La tecnología de teledetección, gracias a su amplia cobertura, alta actualidad y capacidad de obtención de información multidimensional, se ha convertido en una herramienta importante para el estudio de los bosques. Las imágenes multiespectrales de teledetección tienen una alta resolución espacial y espectral, lo que les permite capturar eficazmente las diferencias espectrales entre diferentes elementos del terreno, mientras que los datos de teledetección radar de apertura sintética proporcionan información estable sobre la estructura de la superficie y las características texturales, que son un complemento importante a las características espectrales. Sin embargo, las diferencias en la estructura modal y la representación de la información entre los datos de teledetección activa y pasiva a menudo conducen a un efecto limitado de fusión e impactan en la precisión de la clasificación. Para resolver este problema, este estudio elige una región parcial de la ciudad de Pu'er, provincia de Yunnan, y selecciona tres categorías de especies forestales (pino de Simao, eucalipto, robles) y un tipo de terreno de actividades forestales económicas (plantaciones de té) y otros tres tipos de terrenos para ser los objetos de clasificación, construir una red neuronal profunda para la clasificación de bosques basada en datos de teledetección activa y pasiva en condiciones de pequeñas muestras de aprendizaje. Este método integra las imágenes multiespectrales de teledetección con datos de radar de apertura sintética para modelar una estructura de convolución dominante e introduce un mecanismo de regulación del control de abandono con una tasa de abandono aprendible para ajustar de manera dinámica la fusión de características de alta resolución y regular dinámicamente la contribución de características de alta resolución en cada información modal. Los resultados experimentales muestran que el método propuesto alcanza un rendimiento óptimo en comparación con varias estrategias de fusión y niveles de fusión, con una precisión general del 95,24%, la precisión de la clasificación de eucalipto, plantaciones de té, robles y pino de Simao es respectivamente del 96,78%, 94,07%, 91,73%, 92,90%. Este estudio verifica la eficacia del mecanismo de atención cruzada en la modelización conjunta de la información de teledetección activa y pasiva, proporcionando una vía y soporte técnico viable para la clasificación forestal multi-fuente en entornos complejos.

Sentinel-2; Sentinel-1; Atención cruzada; Fusión de características; Clasificación forestal; Red prototipo; Abandono concreto