus de Landsat-8 de Tailandia, proporcionando puntuaciones F1 superiores al 80% en casi todas las categorías. Finalmente, demostramos que nuestro modelo, sin utilizar configuraciones preentrenadas ni ningún procesamiento posterior adicional, puede superar los métodos actuales de vanguardia (SOTA) tanto para las clases de agricultura como de bosques.