基于k均值聚类Mamba网络的甲烷羽流分割方法kMetha-Mamba：光谱-空间特征协同学习与选择性扫描机制创新

为解决甲烷排放监测中传统CNN和Transformer方法存在的大尺度遥感图像处理能力不足及高假阳性率问题，研究人员提出kMetha-Mamba网络。该模型通过空间特征编码器（SFE）提取聚类区块，结合光谱导数特征（SDF）区分微弱光谱变异，并创新性采用k均值Mamba聚类（CFA）更新簇中心，最终通过Mamba解码器（MBD）实现线性复杂度的精准分割。实验表明，其在AVIRIS-NG数据集上达到88.69%的最高精度和0.0466%的最低假阳性率，为温室气体遥感监测提供新范式。

　　

甲烷作为仅次于二氧化碳的温室气体，其短期增温效应显著，但现有排放清单存在严重低估问题。遥感技术通过短波红外（SWIR）波段强吸收特性可实现自上而下的排放量化，但传统匹配滤波、比值乘积等方法易受光谱相似地物干扰，而基于卷积神经网络（CNN）和Transformer的深度学习方法又面临长程依赖建模不足或计算复杂度高的问题。针对这些挑战，中国科学院的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，提出kMetha-Mamba网络，首次将状态空间模型（SSM）与光谱聚类结合，实现高效精准的甲烷羽流分割。

研究采用三项核心技术：1）空间特征编码器（SFE）从甲烷增强产品中提取引导聚类的空间区块；2）基于光谱一阶导数（SD1）的特征融合与k均值Mamba聚类（CFA），通过多方向局部扫描机制更新簇中心；3）线性复杂度的Mamba解码器（MBD）完成像素级预测。实验数据涵盖AVIRIS-NG、WorldView-3和EMIT三个星载/机载传感器数据集。

研究结果显示：在空间-光谱特征协同方面，SFE提取的聚类区块与光谱导数形成互补学习，SD1能有效分离重叠光谱峰（式5），而SD2因信息冗余导致性能下降（表4）。聚类优化环节，传统k均值算法在AVIRIS-NG强羽流样本中假阳性率达0.4797%，引入选择性扫描机制后降至0.1257%（表4）。模型性能上，kMetha-Mamba在AVIRIS-NG的强/弱羽流分割中分别以85.73%/83.04%的精度超越Gasformer等模型（表1），且在多光谱WorldView-3数据中保持最低假阳性率（表2）。零样本测试中，未经训练的EMIT数据集仍取得81.22%的F1值（表3），验证了跨传感器泛化能力。复杂度分析表明，MBD在2048×2048分辨率下内存占用仅为ViT的1/8（图10）。

该研究的意义在于：理论层面，首次建立像素选择机制与聚类中心的数学关联（式7-8），通过Revolve-Flatten操作实现局部扫描（式10）；应用层面，88.69%的精度和0.0466%的假阳性率为《巴黎协定》甲烷减排目标提供可靠技术支撑。局限性在于簇中心初始化依赖k近邻平均策略，未来可探索自适应学习初始化方法。这项成果不仅为气体遥感分割开辟新路径，其SSM与光谱融合框架也可扩展至CO₂等温室气体监测领域。