《Computers and Electronics in Agriculture》：EDM–UNet: edge–aware and dynamically receptive Mamba–UNet for segmentation of
Elymus nutans from UAV RGB imagery on the Qinghai–Xizang Plateau
编辑推荐：
•1. EDM-UNet是一种基于无人机RGB图像的算法，用于青藏高原地区Elymus nutans的分割。•2. ESCCB是一种旨在以较低计算成本保持边界清晰度的结构。•3. DRFM用于实现多尺度空间与通道信息的自适应融合。•4. Mamba被整合进来以模拟长距离依赖关系，
- •
1. EDM-UNet是一种基于无人机RGB图像的算法，用于青藏高原地区Elymus nutans的分割。
- •
2. ESCCB是一种旨在以较低计算成本保持边界清晰度的结构。
- •
3. DRFM用于实现多尺度空间与通道信息的自适应融合。
- •
4. Mamba被整合进来以模拟长距离依赖关系，实现了93.12%的mIoU值。
引言
青藏高原拥有广阔的高山草原生态系统，这些生态系统对畜牧业发展、水资源保护以及碳封存具有重要意义（Latif等人，2019；Liu和Xin，2025；Ma等人，2025）。在当地的牧草物种中，Elymus nutans是一种重要的多年生草类，因其耐寒性以及能够稳定土壤的根系而备受重视（He等人，2026）。早春时期内该草类的覆盖情况直接反映了草原的生产力水平（Ding等人，2024）。因此，准确评估其覆盖程度至关重要，但这一物种独特的物候特征使得自动化评估面临很大挑战。
早春时节，Elymus nutans的返绿过程在空间上存在差异：同一块地里既有新长出的绿色叶片，也有仍然存活、即将返绿的黄色茎秆，而这两者都需被视为存活的植物（Wang等人，2022；区分存活的黄色茎秆与死亡的残余物更多依赖于其直立的丛生形态等结构特征，而非细微的光谱差异。基于地面的样方调查可以通过这类形态特征可靠地区分这些植物，但对于频繁的大范围监测而言，这种方法耗时且成本过高（Fayiah等人，2020；Qi等人，2025；Wang等人，2026）。卫星图像虽然覆盖范围广，但其空间分辨率不足以捕捉到区分低矮草丛与枯死残渣所需的精细结构信息（Maze等人，2025；Sun等人，2025）。安装在无人机上的多光谱传感器虽能提供更多的光谱波段，但由于在此类任务中结构特征才是主要区分依据，因此其优势并不明显（Ariza-Sentís等人，2023）。此外，多光谱系统在多变的高海拔光照条件下还会带来更高的成本、更大的重量以及更严格的校准要求（Zhang等人，2026）。而配备消费级RGB相机的无人机则具有厘米级分辨率，且可按需部署，因此成为获取此类监测任务所需形态特征的更为简单、轻便且实用的替代方案（Ahmad等人，2026；Li等人，2026；Rosen等人，2024）。然而，如何从这些RGB图像中准确分割出存活的Elymus nutans仍是一项重大挑战。
近年来，基于深度学习的语义分割技术已被广泛应用于农业遥感中的植被分割任务（Long等人，2025）。基于CNN的架构，如U-Net（Ronneberger等人，2015）及其变体，已被广泛应用于作物和杂草的分割，Lodge-UNet（Liu等人，2025）和UNet-ResNet34（Joy等人，2025）等研究也证明了带有跳跃连接的编解码器结构的有效性。不过，这些模型并未刻意强化边界特征，且反复的下采样往往会导致物体边缘模糊。对于叶片细长、与背景对比度低的
Elymus nutans而言，这一问题尤为突出。DeepLabv3+ Chen等人（2018b）采用了孔洞空间金字塔池化技术来捕捉多尺度信息，Du等人（2021）则将其应用于农田边界识别。尽管ASPP具有多分支设计，但不同尺度信息的融合是通过具有空间均匀权重的静态卷积来实现的，这使得它在面对高山草丛极端尺度变化时灵活性不足。基于Transformer的模型，如SegFormer（Xie等人，2021），可通过自注意力机制捕捉全局信息，但其二次方的计算复杂度给无人机的实时应用带来了困难。像ENet Adam等人（2016）这样的轻量级网络虽然在实时分割方面表现良好，但通常会牺牲处理此任务所需的多尺度和长距离建模能力。此外，结合图卷积网络与CNN的混合架构在捕捉全局拓扑关系及优化分割边界方面也展现了良好效果（Dong等人，2022），而自监督学习则在遥感任务的强特征表示学习方面展现出巨大潜力（Zhao等人，2024；Zhao等人，2025）。这些进展也为本研究提供了宝贵的方法参考。基于此，我们提出了一种基于深度学习的技术，用于
Elymus nutans的语义分割。然而，鉴于高山草甸场景中无人机RGB图像的特殊性，该分割模型需要满足以下要求：
- 1.
