Гиперспектральное изображение HSI (Hyperspectral Image) способно захватывать спектральные характеристики компонентов земли, но отсутствует трехмерная информация, в то время как лидар (Light Detection And Ranging) способен захватывать информацию о расстоянии и высоте объектов, оба типа данных могут взаимно дополнять друг друга и эффективно повышать точность классификации земель. Модель Mamba имеет преимущества в удаленном обучении и эффективных вычислениях, но на данный момент исследований по классификации мульти-модальных данных дистанционного зондирования с использованием Mamba мало, есть проблемы с недостающей информацией мульти-источниковых признаков и недостаточным объединением. На основе этого, в данной статье предлагается сеть кооперативной адаптивной группировки данных гиперспектрального и лидарных данных на основе структуры Mamba. Эта сеть включает в себя двухканальный модуль совместного внимания на основе структуры Mamba, используя общие параметры для содействия взаимному обучению множественных источниковых признаков, что позволяет достичь более высокой точности классификации и лучшей обобщающей способности в задаче классификации. Результаты экспериментов показывают, что предложенный алгоритм достигает общей точности на наборах данных Trento, Houston2013 и MUUFL, соответственно, 99,33%, 91,74% и 94,94%, способен более эффективно извлекать и объединять множественные признаки.

remote sensing image classification;collaborative classification;adaptive fusion;Mamba architecture;parameter sharing;hyperspectral image;LiDAR;Multimodal data fusion