원격 탐사 기술은 광범위한 커버리지, 높은 시의성 및 다차원 정보 획득 능력으로 인해 임업 조사에서 중요한 도구가 되었다. 다중분광 원격 탐사 영상은 높은 공간 및 스펙트럼 해상도를 가지고 있어 다양한 지물 간의 스펙트럼 차이를 효과적으로 포착할 수 있으며, 합성 개구 레이더(SAR) 데이터는 안정적인 지표 구조 정보와 텍스처 특성을 제공하여 스펙트럼 특성의 중요한 보완 역할을 한다. 그러나 능동 및 수동 원격 탐사 데이터의 모달 구조와 정보 표현 차이로 인해 융합 효과가 제한적이며 분류 정확도에 영향을 미친다. 이를 해결하기 위해 본 논문은 윈난성 푸얼시 일부 지역을 연구 구역으로 선정하고, 3종의 산림 수종(군) (쓰마오 소나무, 유칼립투스, 참나무)과 경제림 유형(차밭) 및 기타 3종의 지물을 분류 대상으로 삼아 소규모 표본 조건 하에서 능동과 수동 원격 탐사 데이터를 융합하는 산림 분류 딥러닝 네트워크를 구축하였다. 이 방법은 Sentinel-2 다중분광 영상과 Sentinel-1 SAR 영상 데이터를 융합하며, 다중분광 영상을 주도하는 교차 주의 융합 네트워크를 제안하고 학습 가능한 드롭아웃 비율의 정규화 게이트 메커니즘을 도입하여 자기 주의 및 교차 주의 특징의 동적 융합 조절을 실현한다. 융합 과정에서 모델은 자기 주의 메커니즘을 통해 다중분광의 중요 특징을 추출하고, 교차 주의는 SAR의 주요 영역에 대한 반응을 안내하며, 특징 융합 단계에서 각 모달리티 정보의 기여도를 동적으로 제어한다. 실험 결과 제안된 방법은 여러 융합 전략 및 융합 계층 비교에서 최적의 성능을 보였으며, 전체 분류 정확도는 95.24%에 도달하였고, 유칼립투스, 차밭, 참나무 및 쓰마오 소나무의 분류 정확도는 각각 96.78%, 94.07%, 91.73%, 92.90%였다. 본 연구는 능동 및 수동 원격 탐사 정보 협력 모델링에서 교차 주의 메커니즘의 유효성을 검증하였으며, 복잡한 환경에서 다중 소스 원격 탐사 산림 분류를 위한 실행 가능한 방안과 기술 지원을 제공한다.

Sentinel-2;Sentinel-1;교차 주의;특징 융합;산림 분류;프로토타입 네트워크;Concrete Dropout