La tecnología de teledetección, gracias a su amplia cobertura, alta disponibilidad temporal y capacidad de obtener información multidimensional, se ha convertido en una herramienta importante para la investigación forestal. Las imágenes multiespectrales tienen una alta resolución espacial y espectral, lo que les permite capturar eficazmente las diferencias espectrales entre diferentes tipos de cobertura terrestre, mientras que los datos de radar de apertura sintética (SAR) proporcionan información estable sobre la estructura superficial y las características de textura, siendo un complemento importante a las características espectrales. Sin embargo, las diferencias en la estructura modal y la expresión de la información entre los datos activos y pasivos a menudo conducen a una fusión limitada, lo que afecta la precisión de la clasificación. Para abordar este problema, este trabajo seleccionó como área de estudio una parte de la ciudad de Pu'er en la provincia de Yunnan, escogiendo tres tipos de especies forestales (grupo) (Pinus kesiya, eucalipto, roble) y un tipo de terreno forestal económico (plantaciones de té) así como tres tipos más de coberturas terrestres como objetos de clasificación, construyendo una red de aprendizaje profundo para clasificación forestal que fusiona datos activos y pasivos de teledetección bajo condiciones de pequeñas muestras. El método fusiona imágenes multiespectrales Sentinel-2 y datos SAR Sentinel-1, proponiendo una red de fusión de atención cruzada dominada por imágenes multiespectrales e introduciendo un mecanismo regulador de puertas con tasa de dropout aprendible para lograr una fusión dinámica de características de autoatención y atención cruzada. Durante el proceso de fusión, el modelo extrae características destacadas de las imágenes multiespectrales mediante el mecanismo de autoatención, combinándolo con atención cruzada para guiar la respuesta a regiones clave de SAR, controlando dinámicamente la contribución de cada modalidad durante la etapa de fusión de características. Los resultados experimentales muestran que el método propuesto logra el mejor rendimiento entre varias estrategias y niveles de fusión, con una precisión general de clasificación del 95.24%, y precisiones de clasificación para eucalipto, plantaciones de té, roble y Pinus kesiya de 96.78%, 94.07%, 91.73% y 92.90% respectivamente. Este estudio verifica la efectividad del mecanismo de atención cruzada en el modelado colaborativo de información activa y pasiva de teledetección, proporcionando un enfoque viable y soporte técnico para la clasificación forestal multi-fuente en entornos complejos.

Sentinel-2;Sentinel-1;atención cruzada;fusión de características;clasificación forestal;red prototipo;Concrete Dropout