Auf der Suche nach optimalen Mehrsicht-Lernmodellen für die Klassifizierung von Nutzpflanzen mit globalen Fernerkundungsdaten

Die Untersuchung und Analyse von Ackerflächen ist aufgrund ihres dynamischen und heterogenen Wachstumsverhaltens eine schwierige Aufgabe. Üblicherweise können für deren Schätzung verschiedene Datenquellen gesammelt werden. Obwohl tiefes Lernen in der Klassifizierung von Kulturen ausgezeichnete Ergebnisse erzielt hat, stehen diese Modelle vor erheblichen Herausforderungen bei der Verarbeitung mehrerer Eingaben, was als Multi-View-Lernen (MVL) bezeichnet wird. Die in Szenarien des MVL verwendeten Methoden können nach der Encoder-Architektur, der Fusion-Strategie und der Optimierungstechnik strukturiert werden. Die Literatur hat sich bisher hauptsächlich auf die Verwendung spezifischer Encoder-Architekturen für lokale Regionen konzentriert, wobei andere Komponenten der MVL-Methode weniger detailliert erforscht wurden. Im Gegensatz dazu untersuchen wir die gleichzeitige Auswahl von Fusion-Strategie und Encoder-Architektur, um globale Klassifizierungen von Ackerflächen und Kulturtypen durchzuführen. Wir verwenden fünf Fusion-Strategien (Eingabe, Merkmale, Entscheidung, Ensemble, Hybrid) und fünf zeitliche Encodier (LSTM, GRU, TempCNN, TAE, L-TAE) als mögliche Konfigurationen in der MVL-Methode. Für die Validierung nutzen wir den CropHarvest-Datensatz, der optische, Radar-, Wetterserien- und topografische Informationen als Eingangsdaten bereitstellt. Wir stellten fest, dass in Szenarien mit einer begrenzten Anzahl von etikettierten Stichproben eine einheitliche Konfiguration für alle Fälle nicht ausreichend ist. Stattdessen sollte eine spezialisierte Kombination sorgfältig gesucht werden, einschließlich eines Encoders und einer Fusion-Strategie. Um diesen Suchprozess zu erleichtern, schlagen wir vor, zunächst die optimale Encoder-Architektur für eine bestimmte Fusion-Strategie zu identifizieren und dann die am besten geeignete Fusion-Strategie für die Klassifizierungsaufgabe zu bestimmen. Wir präsentieren ein methodisches Rahmenwerk für Forscher, die sich mit der Klassifizierung von Kulturen durch eine MVL-Methode befassen.