Ensemble-Lernen ist ein maschinelles Lernparadigma, das auf der Idee der kooperativen Komplementarität basiert und die Beschränkungen einzelner Lerner durch die effektive Kombination mehrerer Lerner überwinden kann, um die Gesamtentscheidungsleistung zu verbessern. Ensemble-Lernen wird in der Fernerkundungsbildklassifikation, der Veränderungserkennung und der quantitativen Parameterinversion eingesetzt, indem die Vorteile mehrerer Datenquellen und verschiedener Algorithmen kombiniert werden, und wird weit verbreitet angewendet. Basierend auf der Analyse der in- und ausländischen Forschungsfortschritte wurde der Stand der Forschung zum Ensemble-Lernen in der Fernerkundungserkennung von Zielen, der Oberflächenbedeckungsklassifikation, der mehrzeitigen Veränderungserkennung und der Zeitreihenanalyse von Fernerkundungsdaten, der Oberflächenparameterinversion, der Integration von Fernerkundungs- und sozialen Wahrnehmungsdaten sowie der Integration mechanistischer Modelle und maschinellen Lernens zusammengefasst. Mit der schnellen Entwicklung der Fernerkundungstechnologie und der künstlichen Intelligenz steigt die Nachfrage nach der Umwandlung von Fernerkundungsdaten in geowissenschaftliches Wissen, und das Ensemble-Lernen im Bereich der Fernerkundung entwickelt sich hin zur Integration von Daten, Algorithmen und Wissen. Zukunftsweisende Entwicklungen werden die Integration großer Fernerkundungsmodelle mit Erklärbarkeit, die Zusammensetzung und Messung der Diversität, neue Ensemble-Strategien sowie die optimierte Anpassung der Ensemble-Modelle an geowissenschaftliche Anforderungen sein.

Fernerkundung; Ensemble-Lernen; Bildklassifikation; Veränderungserkennung; Integration mechanistischer Modelle und Lernen