El mapeo preciso de la vegetación de humedales es esencial para el monitoreo ecológico y la conservación, sin embargo, sigue siendo un desafío debido a la heterogeneidad espacial de los humedales, la escasez de datos de verificación en campo y la propagación de especies invasoras. Las plantas invasoras alteran los patrones de vegetación nativa, haciendo que su detección temprana sea crítica para preservar la integridad del ecosistema. Este estudio propone un marco novedoso que integra el aprendizaje auto-supervisado (SSL), la segmentación supervisada y la fusión de datos de múltiples sensores para mejorar la clasificación de la vegetación en el Humedal Alpino de Bayinbuluke, China. Se fusionaron imágenes satelitales de alta resolución de PlanetScope-3 y Jilin-1, y se emplearon métodos de SSL, incluyendo BYOL, DINO y MoCo v3, para aprender representaciones de características transferibles sin necesidad de datos etiquetados extensos. Los resultados muestran que los métodos de SSL exhiben variaciones consistentes en el rendimiento de clasificación, mientras que la fusión de múltiples sensores mejora significativamente la detección de parches de vegetación raros y fragmentados y permite la identificación temprana de especies invasoras. En general, la estrategia de fusión SSL propuesta reduce la dependencia de la recolección de datos en campo intensiva en mano de obra y proporciona una solución escalable y de alta precisión para el monitoreo de humedales y la gestión de especies invasoras.