Die Fernerkundungstechnologie hat sich aufgrund ihrer breiten Abdeckung, hohen Effektivität und Fähigkeit, mehrdimensionale Informationen zu erhalten, zu einem wichtigen Werkzeug für die Walduntersuchung entwickelt. Multispektrale Fernerkundungsbilder verfügen über eine hohe räumliche und spektrale Auflösung und können so die spektralen Unterschiede zwischen verschiedenen Objekten effektiv erfassen, während synthetische Apertur Radar (SAR) Daten stabile Informationen zur Bodenstruktur und texturierten Merkmalen bereitstellen, die eine wichtige Ergänzung zu den spektralen Merkmalen darstellen. Die Unterschiede in der modalen Struktur und Informationsrepräsentation in aktiven und passiven Fernerkundungsdaten führen jedoch häufig zu begrenzten Verschmelzungseffekten und beeinträchtigen die Klassifikationsgenauigkeit. Zur Bewältigung dieses Problems behandelt diese Studie einen Teil des Gebiets der Stadt Pu'er in der Provinz Yunnan, in dem 3 Arten von Waldarten (Ce), landwirtschaftliche Flächen von wirtschaftlichem Wert (Teeplantage) und weitere 3 Arten von Objekten als Klassifikationsobjekte ausgewählt wurden. Es wurde ein tiefes Lernnetzwerk für die Waldklassifikation unter Verwendung von Fernerkundungsdaten in bedingten kleinen Stichproben aufgebaut. In dieser Methode werden Multispektralbilder des Satelliten-2 (Sentinel-2) mit Radar-Satelliten-1 (Sentinel-1) (SAR) Daten fusioniert und ein netzwerkbasierter Aufmerksamkeitsfusionsansatz für Multispektralführung vorgeschlagen sowie eine regulierbare Verwerfungs-Schulungs-Vorrichtung eingeführt. Während des Verschmelzungsvorgangs extrahiert das Modell hervorragende spektrale Merkmale aus den Multispektralbildern mittels Selbstwahrnehmungsmechanismus und kombiniert Aufmerksamkeitsführung für SAR-gesteuerte Reaktionen in Schlüsselbereichen, um den Beitrag von Informationen verschiedener Modalitäten in der Merkmalsverschmelbungsphase dynamisch zu steuern. Die experimentellen Ergebnisse zeigten, dass die vorgeschlagene Methode in verschiedenen Verschmelzungsstrategien und -schichten die beste Leistung erbracht hat. Die Gesamtklassifikationsgenauigkeit betrug 95,24% und die Klassifikationsgenauigkeiten für die Waldarten Ce, Teeplantage, Eiche und Falkenbusch betrugen jeweils 96,78%, 94,07%, 91,73%, 92,90%. Diese Studie bestätigt die Wirksamkeit des Aufmerksamkeitsmechanismus für Multimodalitätsmodellierung mit aktiven und passiven Fernerkundungsinformationen und bietet machbare Ideen und technische Unterstützung für die Klassifikation von Wäldern aufgrund multipler Fernerkundungsdaten in komplexen Umgebungen.

Sentinel-2; Sentinel-1; Aufmerksamkeit für Multimodalität; Merkmalsfusion; Waldklassifikation; Konkrete Verwerfungssteuerung;