Mangroven sind eines der artenreichsten und produktivsten marinen Ökosysteme. Die feine Klassifizierung von Mangrovengemeinschaften ist zu einem aktuellen Forschungsschwerpunkt und -schwierigkeitspunkt geworden, indem hochauflösende Fernerkundungsbilder und Deep Learning integriert wurden. In diesem Artikel wird ein neues Modell für ein tiefes Lernklassifikationsnetzwerk, der Spatial Scale Attention Swin-Transformer (SSAFormer), für die feine Klassifizierung von Mangrovengemeinschaften vorgeschlagen. Das Modell verwendet eine Variante des Swin-Transformators als Hauptnetzwerk, integriert ein Faltungstiefen-Neuronen-Netzwerk (CNN) und einen Atrous Spatial Pyramid Pooling (ASPP) in das Hauptnetzwerk zur Extraktion von mehr Skalenmerkmalinformationen. Es wird außerdem eine Feature-Pyramidenstruktur (FPN) in den leichten Dekodierer eingebettet, um reiche semantische Merkmalinformationen aus niedrigen und hohen Schichten zu fusionieren. Es wurden drei Datensätze für aktive und passive Fernerkundung mit Mehrspektralbildern des Satelliten GF-7 und UAV-LiDAR-Punktwolken erstellt, und die Ergebnisse der SegFormer- und des verbesserten Swin-Transformators-Algorithmus in dieser Untersuchung wurden verglichen und analysiert, um die Klassifikationsleistung des SSAFormer-Algorithmus in Mangrovengemeinschaften weiter zu demonstrieren. Die Ergebnisse zeigen, dass: (1) Im Vergleich zu SegFormer erreicht SSAFormer eine feine Klassifizierung von Mangroven, wobei die allgemeine Genauigkeit (OA) um 1,77% - 5,30% verbessert wird, der Kappa-Koeffizient bis zu 0,8952 erreicht und die durchschnittliche Kreuzung über die Vereinigung (MIoU) insgesamt um 7,68% erhöht wurde; (2) Im GF-7 Mehrspektraldatensatz erreicht der SSAFormer-Algorithmus eine maximale Gesamtgenauigkeit (OA) von 91%, im UAV-LiDAR-Datensatz wurde der MIoU des SSAFormer-Algorithmus auf 57,68% erhöht, und im UAV-LiDAR-Datensatz mit spektralen Merkmalen wurde der Durchschnittswert des MIoU des SSAFormer-Algorithmus um 1,48% erhöht; (3) Im Vergleich zu den GF-7-Mehrspektraldaten wurde der durchschnittliche Überlappungswert über die Vereinigung (MIoU) der UAV-LiDAR-Daten um 5,35% erhöht, der Durchschnittswert der Gesamtgenauigkeit (OA) um 1,81% erhöht und die Klassifikationsgenauigkeit der UAV-LiDAR-Daten mit spektralen Merkmalen um 2,6% erhöht; (4) Der in dieser Untersuchung vorgeschlagene SSAFormer-Algorithmus erreicht die maximale Klassifikationsgenauigkeit (F1-Score) der Aegiceras corniculatum bis zu 97,07%, die Klassifikationsgenauigkeit der Bruguiera gymnorhiza bis zu 91,99% und der F1-Score des Spartina alterniflora erreicht 93,64%, der Durchschnittswert des F1-Score der Bruguiera gymnorhiza im SSAFormer-Modell erreicht 86,91% am höchsten. Der in dieser Untersuchung vorgeschlagene SSAFormer-Algorithmus kann die Klassifikationsgenauigkeit von Mangrovengemeinschaften effektiv verbessern.

Fernerkundung;Mangrove;GF-7 Multispektral;UAV-LiDAR-Punktwolke;SSAFormer;Tiefes Lernen;Integration von aktiven und passiven Bildern;Merkmalsausto