地球观测应用模型预测中缺失数据的影响评估

地球观测应用中使用机器学习模型来处理复杂和异构的数据源，但是对于数据源的持久性可用性存在一种常见的假设。本研究评估了训练模型中缺失时间性和静态的观测数据源对于四个数据集中分类和回归任务的影响，并比较了不同方法的预测质量，发现其中一些方法对于缺失数据自然更具鲁棒性。特别是，集成策略实现了高达 100％的预测稳健性。我们发现，在回归任务中缺失情景比分类任务更具挑战性。最后，我们发现当光学视图单独缺失时，它是最关键的视图。