全球リモートセンシングデータを用いた作物分類のための最適な多視点学習モデルの探索

農地の研究と分析は、その動的かつ異質な成長特性のために困難な課題となっています。通常、その推定のために多様なデータソースを収集することが可能です。深層学習モデルは作物分類タスクにおいて優れた性能を示していますが、複数の入力（マルチビューラーニング (MVL)）を処理する際には大きな課題に直面しています。MVLシナリオで使用される方法は、エンコーダー構造、融合戦略、最適化技術に基づいて体系化することができます。文献では主に特定の地域向けのエンコーダー構造に焦点を当てており、MVL手法における他の成分について十分な探求が行われていません。これに対して、我々は融合戦略とエンコーダー構造の同時選択を調査し、世界規模での農地および作物種類の分類評価を行いました。我々は5つの融合戦略（入力 (Input)、特徴量 (Feature)、決定 (Decision)、アンサンブル (Ensemble)、ハイブリッド (Hybrid)）と5つの時系列エンコーダー（LSTM、GRU、TempCNN、TAE、L-TAE）を使用可能なMVL手法の設定として用いました。CropHarvestデータセットを使用して検証を行い、このデータセットは光学的データ、レーダーデータ、気象時間系列データ、地形情報を入力データとして提供します。我々はラベル付きサンプル数が限られているシナリオにおいて、単一の設定がすべての場合に十分ではないことを発見しました。代わりに、エンコーダーと融合戦略を含む専門的な組み合わせを慎重に探求すべきです。この探索プロセスを効率化するために、特定の融合戦略に最適化されたエンコーダー構造を見つけることから始めることをお勧めします。その後、分類タスクに最も適した融合戦略を選定します。我々は研究者がMVL手法を通じて作物分類を探求するための方法論的フレームワークを提供します。以上が翻訳となります。ご確認ください。