多源模型对地球观测中缺失数据的鲁棒性取决于什么？
机器学习
2026-05-14 v1 人工智能
计算机视觉与模式识别
摘要
近年来，地球观测（Earth Observation, EO）领域出现了鲁棒多源模型的发展。这类模型利用来自不同来源的数据，以提高存在数据缺失时的预测准确性。尽管取得了这些进展，但对影响此类模型有效性的因素仍知之甚少。在本研究中，我们评估了六种 state-of-the-art 多源模型在单一数据源缺失或仅有单一数据源可用场景下的预测性能。我们的分析表明，这些模型的有效性与任务性质、数据源之间的互补性以及模型设计密切相关。令人惊讶的是，我们观察到在某些情况下，移除某些数据源反而会提高预测性能，这挑战了整合所有可用数据总是有益的假设。这些发现促使人们对模型复杂性和所有收集数据源的必要性进行批判性反思，可能为 EO 应用中更精简的方法铺平道路。
引用
@article{arxiv.2503.19719,
title = {On What Depends the Robustness of Multi-source Models to Missing Data in Earth Observation?},
author = {Francisco Mena and Diego Arenas and Miro Miranda and Andreas Dengel},
journal= {arXiv preprint arXiv:2503.19719},
year = {2026}
}
备注
Accepted at IEEE International Geoscience and Remote Sensing Symposium 2025