基于Sentinel-2影像与双向时空视觉Mamba-UNet的冬小麦高效精准分类研究

《Smart Agricultural Technology》：BTSM-UNet: Bidirectional Temporal-Spatial vision Mamba-UNet for winter wheat classification based on Sentinel-2 imagery

本研究针对高维多时相遥感影像特征自动提取困难、多尺度时空信息融合不足的问题，提出了一种新型双向时空视觉Mamba-UNet（BTSM-UNet）模型。该模型通过引入时空解耦的双向视觉Mamba模块，有效捕捉冬小麦生长序列中的长程依赖关系，在华北平原实现了MCC达0.905、F1分数达0.952的最优分类精度，且参数量仅4.86M，计算复杂度为60.19G，显著提升了大规模作物制图的效率与稳定性。

　　

冬小麦作为全球重要的主粮作物，其精准空间制图对优化种植结构、评估生产力和监测作物健康具有重要意义。尽管遥感技术因其时效性强、覆盖范围广、成本低等特点，已成为冬小麦空间制图的有力工具，但当前基于单时相影像的方法易受时空分辨率和天气条件限制，难以获取关键物候期影像。而时间序列遥感影像虽能提供更丰富的时空谱信息，但现有深度学习模型在处理高维长序列数据时面临计算复杂度高、全局局部信息整合不足等挑战。卷积神经网络（CNN）难以有效捕捉时间序列特征，循环神经网络（RNN）存在梯度消失问题，而Transformer模型又因二次计算复杂度难以适用于长时序遥感数据。

为此，中国农业科学院农业信息研究所的研究团队在《Smart Agricultural Technology》上发表论文，提出了一种名为双向时空视觉Mamba-UNet（BTSM-UNet）的新模型，该模型基于状态空间序列模型（SSM），能够高效捕捉序列数据中的复杂依赖关系，为大规模、长时序的作物制图提供了创新性解决方案。

研究采用Sentinel-2时间序列影像数据，覆盖中国主要小麦产区十个站点，其中八个用于训练，两个用于测试。每个站点选取约4000×4000像素区域，时间跨度为2022年10月至2023年6月，共152景影像。数据预处理包括云掩膜、日期转换（DOY）及多波段选择（9个光谱波段+1个时间波段）。参考数据采用Yang等开发的10米分辨率冬小麦分布产品。模型构建遵循“编码器-解码器”架构，核心创新在于引入了双向时空视觉Mamba（Bi-TSM）模块，该模块采用时空解耦策略，先通过时间维Mamba（Temporal-VM）提取时序特征，再通过空间维Mamba（Spatial-VM）聚合上下文信息，有效避免了传统联合建模中的“时空纠缠”问题。模型训练采用256×256像素块，步长128，共生成42,000个样本，并进行了数据增强（随机时间掩膜、旋转、翻转等）。

研究结果表明，BTSM-UNet在测试站点T1和T2分别实现了0.902和0.908的MCC值，以及0.948和0.957的F1分数，分类精度显著优于UNet3D、UNet2D-LSTM、CNN-BiLSTM、TSViT、UTS-Former和VM-UNet等主流模型。可视化结果显示，该模型能够准确识别冬小麦地块边界，内部噪声极少，且对非小麦地物（如居民点、道路、河流）具有良好区分能力。

在模型效率方面，BTSM-UNet仅需12.77M参数和6.11 GFLOPs计算量，在64×64分辨率下推理速度达300 FPS，远超对比模型。例如，UNet3D的计算成本为2159 GFLOPs，速度仅9 FPS；UTS-Former的速度为115 FPS，复杂度是BTSM-UNet的两倍。这表明BTSM-UNet在保持高精度的同时，显著降低了计算负担。

多波段组合实验显示，BTSM-UNet对波段变化的敏感性最低，RGB波段组合的MCC仅比全波段组合下降2.43%，而CNN-BiLSTM下降了28.4%。红边波段（特别是R2）和近红外波段（NR）对精度提升贡献最大，短波红外波段（SW1、SW2）则易引起边界误差。

消融实验证实，Bi-TSM模块的引入使MCC提升8.9%，F1提升7.0%；输入分辨率从64×64提升至256×256可使MCC提高5.2%；时空模块的处理顺序（先时间后空间）也对性能有重要影响。Grad-CAM可视化表明，模型对抽穗期和成熟期影像关注度最高，越冬期和出苗期次之，空间上能准确聚焦碎片化麦田。

研究结论指出，BTSM-UNet通过融合CNN的局部特征提取能力和Mamba的全局序列建模优势，实现了冬小麦的高精度、高效率识别，尤其适用于长时序、高分辨率遥感数据处理。该模型在南北验证区均达到领先水平，且具备良好的泛化能力和稳定性，为智慧农业中的作物精准监测提供了可靠技术支撑。

讨论部分进一步强调，该研究的创新性在于首次将状态空间模型（SSM）成功应用于作物时序分类，解决了Transformer在长序列中的计算瓶颈问题。未来工作需拓展模型在复杂地形、多作物系统及多源数据（如SAR）中的适用性，并深入评估云噪声和物候期遮挡对模型鲁棒性的影响。