Технология дистанционного зондирования благодаря своему широкому охвату, высокой оперативности и способности получать многомерную информацию стала важным инструментом в лесных исследованиях. Много-спектральные изображения обладают высокой пространственной и спектральной разрешающей способностью, эффективно улавливая спектральные различия между различными объектами, тогда как данные радиолокационного синтеза апертуры (SAR) обеспечивают стабильную информацию о структурных особенностях поверхности и текстуре, являясь важным дополнением к спектральным характеристикам. Однако различия в модальностной структуре и выражении информации между активными и пассивными данными часто приводят к ограниченному эффекту слияния и ухудшают точность классификации. В связи с этим в данной работе выбрана часть территории города Пуэр провинции Юньнань в качестве исследуемой области, выбраны 3 типа лесных пород (группа) (Pinus kesiya, эвкалипт, дуб) и один тип экономического леса (чайные плантации) и еще 3 типа других объектов для классификации. Создана глубокая обучающая сеть классификации лесов, ориентированная на малые обучающие выборки, объединяющая активные и пассивные данные дистанционного зондирования. Метод融合ирует мультиспектральные изображения Sentinel-2 и SAR-данные Sentinel-1, предлагая кросс-внимательную сеть融合а с приоритетом мультиспектра, и вводит регулируемый механизм регуляризации с обучаемой долей Dropout для динамического融合а признаков самовнимания и взаимного внимания. В процессе融合а модель извлекает важные признаки мультиспектральных данных с помощью механизма самовнимания и направляет их к ключевым областям SAR с помощью кросс-внимания, динамически контролируя вклад каждой модальности на этапе融合а признаков. Экспериментальные результаты показывают, что предложенный метод достигает наилучших результатов среди различных стратегий и уровней融合а с общей точностью классификации 95,24%, а точности классификации эвкалипта, чайных плантаций, дуба и Pinus kesiya составляют 96,78%, 94,07%, 91,73% и 92,90% соответственно. Исследование подтверждает эффективность механизма кросс-внимания в совместном моделировании активных и пассивных данных дистанционного зондирования, предоставляя реализуемое решение и техническую поддержку для многоресурсной классификации лесов в сложных условиях.

Sentinel-2;Sentinel-1;кросс-внимание;融合 признаков;классификация лесов;прототипная сеть;Concrete Dropout