摘要

研究和分析农田是一项艰巨的任务，因为其生长行为具有动态性和异质性。通常，可以收集多种数据源来对其进行估算。尽管深度学习模型在作物分类任务中表现出色，但在处理多输入问题时仍面临巨大挑战，这被称为多视图学习（Multi-View Learning, MVL）。MVL 方法可以根据编码器架构、融合策略和优化技术进行结构化。现有文献主要集中在使用特定的编码器架构来处理局部区域，而对MVL方法中的其他组件缺乏深入探讨。相比之下，我们研究了融合策略和编码器架构的同时选择，评估了全球范围内的农田和作物类型分类。我们使用了五种融合策略（输入融合、特征融合、决策融合、集成融合、混合融合）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，该数据集提供了光学、雷达、气象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情况下，单一配置无法适用于所有情况。相反，需要精心寻找一种专门的组合，包括编码器和融合策略。为了简化这一搜索过程，我们建议首先确定适合特定融合策略的最佳编码器架构，然后再确定最合适的融合策略用于分类任务。我们为研究人员提供了一个通过MVL方法探索作物分类的方法论框架。