提高地球观测模型预测对缺失传感器的鲁棒性

多传感器机器学习模型用于地球观测（EO）旨在通过整合来自 various 来源的数据来增强预测准确性。然而，缺失数据是一个重大挑战，尤其是对于那些可能受到外部因素影响的非持久性传感器。已有文献探索了诸如时间丢弃和传感器不变模型等策略来解决针对缺失数据的泛化问题。鼓舞人心的是，这些作品启发我们研究两种针对多传感器场景的新方法，称为输入传感器丢弃（Input Sensor Dropout, ISensD）和集成传感器不变（Ensemble Sensor Invariant, ESensI）。通过在三个多传感器时序EO数据集上进行实验，我们展示了这些方法有效提高了模型预测对缺失传感器的鲁棒性。特别地，我们关注模型在传感器缺失于不同程度时预测性能的下降情况。我们观察到，集成多传感器模型对传感器缺失最为鲁棒。此外，ISensD中的传感器丢弃组件显示出有希望的鲁棒性结果。