La technologie de télédétection, grâce à sa large couverture, sa haute réactivité temporelle et sa capacité à obtenir des informations multidimensionnelles, est devenue un outil important pour les enquêtes forestières. Les images multispectrales possèdent une résolution spatiale et spectrale élevée, permettant de capturer efficacement les différences spectrales entre différents types de couvert végétal, tandis que les données radar à synthèse d'ouverture (SAR) fournissent des informations stables sur la structure de surface et les caractéristiques de texture, constituant un complément important aux caractéristiques spectrales. Cependant, les différences de structure modale et d'expression d'information entre les données actives et passives entraînent souvent des effets de fusion limités, affectant la précision de classification. Pour résoudre ce problème, cette étude a pris comme zone d'étude une partie de la ville de Pu'er dans la province du Yunnan, sélectionnant 3 types d'espèces forestières (groupes) (Pinus kesiya, eucalyptus, chêne) et un type de forêt économique (plantation de thé) ainsi que 3 autres types de couverture terrestre pour la classification, en construisant un réseau d'apprentissage profond de classification forestière fusionnant les données de télédétection actives et passives sous condition d'échantillons réduits. La méthode fusionne les images multispectrales Sentinel-2 et les images SAR Sentinel-1, propose un réseau de fusion d'attention croisée principalement basé sur les images multispectrales, et introduit un mécanisme de régularisation à portes avec taux de dropout apprenants pour permettre une fusion dynamique des caractéristiques d'auto-attention et d'attention croisée. Lors du processus de fusion, le modèle extrait les caractéristiques saillantes des images multispectrales via le mécanisme d'auto-attention, combiné à l'attention croisée guidant la réponse aux zones clés SAR, contrôlant dynamiquement la contribution des différentes modalités lors de la fusion des caractéristiques. Les résultats expérimentaux montrent que la méthode proposée obtient les meilleures performances parmi plusieurs stratégies et niveaux de fusion, avec une précision globale de classification de 95,24%, et des précisions de classification pour l'eucalyptus, les plantations de thé, le chêne et le pin kesiya respectivement de 96,78%, 94,07%, 91,73% et 92,90%. Cette étude confirme l'efficacité du mécanisme d'attention croisée dans la modélisation collaborative des informations actives et passives de télédétection, fournissant une approche réalisable et un support technique pour la classification forestière multi-source en environnements complexes.

Sentinel-2;Sentinel-1;attention croisée;fusion de caractéristiques;classification forestière;réseau prototype;Concrete Dropout