Ensemble-Lernen ist ein maschinelles Lernparadigma, das auf dem Prinzip gegenseitiger Kooperation basiert und in der Lage ist, die Beschränkungen einzelner Lernender zu überwinden und die Gesamtleistung der Entscheidungsfindung zu verbessern. Das Ensemble-Lernen kann breit auf die Klassifizierung von Fernerkundungsbildern, die Erfassung von Veränderungen, die quantitative Inversion von Parametern durch die Kombination von Vorteilen aus mehreren Datenquellen und verschiedenen Algorithmen angewendet werden. Basierend auf der Analyse nationaler und internationaler Forschungsfortschritte wurden die Fortschritte des Ensemble-Lernens bei der Erkennung von Fernzielen, der Klassifizierung von Landbedeckungen, der Erfassung von mehrzeitlichen Veränderungen und der Analyse von temporalen Fernerkundungsdaten, der Inversion von Landparametern, der Integration von Fernerkundungs- und sozialen Wahrnehmungsdaten und der Integration von mechanistischen Modellen und Lernen zusammengefasst. Mit der raschen Entwicklung der Fernerkundungstechnologien und der künstlichen Intelligenz steigt kontinuierlich die Nachfrage nach der Umwandlung von Fernerkundungsdaten in geowissenschaftliches Wissen, und das Ensemble-Lernen im Bereich der Fernerkundung bewegt sich in Richtung Integration von Daten, Algorithmen und Wissen. Die Integration großer Fernerkundungsmodelle und ihre Interpretierbarkeit, die Vielfalt der Zusammensetzung und Messung, neue Integrationsstrategien und die Optimierung integrativer Modelle und die Anpassung an die geowissenschaftlichen Anforderungen werden vier Entwicklungsrichtungen sein, auf die in Zukunft zu achten ist.

Fernerkundung; Ensemble-Lernen; Bildklassifizierung; Änderungserkennung; Integration von mechanistischen Modellen und Lernen