MODIS粗像素里分出四类作物：UnMixMamba在阿尔伯塔把大麦召回率提到0.55，代价是千倍算力
核心概要
MODIS像素常覆盖一整块或数块农田，粗信号是多种作物的混合，直接由粗到细分类难以稳定。UnMixMamba把解混得到的丰度场作为共享中间量，让重建、分类和稀疏细化都读同一组分数，并用可学习的每类端元变体吸收类内光谱差异。在阿尔伯塔2015年183个空间分块测试片上，它取得OA 0.8397、mIoU 0.6640、AA 0.7837、Kappa 0.7715，高于ST-DRes等基线，大麦召回率0.5496为对比中最高；任务限定在已知农业掩膜内的四类作物闭集制图。
深度剖析
作物类型制图不再把MODIS粗像素直接映射成高分辨率类别，而是先估计每个像素内各类作物的比例，再由这组比例驱动高分辨率判定。 此前的经典子像素制图先估丰度、再用人工设计的空间或时间先验分配硬标签，深度模型则常把粗立方体直接映射为高分辨率类别，重建光谱与丰度很少被要求跨尺度一致。 在阿尔伯塔2015年按空间分块划分的183个测试片上，UnMixMamba取得OA 0.8397、mIoU 0.6640、AA 0.7837、Kappa 0.7715，高于专用MODIS作物子像素制图基线ST-DRes的OA 0.7970、mIoU 0.5662，也高于FineCrop、AgriFM与五种经典分配器。
网络把时间、光谱、空间三个轴分开建模，再融合成每个像素的作物比例，而不是把整条MODIS序列压平后一次性卷积。 MODIS立方体由16天合成、每期六个波段构成，压平会丢掉物候顺序，而混合像素集中在田块边界。 时间、光谱与深度可分离空间卷积并行处理后经丰度头输出归一化比例；去掉这一解耦模块、换成浅层低分辨率编码器后，OA降至0.6181，大麦召回率降为0.0000。
高分辨率细化只在一小部分位置上运行，位置由预测的作物比例决定，而不是均匀铺满整张高分辨率网格。 均匀细化把每个子像素同等对待，大部分算力落在本就容易的大田内部，误差集中的少数类得不到额外容量。 固定令牌预算按各类丰度质量与面积分配，并为大麦、油菜设下限；默认预算下细化覆盖约11%的高分辨率网格，把预算收紧到更低时OA下降8.6个百分点、大麦召回率降为0.0000。
启示与展望
评测限定在阿尔伯塔2015年、已知农业掩膜内的四类作物闭集制图，非作物与次要作物像素不参与训练和评估，指标假设推理时能获得该掩膜；跨省检验把阿尔伯塔训练的权重直接用于萨斯喀彻温2015年。
大麦召回率仍只有0.55，近一半大麦像素被误判为春小麦或油菜；多种子重训中总体精度稳定，但大麦召回率在0.493到0.606之间波动，主要与油菜此消彼长。所有实验只用2015年一个作物年，模型在阿尔伯塔训练、在阿尔伯塔与萨斯喀彻温测试，其他年份尚未检验。