تواجه خرائط تغطية الأرض الحالية تحديات مركزية تتمثل في محدودية مصادر البيانات الفردية، وتجانس البيانات الكبير، وضعف قدرة التعميم للنماذج الفردية. لذلك، استندت هذه الدراسة إلى الميزات الطيفية للصور متعددة الأطياف MSI (Multispectral Imagery) وخصائص بيانات الرادار ذو الفتحة التركيبية SAR (Synthetic Aperture Radar) المختلفة، وقد أنشأت مجموعة بيانات متعددة النماذج (MSI+SAR) لتعويض نقص بيانات SAR الأحادية النموذج في السيناريوهات المعقدة. بالإضافة إلى ذلك، وبعد التقييم المنهجي لسبعة نماذج تمثيلية على مستوى النموذج، تم اقتراح طريقة دمج متعددة النماذج تدمج ثلاثة أنواع من البنى: نماذج FCN تمثل الشبكات العصبية التلافيفية (CNN)، ونماذج ConViT تمثل المحولات البصرية (ViT)، ونماذج CoAtNet تمثل البنية المختلطة بين CNN وViT. تظهر نتائج التجارب أن البيانات متعددة النماذج (MSI+SAR) تحقق تحسينًا ملحوظًا مقارنة ببيانات SAR الأحادية النموذج في دقة الشمول OA (Overall Accuracy) ومؤشر التقاطع المرجح بالتردد FWIoU (Frequency-Weighted Intersection over Union)، وهذان هما مؤشرات تقييم التقسيم الدلالي التمثيلية. كما أن إطار الدمج متعدد النماذج المقترح يُحسن الأداء بشكل إضافي في مؤشري OA وFWIoU. تعزز الطريقة المبتكرة المقترحة في هذه الدراسة ليس فقط قدرة النماذج على استخراج الميزات المعقدة للغطاء الأرضي، بل تحسن أيضًا نتائج التصنيف في خرائط تغطية الأرض واسعة النطاق، مما يؤكد القوة الكبيرة للبيانات متعددة النماذج ودمج النماذج في رسم الخرائط عن بعد.

خرائط تغطية الأرض;متعدد الأطياف;الرادار ذو الفتحة التركيبية;متعدد النماذج;دمج متعدد النماذج;الشبكات العصبية التلافيفية;المحول البصري