アンサンブル学習は、協力的かつ補完的な考えに基づく機械学習のパラダイムであり、複数の学習器の効果的な組み合わせによって単一学習器の限界を克服し、全体の意思決定性能を向上させることができます。アンサンブル学習は、リモートセンシング画像分類、変化検出、定量的パラメータの反演において、多様なデータソースや異なるアルゴリズムの利点を統合することで広く応用されています。国内外の研究進展の分析に基づき、リモートセンシング目標識別、地表被覆分類、多時相変化検出および時系列リモートセンシングデータ解析、地表パラメータ反演、リモートセンシングと社会認知データの統合、機構モデルと機械学習の統合に関する研究進展を総括しました。リモートセンシング技術と人工知能の急速な発展に伴い、リモートセンシングデータを地学知識に転換する需要が増大しており、リモートセンシング分野のアンサンブル学習はデータ－アルゴリズム－知識統合へと発展しています。今後注目すべき4つの発展方向は、リモートセンシング大規模モデルの統合と解釈可能性、多様性の構成および測定、新規アンサンブル戦略、アンサンブルパターンと地学ニーズの最適適合です。

リモートセンシング; アンサンブル学習; 画像分類; 変化検出; 機構と学習の統合