Die Klassifizierung von Pflanzenarten stützt sich stark auf Satellitenbilder, insbesondere von den Satelliten Sentinel-1 und Sentinel-2, die von der Europäischen Weltraumorganisation betrieben werden. Diese Satelliten bieten einen kontinuierlichen Strom hochauflösender spektraler Daten, die eine präzise Klassifizierung von Pflanzen über große geografische Bereiche ermöglichen. Sentinel-1, mit seiner Fähigkeit zur synthetischen Apertur-Radaraufnahme, erfasst Daten unabhängig von den Wetterbedingungen und bietet eine konsistente Überwachung über das gesamte Jahr. Sentinel-2, mit seinen optischen Fernerkundungskapazitäten, liefert multispektrale Bilder über verschiedene spektrale Bänder, die entscheidend für die Identifizierung und Unterscheidung zwischen verschiedenen Pflanzenarten sind.
Neben traditionellen Methoden hat die moderne Klassifizierung von Pflanzenarten mithilfe von Satellitenbildern Fortschritte in den Techniken des maschinellen Lernens erfahren. Ein prominenter Ansatz ist die Verwendung von konvolutionalen neuronalen Netzen (CNNs), insbesondere U-Net, kombiniert mit Long Short-Term Memory (LSTM)-Netzen. Diese Modelle sind darauf ausgelegt, sowohl räumliche als auch zeitliche Daten zu verarbeiten, um genauere Klassifizierungen von Pflanzenarten zu ermöglichen, indem sie aus den Mustern im Pflanzenwachstum über die Zeit lernen. Die Integration von Zeitreihendaten von Satelliten ermöglicht es diesen Modellen, die Entwicklung von Pflanzen während der Wachstumsperiode zu überwachen und die Fähigkeit zur genaueren Klassifizierung von Pflanzen zu verbessern.