O aprendizado em conjunto é um paradigma de aprendizado de máquina baseado na ideia de cooperação complementar, capaz de superar as limitações de um único aprendiz por meio da combinação eficaz de múltiplos aprendizes, melhorando o desempenho geral da decisão. O aprendizado em conjunto é amplamente utilizado na classificação de imagens de sensoriamento remoto, detecção de mudanças, inversão quantitativa de parâmetros, integrando as vantagens de dados multiorigem e diferentes algoritmos. Com base na análise do progresso da pesquisa nacional e estrangeira, resumiram-se os avanços do aprendizado em conjunto em reconhecimento de alvos de sensoriamento remoto, classificação de cobertura do solo, detecção de mudanças multitemporais e análise de séries temporais de dados de sensoriamento remoto, inversão de parâmetros superficiais, integração de dados de sensoriamento remoto e percepção social, e integração de modelos mecanísticos e aprendizado de máquina. Com o rápido desenvolvimento da tecnologia de sensoriamento remoto e inteligência artificial, a demanda por transformar dados de sensoriamento remoto em conhecimento geocientífico está crescendo continuamente, e a aprendizagem em conjunto no campo do sensoriamento remoto está se desenvolvendo em direção à integração de dados, algoritmos e conhecimento. As quatro direções de desenvolvimento que merecem atenção no futuro são: integração dos grandes modelos de sensoriamento remoto com interpretabilidade, composição e medição de diversidade, novas estratégias de ensemble e adaptação otimizada dos modos de ensemble às necessidades da ciência da terra.

sensoriamento remoto; aprendizado em conjunto; classificação de imagens; detecção de mudanças; integração mecanística e aprendizado