Geo-Mamba：一个基于数据的Mamba框架，用于结合多源地理因素的时空建模

《International Journal of Applied Earth Observation and Geoinformation》：Geo-Mamba: A data-driven Mamba framework for spatiotemporal modeling with multi-source geographic factor integration

本文提出Geo-Mamba框架，创新性地将地理因素分类为动态、静态和类别型，结合Mamba架构的线性时空建模能力与KAN网络的高精度数值回归特性，实现异质时空数据的多尺度融合与高效建模，在地下水存储异常（RMSE=1.916）、净生态系统交换（R2=0.986）和水覆盖分类（OA=88.12%）等典型地球科学任务中均显著优于Transformer、CNN等传统方法。

　　Geo-Mamba 是一种全新的框架，旨在解决地球科学建模中异构时空数据和多类型因素整合的挑战。随着监测技术和遥感技术的快速发展，地球科学数据呈现出复杂的特性，包括异构的时空属性、变量之间的高共线性以及多样化的输入格式。尽管深度学习在这一领域取得了显著进展，但地理建模仍缺乏统一的框架来整合这些异构数据和不同因素类型。而 Mamba 架构在大语言模型和计算机视觉等领域表现出色，但其在地理建模中的应用尚未被广泛研究。Geo-Mamba 的引入，为解决这些挑战提供了一种高效的统一方法。

Geo-Mamba 的核心创新点包括三个主要方面。首先，它提出了一种系统的地理因素分类方法，将地理要素分为动态因素、静态因素和类别因素，从而在统一的框架下实现异构数据的标准化整合。这种方法为后续的建模过程提供了清晰的分类依据，使得不同类型的地理数据能够被有效处理和分析。其次，Geo-Mamba 设计了一种基于 Mamba 架构的“选择性编码器”模块，利用其线性复杂度和扫描机制，建立选择性状态空间，揭示了不同特征类型之间的复杂关联。这种模块能够动态调整对输入数据的关注度，从而更有效地整合多源地理数据。第三，Geo-Mamba 引入了 Kolmogorov-Arnold 网络（KAN）层作为中间组件，以替代传统的多层感知机（MLP）线性层，从而在地理应用中提升数值回归的精度。KAN 层能够通过高维样条拟合来逼近复杂的连续函数，特别适用于地球科学中的符号回归任务，因为这些任务需要捕捉复杂的物理关系。

在三个实际任务中的实验验证显示了 Geo-Mamba 的有效性。这些任务包括：净生态系统交换（NEE）建模，其 R2 值为 0.92，RMSE 为 0.37 μmol·m?2·s?1；地下水储量异常（GWSA）的降尺度，R2 值为 0.95，RMSE 为 1.916 cm；以及土地覆盖分类（LULC），其准确率为 88.12%，F1 分数为 84.27%。这些结果表明，Geo-Mamba 是一种高效的统一框架，适用于复杂的地球科学建模，并且在地理数据处理和因素整合方面具有可行性。

在地球科学领域，数据的异构性和复杂性一直是建模过程中的主要挑战。例如，地球科学数据通常包括连续因素（如地形、气象参数、植被指数）和类别因素（如土地覆盖类型、土壤分类），这些数据在时间上和空间上都具有高度依赖性。传统的建模方法，如 Transformer，虽然在处理全局上下文和空间关系方面表现出色，但其自注意力机制的计算复杂度较高，且对训练数据的需求较大，限制了其在长序列地理数据处理中的应用。相比之下，Mamba 架构以其线性计算复杂度和选择性扫描机制，为处理长序列数据提供了更高效的选择性方法。然而，Mamba 在地理建模中的应用仍处于探索阶段，缺乏针对地理数据特点的专门化设计。Geo-Mamba 通过引入地理因素分类方法和 KAN 层，填补了这一空白，使得 Mamba 能够更有效地应用于地理建模任务。

在方法设计上，Geo-Mamba 采用了编码器-解码器架构，以实现时空建模的统一处理。编码器部分包括时间尺度编码器（TSE）和自适应位置编码器（APE），分别用于处理时间信息和空间位置信息。TSE 通过正弦和余弦编码方法，能够有效捕捉不同时间尺度的信息，包括年、月、日、小时等，从而实现时间特征的统一表示。APE 则通过 KAN 层将经纬度坐标映射为连续的特征表示，从而增强对地理位置的感知能力。在编码器处理完地理因素后，会进行特征融合，通过残差门控融合（RGF）和选择性编码器（SE）模块，实现对不同地理因素的动态融合。解码器部分则完全由 KAN 层构成，能够实现从特征到具体数值的映射，从而提升数值回归的精度。

Geo-Mamba 的创新性在于其对异构地理因素的处理方式，以及对时空关系的捕捉能力。传统的建模方法往往难以有效整合不同类型的地理因素，而 Geo-Mamba 通过分类方法，使得动态因素、静态因素和类别因素能够在统一的框架下进行处理。这种分类方法不仅提高了建模的效率，还增强了模型对复杂地理数据的适应能力。同时，Geo-Mamba 的选择性编码器能够通过动态调整权重，使得模型能够更有效地捕捉不同因素之间的复杂关系，从而提升建模的准确性。

在实验部分，Geo-Mamba 在三个不同的地球科学任务中进行了验证，包括 NEE 建模、GWSA 重建和 LULC 分类。这些任务涵盖了地球科学的多个领域，从生态过程到水文模型，再到土地利用和土地覆盖分析。实验结果显示，Geo-Mamba 在这些任务中均表现出色，特别是在处理高频率时间序列数据和复杂的空间结构时。例如，在 NEE 建模任务中，Geo-Mamba 通过捕捉夜间和白天的碳通量动态，实现了较高的精度；在 GWSA 重建任务中，它能够有效维持空间连续性，符合复杂的地形特征和水文模式；在 LULC 分类任务中，它在复杂边界和混合像素区域表现出色，显著降低了噪声和不连贯性。

Geo-Mamba 的成功在于其对地球科学数据特点的深刻理解以及对现有建模方法的改进。通过引入 KAN 层和选择性编码器，Geo-Mamba 不仅提升了建模的精度，还有效解决了传统方法在处理复杂时空关系时的不足。此外，Geo-Mamba 的设计还考虑了实际应用中的计算效率问题，使其在资源受限的环境中也能进行有效部署。

然而，Geo-Mamba 仍然存在一些局限性。例如，当前的选择性编码器主要采用单向扫描策略，虽然计算效率较高，但可能无法全面捕捉复杂的时空依赖关系。为了克服这一限制，未来的改进方向可能包括引入多向扫描机制，如双向、Z 形、螺旋和全方位扫描模式，从而更全面地捕捉地理数据中的复杂关系。此外，Geo-Mamba 的当前版本主要针对规则网格和点数据，而实际应用中可能涉及更复杂的地理实体，如三角不规则网络（TINs）和拓扑结构，因此，未来的扩展可能包括对这些复杂数据格式的支持。最后，Geo-Mamba 的设计还应考虑如何将物理约束直接整合到数据驱动的架构中，以提高模型的物理现实性和长期预测能力，特别是在处理复杂的地球系统动态时。

综上所述，Geo-Mamba 为地球科学建模提供了一种创新性的解决方案，通过其系统的地理因素分类方法、选择性编码器和 KAN 层，有效整合了异构数据和复杂因素，提升了建模的精度和效率。这一框架不仅适用于当前的地球科学任务，还为未来的研究提供了新的方向和思路。