这篇于2026年6月15日提交到arXiv的论文（编号arXiv:2606.17222，cs.CV计算机视觉与模式识别方向）由Mohammad Salman Khan等三位作者完成，提出了一种名为BiSpectral Mamba的框架，用于高光谱图像（HSI）的农作物分析。高光谱图像在精准农业中具有重要价值，因为它同时携带丰富的光谱与空间信息，可支撑对作物生长状况的精准监测与评估。然而，高光谱分类长期面临四大难题：光谱维度极高、空间结构复杂、类别分布不均衡，以及带标签样本数量有限。
为应对这些挑战，作者将多种技术路线整合进同一框架。首先，多尺度卷积神经网络（CNN）主干通过跨多个分辨率进行特征融合，提取具有层次结构的空间—光谱表征。随后，光谱注意力机制对信息量大的波段予以强化，同时抑制冗余和噪声通道。经过精炼的特征再被送入BiSpectral Mamba模块，该模块把高光谱特征图视为序列化的token，沿前向与后向两个方向建模长程依赖关系。
除网络结构外，论文还引入两项训练层面的设计：类别加权优化与特征融合策略。前者用于缓解类别不平衡带来的偏置，后者有助于提升训练稳定性与特征质量。作者在UAVHSI-Crop数据集上进行了实验评估，框架取得了84.83%的总体准确率，验证了其有效性。
结果表明，将卷积、注意力机制与状态空间建模三类组件结合，能够实现稳健的空间—光谱特征学习，从而提升作物分类性能。作者指出，该框架在更广泛的农业与遥感场景中亦有应用潜力，包括作物病害检测、产量预测和土壤湿度估计；同时，这项工作也凸显了结构化状态空间模型与量子启发式架构在高光谱图像分析中的价值。
从文献信息看，论文以预印本形式发布，提交时间为2026年6月15日19:11:09 UTC，文件大小约6,525 KB，提供PDF、实验性HTML以及TeX源码等访问方式，DOI经由DataCite发放（注册尚待完成）。需要注意的是，以上性能数据均来自论文自身的实验设置与单一数据集，其在不同传感器、不同地区和不同作物类型上的泛化能力仍有待进一步验证。