Les forêts de mangroves sont l'un des écosystèmes marins les plus riches en biodiversité et productifs, et la classification précise des communautés de mangroves à l'aide d'images satellitaires à haute résolution et d'apprentissage approfondi est devenue un point chaud et un problème difficile de la recherche actuelle. Dans cet article, un nouveau modèle de réseau de classification d'apprentissage en profondeur basé sur un mécanisme d'attention de la fenêtre et un transformateur espace-vide SSAFormer (Swin-Segmentation-Atrous-Transformer) est proposé pour la classification précise des communautés de mangroves. Le modèle utilise un transformateur visuel sous forme de réseau principal, un réseau neural convolutif CNN (Convolutional Neural Network) est ajouté à l'intérieur du réseau pour extraire plus d'informations de caractéristiques à différentes échelles, et dans le décodeur léger est intégrée une structure de pyramide de caractéristiques FPN (Feature Pyramid Network) pour fusionner des informations sémantiques riches de bas et haut niveau. Trois ensembles de données pour les essais d'image multispectrales de haute résolution

remote sensing;mangrove;GF-7 multispectral;UAV-LiDAR point clouds;SSAFormer;deep learning;Active and passive image combination;feature selection;Fine classification of community