La technologie de télédétection, fort de sa large couverture, de sa haute actualité et de sa capacité d'obtenir des informations multidimensionnelles, est devenue un outil important pour l'inspection forestière. Les images multispectrales bénéficient d'une résolution spatiale et spectrale élevée et peuvent capturer efficacement les différences spectrales entre différents objets, tandis que les données radar à ouverture synthétique fournissent des informations stables sur la structure du sol et des caractéristiques de texture, pouvant constituer un complément important aux caractéristiques spectrales. Cependant, les différences de structure modale et d'expression d'informations dans les données de télédétection actives et passives conduisent souvent à une efficacité de fusion limitée, affectant la précision de la classification. Pour résoudre ce problème, cette étude a choisi une région spécifique de la ville de Pu'er dans la province du Yunnan, où 3 espèces d'arbres forestiers (pin de Pu'er, eucalyptus, chêne) et un type de terre économique (plantation de thé) et 3 autres types d'objets ont été sélectionnés comme objets de classification, pour construire un réseau de deep learning de classification forestière basé sur des données de télédétection actives et passives dans des conditions d'échantillons restreints. Cette méthode fusionne les images multispectrales satellitaires de la mission Sentinel-2 et les données d'imagerie radar à ouverture synthétique de la mission Sentinel-1 à travers un réseau de fusion d'attention croisée et propose un mécanisme de régulation des gouttes concrètes appris, réalisé avec une attention croisée dynamique et une attention personnelle lors de la fusion des caractéristiques. Au cours de la fusion, le modèle extrait les caractéristiques marquantes des images multispectrales avec l'attention personnelle, les combinant avec l'attention croisée guidant sa réponse aux régions clés radar et contrôlant dynamiquement la contribution des informations de différentes modalités à l'étape de fusion des caractéristiques. Les résultats des expériences montrent que la méthode proposée atteint des performances optimales dans plusieurs stratégies de fusion et niveaux de fusion, atteignant une précision globale de classification de 95,24%, et une précision de classification de l'eucalyptus, de la plantation de thé, du chêne et du pin de Pu'er de 96,78%, 94,07%, 91,73% et 92,90% respectivement. Cette étude valide l'efficacité du mécanisme d'attention croisée dans la modélisation coopérative d'informations de télédétection actives et passives et offre une idée réalisable et un soutien technique pour la classification forestière basée sur des capteurs multisources dans des environnements complexes.

Sentinel-2;Sentinel-1;Attention croisée; Fusion de caractéristiques; Classification forestière; Réseau prototype; Chute concrète