探寻基于全球遥感数据的作物分类最优多视图学习模型

由于农田动态且异质的生长行为，研究和分析农田是一项困难的任务。通常，可以收集多种数据源对其进行估算。尽管深度学习模型在作物分类任务中已被证明表现出色，但它们在处理多输入（称为多视图学习，Multi-View Learning, MVL）时面临巨大挑战。MVL场景中使用的方法可以基于编码器架构、融合策略和优化技术进行结构化。现有文献主要集中于为局部区域使用特定的编码器架构，缺乏对MVL方法论中其他组成部分的深入探索。相比之下，我们研究了融合策略和编码器架构的同时选择，评估全球尺度的农田和作物类型分类。我们使用五种融合策略（输入、特征、决策、集成、混合）和五种时间编码器（LSTM、GRU、TempCNN、TAE、L-TAE）作为MVL方法中的可能配置。我们使用CropHarvest数据集进行验证，该数据集提供光学、雷达、天气时间序列和地形信息作为输入数据。我们发现，在标记样本数量有限的场景中，单一配置不足以应对所有情况。相反，应精心寻找专门的组合，包括编码器和融合策略。为了简化这一搜索过程，我们建议先确定适合特定融合策略的最优编码器架构，然后确定最适合分类任务的融合策略。我们为通过MVL方法探索作物分类的研究人员提供了一个方法论框架。