La tecnología de teledetección, con su amplia cobertura, alta actualidad y capacidad para obtener información multidimensional, se ha convertido en una herramienta importante para el inventario forestal. Las imágenes espectrales múltiples tienen una alta resolución espacial y espectral y pueden capturar eficazmente las diferencias espectrales entre diferentes objetos, mientras que los datos de radar de apertura sintética proporcionan información estable sobre la estructura del suelo y las características texturales, lo que puede ser un complemento importante de las características espectrales. Sin embargo, las diferencias en la estructura modal y la expresión de la información en los datos de teledetección activa y pasiva a menudo conducen a una eficiencia limitada de fusión, lo que afecta la precisión de la clasificación. Para resolver este problema, este estudio eligió una región específica en la ciudad de Pu'er, en la provincia de Yunnan, donde se seleccionaron 3 especies de árboles forestales (pino de Pu'er, eucalipto, roble) y un tipo de tierra económica (plantación de té) y otros 3 tipos de objetos como objetos de clasificación, para construir una red de aprendizaje profundo de clasificación forestal basada en datos de teledetección activa y pasiva en condiciones de muestra pequeña. Este método fusiona las imágenes satelitales espectrales múltiples de Sentinel-2 y los datos de imágenes de radar de apertura sintética de Sentinel-1 a través de una red de atención cruzada y propone un mecanismo de regulación de caída de concreto aprendido implementado con atención cruzada dinámica y atención personal en la fusión de características. Durante la fusión, el modelo extrae las características destacadas de las imágenes espectrales múltiples con atención personal, combinándolas con la atención cruzada que guía su respuesta a las regiones clave del radar y controla de manera dinámica la contribución de la información de diferentes modalidades en la etapa de fusión de características. Los resultados experimentales muestran que el método propuesto logra un rendimiento óptimo en varias estrategias de fusión y niveles de fusión, alcanzando una precisión general de clasificación del 95,24%, y una precisión de clasificación de eucalipto, plantación de té, roble y pino de Pu'er del 96,78%, 94,07%, 91,73% y 92,90% respectivamente. Esta investigación valida la eficacia del mecanismo de atención cruzada en la modelización cooperativa de información de teledetección activa y pasiva y ofrece una idea factible y un soporte técnico para la clasificación forestal basada en sensores multifuente en entornos complejos.

Sentinel-2;Sentinel-1;Atención cruzada; Fusión de características; Clasificación forestal; Red prototipo; Caída concreta