L'image hyperspectrale HSI (Hyperspectral Image) peut capturer les caractéristiques spectrales des composants du terrain, mais elle manque d'informations tridimensionnelles, tandis que le LiDAR (Light Detection And Ranging) peut capturer les informations de distance et de hauteur des objets. Ces deux types de données se complètent efficacement et peuvent améliorer la précision de la classification des objets. Le modèle Mamba présente des avantages en apprentissage de caractéristiques à distance et en calcul efficace, mais les recherches actuelles sur l’intégration de données multimodales en télédétection restent limitées, avec des problèmes de perte d’informations multi-sources et de fusion insuffisante. Sur cette base, cet article propose un réseau de classification collaborative adaptative basé sur la structure Mamba, combinant les données hyperspectrales et LiDAR. Ce réseau comprend un module d'attention collaborative bicouche empilable basé sur la structure Mamba, utilisant le partage des paramètres pour favoriser l’apprentissage mutuel entre les caractéristiques multi-sources, permettant ainsi d’obtenir une meilleure précision de classification et une meilleure généralisation. Les résultats expérimentaux montrent que l’algorithme proposé atteint une précision globale de 99,33 %, 91,74 % et 94,94 % sur les ensembles de données Trento, Houston2013 et MUUFL, permettant une extraction et une fusion plus efficaces des caractéristiques multi-sources.

classification d’images de télédétection ; classification collaborative ; fusion adaptative ; structure Mamba ; partage des paramètres ; images hyperspectrales ; LiDAR ; fusion de données multimodales