A tecnologia de sensoriamento remoto, devido à sua ampla cobertura, alta temporalidade e capacidade de obtenção de informações multidimensionais, tornou-se uma ferramenta importante para pesquisas florestais. As imagens multiespectrais possuem alta resolução espacial e espectral, sendo capazes de capturar eficazmente as diferenças espectrais entre diferentes tipos de cobertura do solo, enquanto os dados de radar de abertura sintética (SAR) fornecem informações estáveis sobre a estrutura da superfície e características de textura, servindo como um complemento importante às características espectrais. No entanto, as diferenças na estrutura modal e na expressão das informações entre dados ativos e passivos frequentemente levam a uma fusão limitada, afetando a precisão da classificação. Para abordar essa questão, este artigo selecionou parte da cidade de Pu'er, na província de Yunnan, como área de estudo, escolhendo 3 tipos de espécies florestais (grupos) (Pinus kesiya, eucalipto, carvalhos) e um tipo de área de floresta econômica (plantação de chá), além de outros 3 tipos de coberturas terrestres como objetos de classificação, construindo uma rede de aprendizado profundo para classificação florestal que integra dados ativos e passivos de sensoriamento remoto sob condições de poucos exemplos. O método integra imagens multiespectrais Sentinel-2 com dados de imagem SAR Sentinel-1, propõe uma rede de fusão com atenção cruzada dominada por imagens multiespectrais e introduz um mecanismo de regularização com portas e taxa de dropout aprendível para realizar o ajuste dinâmico da fusão das características de autoatenção e atenção cruzada. Durante o processo de fusão, o modelo extrai características salientes das imagens multiespectrais por meio do mecanismo de autoatenção, combinado com atenção cruzada que orienta a resposta para as regiões-chave do SAR, controlando dinamicamente a contribuição de cada modalidade na fase de fusão das características. Os resultados experimentais mostram que o método proposto alcança o melhor desempenho entre várias estratégias e níveis de fusão, com precisão geral de classificação de 95,24%, e precisões de classificação para eucalipto, plantação de chá, carvalhos e Pinus kesiya de 96,78%, 94,07%, 91,73% e 92,90%, respectivamente. Este estudo verifica a eficácia do mecanismo de atenção cruzada na modelagem colaborativa de informações ativas e passivas de sensoriamento remoto, fornecendo uma abordagem viável e suporte técnico para a classificação florestal multifuente em ambientes complexos.

Sentinel-2;Sentinel-1;atenção cruzada;fusão de características;classificação florestal;rede protótipo;Concrete Dropout