L'apprentissage par ensemble est un paradigme d'apprentissage automatique basé sur l'idée de coopération complémentaire, capable de dépasser les limites d'un seul apprenant grâce à la combinaison efficace de plusieurs apprenants, améliorant ainsi les performances globales de décision. L'apprentissage par ensemble est largement utilisé dans la classification d'images de télédétection, la détection de changements, l'inversion de paramètres quantitatifs, en combinant les avantages des données multisources et des différentes algorithmes. Sur la base de l'analyse des progrès de la recherche nationale et internationale, les avancées de l'apprentissage par ensemble sont synthétisées dans la reconnaissance des cibles en télédétection, la classification de la couverture terrestre, la détection de changements multi-temporels et l'analyse des séries temporelles de données de télédétection, l'inversion des paramètres de surface, l'intégration des données de télédétection et de perception sociale, ainsi que l'intégration des modèles mécanistiques et de l'apprentissage automatique. Avec le développement rapide des technologies de télédétection et de l'intelligence artificielle, la demande de transformation des données de télédétection en connaissances géoscientifiques augmente continuellement, et l'apprentissage par ensemble en télédétection évolue vers une intégration données–algorithme–connaissance. Les quatre directions de développement à surveiller à l'avenir sont : l'intégration des grands modèles de télédétection avec explicabilité, la composition et la mesure de la diversité, les nouvelles stratégies d'ensemble, et l'adaptation optimale des modes d'ensemble aux besoins géoscientifiques.

télédétection; apprentissage par ensemble; classification d'images; détection de changements; intégration mécanistique et apprentissage