La imagen hiperespectral HSI (Hyperspectral Image) puede capturar las características espectrales de los componentes del terreno, pero carece de información tridimensional, mientras que el LiDAR (Light Detection And Ranging) puede capturar información de distancia y altura del terreno. Ambos tipos de datos se complementan eficazmente, lo que puede mejorar la precisión de la clasificación del reconocimiento de objetos. El modelo Mamba tiene ventajas en el aprendizaje remoto de características y el cálculo eficiente, pero actualmente hay pocas investigaciones sobre la fusión y clasificación de datos multimodales de teledetección, existiendo problemas como la pérdida de información de múltiples fuentes y la fusión insuficiente. En base a esto, este artículo propone una red de clasificación colaborativa de fusión adaptativa de datos hiperespectrales y LiDAR basada en la estructura Mamba. Esta red incluye un módulo de atención colaborativa de doble canal apilable basado en la estructura Mamba, que utiliza el intercambio de parámetros para promover el aprendizaje mutuo entre las características de múltiples fuentes, logrando una mayor precisión de clasificación y mejor capacidad de generalización en tareas de clasificación. Los resultados experimentales muestran que el algoritmo propuesto alcanza una precisión general del 99.33%, 91.74% y 94.94% en los conjuntos de datos Trento, Houston2013 y MUUFL, pudiendo extraer y fusionar características de múltiples fuentes de manera más eficiente.

clasificación de imágenes de teledetección; clasificación colaborativa; fusión adaptativa; estructura Mamba; intercambio de parámetros; imágenes hiperespectrales; LiDAR; fusión de datos multimodales