يهدف تحسين حدة الصور الطيفية المتعددة منخفضة الدقة المكانية (LRMS) مع الصور البانكروماتية عالية الدقة المكانية (PAN) إلى دمجهما لإنتاج صورة طيفية متعددة عالية الدقة المكانية (HRMS). غالبًا ما تستخدم طرق تحسين الحدة التقليدية عملية تكبير مباشرة على صور LRMS ثم استخراج الميزات والدمج لإنتاج صورة HRMS، مما قد يؤدي إلى ضبابية أو تشويه طيفي. لذا، تقترح هذه الورقة طريقة تحسين حدة تعتمد على استراتيجية الدمج المسبق مع دمج Mamba وشبكة الأعصاب التلافيفية (CNN). أولاً، تُستخدم فجوة الغاوسي لاستخراج معلومات التردد العالي من صور PAN لتعزيز نسيج صور LRMS؛ ثم تُستخدم CNN وMamba لاستخراج الميزات المحلية والعالمية، مع فرع دمج وسيط قائم على CNN لتمكين التفاعل الكامل بين المعلومات المحلية والعالمية بين النوعين من الصور، مما يعيد بناء صورة HRMS عالية الجودة. أظهرت التجارب على مجموعتي البيانات QuickBird وIKONOS أن الطريقة المقترحة تفوق الطرق التقليدية مثل GS وPCA والطرق العميقة المتقدمة مثل PanFormer وPan-Mamba من حيث التقييم البصري والموضوعي. تشير النتائج إلى أن الطريقة تحسنت بنسبة 10.91٪ و5.62٪ في نسبة إشارة إلى ضوضاء الذروة ومؤشر جودة الصورة العام مقارنة بمتوسط النتائج المرجعية؛ كما انخفض متوسط الجذر التربيعي للخطأ والخطأ العالمي غير البعدي والتشويه الطيفي بنسبة 30.52٪، 18.56٪ و60.41٪ على التوالي. بالإضافة إلى ذلك، أكدت تجارب الإزالة فعالية استراتيجية الدمج المسبق ووحدة Mamba. بالتالي، توفر الطريقة حلًا فعالًا لتحسين الحدة البانكروماتية ولها دلالة عملية في تطبيقات الصور الاستشعارية عن بعد.

صور الاستشعار عن بعد;تحسين الحدة البانكروماتية;الدمج المسبق;فجوة غاوس;Mamba;نموذج الحالة الفضائية;شبكة الأعصاب التلافيفية;طيفي متعدد;بانكروماتي