Технология дистанционного зондирования благодаря своей широкой охватывающей, высокой эффективности и способности получать информацию в многомерной форме стала важным инструментом для изучения лесов. Мультиспектральные изображения обладают высоким пространственным и спектральным разрешением, что позволяет эффективно захватывать спектральные различия между различными объектами, в то время как данные Синтетической Апертурной Радиолокации (SAR) предоставляют стабильную информацию о структуре поверхности и текстурных особенностях, которые могут быть важным дополнением к спектральным характеристикам. Однако различия в модальной структуре и выражении информации в активных и пассивных данных часто приводят к ограниченным эффектам слияния и влияют на точность классификации. Для решения этой проблемы в данной статье рассматривается часть территории города Пуэр в провинции Юньнань, где в качестве объектов классификации были выбраны 3 класса древесных пород (це), земельные угодья экономического значения (чайный сад) и другие 3 типа объектов. Построена глубокая нейронная сеть для классификации лесов на основе данных дистанционного зондирования в условиях ограниченных образцов. В данном методе мультиспектральные изображения спутника-2 (Sentinel-2) объединяются с данными радара Sentinel-1 (SAR) и предлагается сеть композитного слияния внимания, основанная на внимании к многополярным изображениям спутника, а также вводится регуляризация воронки с обучаемыми коэффициентами отсева. В процессе слияния модель извлекает выдающиеся спектральные характеристики из мультиспектральных изображений с помощью механизма самосознания, сочетая внимание к опорным областям SAR, динамически управляя вкладом информации различных модальностей в стадии слияния признаков. Результаты экспериментов показали, что предложенный метод достигает лучшей производительности при сравнении нескольких стратегий слияния и уровней слияния. Общая точность классификации составила 95.24%, а точности классификации пород це, чайного сада, дуба и фалькового кустарника составили соответственно 96.78%, 94.07%, 91.73%, 92.90%. Данное исследование подтверждает эффективность механизма внимания к многополярным данным в совместном моделировании активной и пассивной информации дистанционного зондирования и предоставляет выполнимые идеи и техническую поддержку для классификации лесов на многочастотных данных в сложных средах.

Sentinel-2; Sentinel-1; внимание к многополярным данным; слияние признаков; классификация лесов; конкретное отсевное управление;