该模型必须具备强大的边缘感知能力，以便在背景对比度较低的情况下准确划分草丛边界，从而避免分割结果出现模糊。
- 2.
该模型需要通过多尺度特征融合来应对Elymus nutans的极端尺度变化，能够处理从零星的单株草丛到密集的草甸区域等多种情况。
- 3.
该模型应能够高效捕捉长距离的空间依赖关系，从而在较大范围的草甸区域内实现空间上连贯的预测，同时不会影响无人机的实际应用中的推理速度。
基于上述研究和分析，我们在青藏高原的Elymus nutans补种恢复期构建了一个专门的无人机RGB数据集，并提出了EDM-UNet（边缘感知型动态响应Mamba-UNet），这是一种为在高山环境中利用无人机识别Elymus nutans而设计的轻量级语义分割网络。该模型的核心结构采用U-Net的编解码框架。为了解决草丛与背景对比度低导致边界模糊的问题，我们在编码器中设计了边缘感知型空间与通道卷积模块（ESCCB），该模块能够在增强边界感知的同时抑制冗余特征。为应对从零星单株到密集草甸的极端尺度变化，我们在解码器中加入了动态响应场模块（DRFM），用以自适应地整合多尺度环境信息，从而在不同植被密度下都能实现准确的表征。为高效捕捉长距离依赖关系并提升大范围草甸区域内的空间一致性，我们在模型的瓶颈层嵌入了基于Mamba的状态空间模块，该模块能够以线性计算复杂度实现全局信息的建模。
实验结果表明，EDM-UNet在准确性、效率以及模型复杂度之间取得了良好的平衡，其性能优于多种现有先进方法，且在不同飞行高度下都能保持稳定的性能，这充分体现了其在高山草原监测方面的实用价值。
章节节选
研究区域
数据采集时间为2025年4月8日至12日，即当地牧草补种期前大约一周。我们选择了两块植被密度不同的Elymus nutans试验地块，用以评估所提出分割模型的稳定性（具体位置见图1A）。这两处地点都属于典型的高山草甸景观，平均海拔为4,440米，土壤类型以亚高山草甸土为主。这两块试验地的面积分别为0.8公顷和1.2公顷。
EDM-UNet的整体架构
为能够从无人机图像中实现准确且实时的牧草分割，我们提出了EDM-UNet（边缘感知型动态响应Mamba-UNet），这是一种基于标准U-Net编解码框架构建的轻量级语义分割网络。如图3所示，EDM-UNet整合了三项关键创新技术：编码器中的边缘感知型空间与通道卷积模块（ESCCB）、解码器中的动态响应场模块（DRFM），以及用于实现特定功能的基于Mamba的瓶颈层。
超参数敏感性分析
深度学习模型的性能通常对超参数设置极为敏感，尤其是批量大小和初始学习率，这两个因素共同影响着优化的稳定性、收敛速度以及模型的泛化能力（Zhu等人，2025）。为了确定EDM-UNet的最佳训练参数，我们对批量大小和初始学习率进行了敏感性分析。具体而言，我们测试了四种批量大小{4、8、16、32}以及四种学习率{1e–3、5e–4、1e–4、5e–5}。
跨尺度鲁棒性及全区域适用性分析
本研究的最终目标是实现大规模无人机图像的高效、可靠分割，以便用于实际的草原监测工作。为评估EDM-UNet在真实场景中的适用性，我们采用了滑动窗口推理策略处理全分辨率图像（3840 × 2160），这样即便在计算资源有限的条件下也能使用该模型。由于飞行高度会显著影响Elymus nutans的空间尺度和纹理特征，因此我们在三种不同的飞行高度下对该模型进行了测试。
CRediT作者贡献说明
Yao Wang：撰写——审阅与编辑，撰写——初稿，可视化，软件开发。Minhui An：数据整理。Liwei Wang：数据整理。Kang Xue：资源协调。Biyun Lu：验证工作。Wei Chen：形式化分析。Binbin Fan：方法设计。Hao Tang：形式化分析。Zizhen Jiang：验证工作。Chuan Wang：监督指导，项目管理，资金申请。Jin Zhang：项目管理，概念构思。
资助情况
本研究得到了西藏自治区科学技术计划项目的资助（项目编号：XZ202501ZY0128）。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究成果的已知财务利益或个人关系。
Yao Wang|Minhui An|Liwei Wang|Kang Xue|Biyun Lu|Wei Chen|Binbin Fan|Hao Tang|Zizhen Jiang|Chuan Wang|Jin Zhang
