基于温度-发射率驱动与结构化状态空间模型的热红外高光谱图像分类波段选择方法研究

为解决热红外高光谱图像(TIR-HSIs)中光谱冗余导致的分类性能下降问题，研究人员提出了一种无监督的温度-发射率驱动波段选择方法(TEBS)。该方法结合结构化状态空间模型(SSM)和门控注意力机制(GAM)，通过多尺度地表温度(LST)特征提取和波段权重计算，显著提升了分类精度。实验表明，TEBS在两组数据集上超越现有方法，为热红外遥感应用提供了高效解决方案。

　　

热红外高光谱成像技术因其独特的温度与物质成分探测能力，在军事侦察、地质勘探等领域具有重要价值。然而，这类数据存在显著的光谱冗余问题——数百个波段中大量信息相互重叠，不仅增加计算负担，还可能掩盖关键特征。传统波段选择方法多针对可见光-近红外光谱设计，直接应用于热红外数据时，常因忽略温度与发射率的物理耦合特性而导致性能下降。如何从物理机理出发开发专用算法，成为提升热红外高光谱分类精度的关键挑战。

针对这一难题，浙江大学研究人员在《International Journal of Applied Earth Observation and Geoinformation》发表研究，提出温度-发射率驱动波段选择方法(TEBS)。该方法创新性地整合了结构化状态空间模型和门控注意力机制，通过三个核心模块实现高效特征提取：首先采用温度与发射率分离算法(TES)解耦物理信息，结合超像素分割获取多尺度LST特征；随后设计SSM-Transformer块(STB)计算波段权重，其中状态门控注意力(SGA)结构动态融合温度与光谱特征；最后通过无监督重建评估波段选择质量。研究使用中国浙江获取的两组热红外高光谱数据集（空间分辨率1米，110个波段），通过CNN、SVM等四种分类器验证性能。

特征提取模块的创新设计
研究团队发现热红外数据中普遍存在"同物异温"和"异物同温"现象。为此设计的特征提取模块通过SLIC超像素分割捕捉温度空间变异模式，结合滑动窗口提取局部纹理特征，有效区分了地表材料的本质属性。实验显示该模块使分类准确率提升3-5%，证实温度空间特征对物质识别的补充价值。

SSM-GAM协同的权重计算
核心突破在于将SSM的序列建模能力与GAM的特征选择优势相结合。每个STB模块中，LST超像素特征作为状态变量引导注意力计算，门控机制则实现温度与发射率特征的动态加权。在Suburb数据集上，这种设计使20个波段的选择即可达到86.05%的CNN分类精度，逼近使用全波段的效果。

无监督评估的实用性
通过编码器-解码器架构重建原始光谱，以重构误差作为波段代表性的客观指标。该方法在Urban数据集上实现84.57%的SVM分类精度，且训练时间仅8.7秒/epoch，显著优于对比算法。噪声敏感性测试显示，TEBS在0.5%高斯噪声下性能下降不足1%，证实其鲁棒性。

这项研究的重要意义在于首次系统性地将热红外物理特性融入深度学习框架。TEBS不仅将分类准确率提升2-4%，更开创了SSM在遥感领域的新应用范式。研究者特别指出，当Transformer分类器与TEBS配合时，性能优势最为显著（最高达90.79%），这为热红外高光谱处理提供了最优技术组合。未来工作将拓展该方法在温度反演等任务中的应用，并增强对混合像元的解析能力。公开的代码库（GitHub/Qu-NX/TEBS）将促进该技术在环境监测等领域的实用化进程。