リモートセンシング技術は広範囲のカバレッジ、高いタイミング効果および多次元情報の取得能力を活かし、林業調査における重要なツールとなっている。マルチスペクトラルリモートセンシング画像は高い空間およびスペクトル分解能を有し、異なる地物間のスペクトルの差異を効果的に捉えることができる。シンセティックアパーチャーレーダ（SAR）データは安定した地表の構造情報とテクスチャ特徴を提供し、スペクトル特徴の重要な補完となる。しかし、パッシブおよびアクティブリモートセンシングデータのモード構造および情報表現の違いは、融合効果が限定され、分類精度に影響を与えることが多い。この問題に対し、本研究では中国雲南省普洱市の一部地域を研究エリアとし、3種類の森林樹種（コモンパイン、 ユーカリ、クリ属）と一種の経済林地タイプ（茶園）および他の3種類の地物を分類対象として選定し、深層学習ネットワークを構築した。この手法はSentinel-2衛星のマルチスペクトラル画像とSentinel-1衛星のSAR画像データを融合し、マルチスペクトラル画像を優先するクロスアテンション融合ネットワークを提案し、学習可能なドロップアウト率を導入し、自己アテンションとクロスアテンション特徴の動的融合調整を実現している。融合プロセスでは、モデルは自己アテンション機構によってマルチスペクトラルの顕著な特徴を抽出し、SARの重要な領域への反応を導くクロスアテンションを組み合わせ、特徴融合の段階で各モード情報の貢献度を動的に制御する。実験の結果、提案手法は複数の融合戦略および融合レベルで最高のパフォーマンスを達成し、全体の分類精度は95.24%であり、ユーカリ、茶園、クリ属およびコモンパインの分類精度はそれぞれ96.78%、94.07%、91.73%、92.90%であった。本研究は、パッシブおよびアクティブリモートセンシング情報の協調モデリングにおけるクロスアテンションメカニズムの有効性を検証し、複雑な環境下での多元リモートセンシング森林分類に対する実現可能なアプローチと技術サポートを提供した。

Sentinel-2;Sentinel-1;クロスアテンション;特徴融合;森林分類;プロトタイプネットワーク;Concrete Dropout