À la recherche de modèles d'apprentissage multi-vue optimaux pour la classification des cultures avec des données de télédétection globale

L'étude et l'analyse des terres agricoles constituent une tâche difficile en raison de leur comportement de croissance dynamique et hétérogène. Généralement, diverses sources de données peuvent être collectées pour leur estimation. Bien que les modèles d'apprentissage profond aient fait leurs preuves dans la tâche de classification des cultures, ils font face à des défis considérables lorsqu'ils doivent traiter plusieurs entrées, connu sous le nom d'apprentissage multi-vue (MVL). Les méthodes utilisées dans le cadre de l'apprentissage multi-vue peuvent être structurées en fonction de l'architecture du codificateur, de la stratégie de fusion et de la technique d'optimisation. La littérature s'est principalement concentrée sur l'utilisation d'architectures spécifiques de codificateurs pour les régions locales, manquant d'une exploration plus approfondie des autres composants de la méthodologie MVL. En revanche, nous examinons la sélection simultanée de la stratégie de fusion et de l'architecture du codificateur, évaluant les classifications à l'échelle mondiale des terres agricoles et des types de cultures. Nous utilisons cinq stratégies de fusion (Entrée, Caractéristiques, Décision, Ensemble, Hybride) et cinq encodeurs temporels (LSTM, GRU, TempCNN, TAE, L-TAE) comme configurations possibles dans la méthode MVL. Nous utilisons le jeu de données CropHarvest pour la validation, qui fournit des séries temporelles optiques, radar, météorologiques et topographiques en tant que données d'entrée. Nous avons constaté qu'en présence d'un nombre limité d'échantillons étiquetés, une configuration unique n'est pas suffisante pour tous les cas. Au lieu de cela, une combinaison spécialisée doit être soigneusement recherchée, incluant un codificateur et une stratégie de fusion. Pour rationaliser ce processus de recherche, nous suggérons d'identifier l'architecture optimale du codificateur adaptée à une stratégie spécifique de fusion, puis de déterminer la stratégie de fusion la plus appropriée pour la tâche de classification. Nous proposons un cadre méthodologique pour les chercheurs explorant la classification des cultures par le biais d'une méthodologie MVL.