多时相卫星高光谱影像的时空谱域引导网络TS2GNet在亚热带树种分类中的应用与创新

为解决卫星高光谱影像(SHSI)空间分辨率不足和光谱数据复杂性导致的树种分类难题，研究人员提出TS2GNet模型，通过Sentinel-2数据增强ZY1-02E影像分辨率，构建双流架构整合时空谱特征。实验表明该方法使季节总体精度(OA)提升1.93%-3.47%，多季节特征融合后OA达90.72±0.60%，较现有技术提升2.77%-6.29%，为复杂森林生态系统树种分布制图提供新范式。

　　

亚热带森林作为地球陆地生态系统的核心组成部分，其树种构成直接决定着碳汇潜力和生物多样性。然而传统无人机航测方法难以实现大范围实时监测，而现有卫星遥感技术面临两大瓶颈：30米分辨率的卫星高光谱影像(SHSI)在树种多样性高的亚热带地区适用性受限；复杂的光谱特征与季节变异使特征提取困难重重。更棘手的是，当前多数方法基于无人机数据开发，无法有效整合卫星高光谱数据固有的多尺度时空谱信息。

合肥工业大学的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表的研究中，创新性地提出TS²GNet模型。该研究首先通过改进的CSSNet超分辨率技术，将ZY1-02E高光谱数据与Sentinel-2多光谱数据融合，获得10米分辨率的高光谱影像。继而构建双流架构网络，其中轻量级残差变换模块(LRTM)专注像素级光谱依赖关系，混合尺度光谱-空间融合模块(MS²F)则处理斑块级空间光谱交互。特别设计的时空谱特征融合模块(TS²FM)通过多域感知与引导策略，有效捕捉季节动态变化特征。

关键技术包括：1)基于Sentinel-2的ZY1-02E超分辨率重建；2)具有动态分层缩放机制的残差变换分支；3)多注意力增强学习的谱空融合分支；4)跨域门控注意力融合机制。研究选取大别山区8种优势树种，采集2022-2023年春夏秋三季数据，通过372,602个标记像素验证模型性能。

研究结果显示三大突破：超分辨率重建使季节OA提升1.93%-3.47%，春季PSNR达51.7939；TS²GNet单季节分类OA(87.32±0.41%)较现有技术提升2.11%-6.36%；多季节特征融合后OA提升至90.72±0.60%。可视化分析表明，模型能准确识别柳杉(P.h.)与杉木(C.L.)等光谱相近树种的边界，在混合像元区域仍保持83.82%的OA。

讨论部分强调三个创新点：1)动态分层缩放机制有效缓解光谱混合，通过1D显著性分析证实LRTM模块能锐化特征重要性；2)双流架构中MS²F模块的切片增强学习(SEL)使类间干扰降低78.29%；3)时空谱特征融合模块将落叶树种(如枫香树L.f.)的季节特征差异转化为分类优势，F1-score提升4.19%。该研究首次验证Sentinel-2辅助的超分辨率方法在亚热带树种分类的适用性，为全球森林资源调查提供可推广的技术方案。