当高光谱遇到LiDAR：状态空间与注意力结合，如何让地物分类更“懂”结构

高光谱成像擅长捕捉物质的光谱指纹，但面对“同谱异物”或“同物异谱”时，仅靠光谱信息有时难以给出确定判断。LiDAR提供的高程和结构信息，恰好能在另一个维度上补充这一盲区。如何让两种异质数据有效协同，而不是简单拼接，是近年来多源遥感分类研究的一个重点方向。

罗天等人在《软件导刊》2026年第1期发表的一项研究，提供了一条值得关注的思路。

核心思路：用状态空间模型串联光谱与结构

该研究提出了一种融合Mamba结构的多模态状态空间分类网络。Mamba属于状态空间模型（SSM）的一种实现，其特点是在处理长序列依赖时保持线性复杂度，近年来在多源遥感领域受到较多关注。

具体来说，网络先用三维卷积和二维卷积分别提取高光谱图像的光谱与空间特征，再通过“光谱—空间Mamba模块”对特征进行增强。而在多源融合环节，研究采用了一个有特点的做法：将LiDAR数据特征作为分类标签向量，与高光谱特征进行拼接，再通过交叉注意力机制完成融合。这相当于让LiDAR的结构信息在融合过程中承担更明确的引导角色，而不是作为一个平等的输入通道被被动拼接。

实验表现：两个基准数据集上的精度数据

研究在Houston2013和Trento两个常用的高光谱—LiDAR基准数据集上进行了验证，总体分类精度分别达到99.46%和99.33%。这一水平在同期的Mamba类方法中处于前列，也侧面说明状态空间模型结合注意力机制在多源融合任务上具备可用的建模能力。

对行业用户的参考意义

这项研究的价值不在于某一个精度数字，而在于它展示了一种处理异质数据融合的工程思路：用适合长程依赖建模的状态空间模型处理高光谱序列，用注意力机制协调跨源特征，同时让LiDAR的结构信息在标签层面参与引导。

对于从事农业遥感、地物分类或环境监测的行业用户而言，这一路径提示了一个务实的方向：多源融合的效果，很大程度上取决于“融合发生在哪个层面”以及“每一源数据在融合中扮演什么角色”。高光谱提供的是物质层面的判别依据，LiDAR补充的是几何与结构约束，二者结合可以在作物分类、冠层分析、地物边界识别等场景中提供更完整的信息基础。

当然，从公开数据集上的方法验证到具体业务场景的落地，还需要针对传感器配置、采集条件和目标类别进行适配与验证。但这项研究至少表明，状态空间模型与注意力机制的组合，正在为高光谱—LiDAR协同分类提供一种效率与表达能力之间较为平衡的技术选项。

我们持续关注高光谱成像与多源数据融合方向的研究进展，为行业用户提供成像系统与数据处理的底层支撑。如果您在光谱—结构联合分析方面有具体需求，欢迎交流。