Ensemble-Lernen ist ein Typ des maschinellen Lernparadigmas, das auf der Idee der ergänzenden Zusammenarbeit basiert und durch die effektive Kombination mehrerer Lerngeräte die Einschränkungen eines einzelnen Lerngeräts überwinden und die Gesamtleistungsentscheidung verbessern kann. Ensemble-Lernen kann die Vorteile mehrerer Datenquellen und verschiedener Algorithmen in der Klassifizierung von Fernerkundungsbildern, der Erkennung von Veränderungen, der quantitativen Parameterrückgewinnung kombinieren und wird weit verbreitet angewendet. Auf der Grundlage einer Analyse des Fortschritts der nationalen und internationalen Forschung werden die Fortschritte des Ensemble-Lernens in der Erkennung von Fernerkennungsobjekten, der Landbedeckungsklassifizierung, der Mehrzeitpunktänderungserkennung und der Analyse von Fernerkundungsdaten in Zeitreihen, der Oberflächenparameterrückgewinnung, der Integration von Fernerkundungsdaten mit sozialen Wahrnehmungsdaten und der Synergie von Modell und maschinellem Lernen zusammengefasst. Mit der schnellen Entwicklung von Fernerkundungstechnologien und künstlicher Intelligenz steigt die Nachfrage nach der Umwandlung von Fernerkundungsdaten in geologisches Wissen, und so entwickelt sich das Ensemble-Lernen im Bereich Daten - Algorithmen - Wissen. Die große Größe von Fernerkundungsmodellen und ihre Erklärbarkeit, die Vielfalt und das Maß der Integration, neue Integrationsstrategien und die Anpassung an die Bedürfnisse der geologischen Integration werden vier Entwicklungsrichtungen sein, die in Zukunft beachtet werden müssen.

remote sensing;ensemble learning;image classification;change detection;Mechanism and learning ensemble