理学院青年教师在《Remote Sensing》发表科研成果

理学院青年教师在《Remote Sensing》发表科研成果

近日，理学院林草数据处理团队李鑫伟课题组在国际遥感领域期刊《Remote Sensing》（影响因子：4.3，中科院二区）在线发表了题为《MambaHSINet: A Dual-Branch Bidirectional State Space Network for Hyperspectral Tree Species Classification》的研究论文。理学院本科生刘昕盈、张延峰为论文共同第一作者，李鑫伟老师为通讯作者，吴俊洋、蔡田宇、李雨梦、王欣然参与了该研究。此外，理学院研究生董雯琪、冯慧霖和赵俊鑫为数据集构建提供了重要支撑。

高光谱遥感可捕捉不同树种间微弱的光谱特征差异，是实现森林树种精细识别的重要技术手段。但在真实复杂森林场景下，近缘树种光谱特征高度趋同，加之高光谱数据波段数量多、数据维度高，给树种分类任务带来巨大挑战，现有方法很难同时保障识别精度与计算推理效率。针对数据集稀缺这一现实瓶颈，研究团队实地采集和构建了ZJK无人机高光谱树种数据集，并开源HL_1、HL_2两套精细标注子集。数据集面向林农交错的过渡地貌，包含大量光谱混淆地物，可为树种精细分类算法研发、性能评测提供基准测试数据。

针对传统高光谱分类算法难以同时兼顾局部空谱特征挖掘与全局上下文信息利用的痛点，团队提出双分支双向状态空间网络MambaHSINet。模型设置相互解耦的光谱、空间双分支：光谱分支挖掘像素内部多尺度光谱差异，空间分支提取多尺度树冠纹理、边界等局部空间结构特征；进一步引入双向Mamba状态空间模块以线性计算复杂度完成整图全局上下文建模，充分融合高光谱影像空谱联合信息，提升复杂场景下光谱相似树种的辨别能力。区别于传统图块裁剪+滑动窗口推理的主流范式，MambaHSINet采用整图输入、端到端像素级分类图直接输出的模式，消除图块重叠带来的冗余计算，充分利用全图全局上下文。

在自建ZJK数据集 HL_1、HL_2 子集上，模型总体分类精度 OA 分别可达99.50%、98.39%，平均分类精度 AA 分别为 99.62%、98.58%，充分验证了该算法在精细树种分类任务上的优异性能。研究进一步在 3 套公开数据集上开展测试，覆盖城市、农田、林地多种典型地物场景，并选取传统机器学习、CNN、Transformer、Mamba四大类代表性算法作为基线进行对比，实验结果证明该算法同样具备出色的跨场景泛化与鲁棒能力。

该研究将无人机高光谱遥感、林地调查、自主数据集构建与深度学习方法相结合，为复杂森林场景中的精细树种识别提供了新的技术思路，也为森林资源调查、树种精细制图和森林生态监测等应用提供了方法参考。

论文链接：https://doi.org/10.3390/rs18142368

撰稿：刘昕盈，李鑫伟 审稿：司林