Технология дистанционного зондирования, благодаря своей широкой области покрытия, высокой актуальности и возможности получения информации многомерного вида, стала важным инструментом для исследования лесов. Многоспектральные изображения дистанционного зондирования обладают высоким пространственным и спектральным разрешением, что позволяет успешно извлекать спектральные различия между различными объектами, данные синтетического апертурного радиолокационного зондирования предоставляют стабильную информацию о структуре поверхности и текстурных характеристиках, что является важным дополнением к спектральным характеристикам. Однако различия в модальной структуре и представлении информации между активными и пассивными данными дистанционного зондирования часто приводят к ограниченному эффекту слияния и влияют на точность классификации. Для решения этой проблемы в данном исследовании выбран район части города Пуэр провинции Юньнань, выбраны три категории лесных пород (сосна Симай, эвкалипт, дубовые породы) и один тип экономического лесного участка (чайный сад) и другие три типа земельных участков в качестве классифицируемых объектов, построена глубокая сверточная нейронная сеть для классификации лесов из малого обучающего набора данных на основе активных и пассивных данных дистанционного зондирования. Данная методика интегрирует многоспектральные изображения дистанционного зондирования синтезиро-вать апертурного радиолокационного зондирования в модели свертки с доминирующим вниманием, и вводит регуляризированный механизм управления выпадением с обучаемым коэффициентом выпадения для динамической регулировки синтезированного внимания к признакам сверхвысокого разрешения и сопровождение признаков сверхвысокого разрешения динамическим контролем величины своего вклада в каждую модальную информацию. Результаты эксперимента показывают, что предложенный метод достигает оптимальной производительности в сравнении с несколькими стратегиями слияния и уровнями слияния, общая точность классификации достигает 95,24%, точность классификации эвкалипта, чайного сада, дубовых пород и сосны Симай соответственно составляет 96,78%, 94,07%, 91,73%, 92,90%. Настоящее исследование подтверждает эффективность механизма кросс-внимания в совместном моделировании информации активного и пассивного дистанционного зондирования и предоставляет физическую поддержку многоис-точниковой классификации лесов в сложных окружающих условиях.

Sentinel-2; Sentinel-1; Кросс-внимание; Слияние признаков; Классификация лесов; Прототипная сеть; Конкретный отсев