L'apprentissage ensembliste est un paradigme d'apprentissage automatique basé sur le principe de la coopération mutuelle, capable de surmonter les limites des apprenants individuels et d'améliorer les performances de décision globales. L'apprentissage ensembliste peut être largement appliqué à la classification des images à distance, à la détection des changements, à l'inversion quantitative des paramètres en combinant les avantages de plusieurs sources de données et d'algorithmes différents. Sur la base de l'analyse des progrès de la recherche nationale et internationale, des progrès de la recherche en matière d'apprentissage ensembliste dans la reconnaissance d'objets à distance, la classification des couvertures terrestres, la détection des changements multitemporels et l'analyse des données de télédétection temporelle, l'inversion des paramètres terrestres, l'intégration des données à distance et sociales, l'intégration des modèles mécanistes et de l'apprentissage statistique. Avec le développement rapide des technologies de télédétection et de l'intelligence artificielle, la nécessité de transformer les données de télédétection en connaissances géophysiques ne cesse de croître, et l'apprentissage ensembliste dans le domaine de la télédétection évolue vers une intégration des données, des algorithmes et des connaissances. L'intégration de grands modèles de télédétection et leur interprétabilité, la diversité de la composition et de la mesure, les nouvelles stratégies d'intégration et l'optimisation des modèles d'intégration et des besoins géophysiques seront quatre directions à surveiller à l'avenir.

Télédétection; apprentissage ensembliste; classification d'images; détection des changements; intégration des modèles mécanistes et de l'apprentissage