Avec une augmentation rapide et une diversification croissante des sources de données de télédétection (TD), il existe un besoin pressant de modélisation d'apprentissage multi-vue. Cette tâche est complexe lorsqu'on considère les différences de résolution, d'amplitude et de bruit des données de TD. L'approche typique pour fusionner plusieurs sources de TD a été la fusion au niveau des entrées, mais d'autres stratégies de fusion plus avancées peuvent surpasser cette approche traditionnelle. Ce travail évalue différentes stratégies de fusion pour la classification des cultures dans le jeu de données CropHarvest. Les méthodes de fusion proposées dans ce travail surpassent les modèles basés sur des vues individuelles et les méthodes de fusion précédentes. Nous ne trouvons pas une seule méthode de fusion qui surpasse constamment toutes les autres approches. Au lieu de cela, nous présentons une comparaison des méthodes de fusion multi-vue pour trois jeux de données différents et montrons que, selon la région testée, différentes méthodes obtiennent les meilleures performances. Malgré cela, nous suggérons un critère préliminaire pour la sélection des méthodes de fusion.