精密農業において、ハイパースペクトラル画像（HSI）による作物分析は、豊富なスペクトル情報と空間情報を捉えることで、正確な作物監視と評価を実現する重要な技術です。しかし、HSI分類は高いスペクトル次元性、空間的複雑性、クラス不均衡、および限定的なラベル付きサンプルという複数の課題を抱えており、実用化が困難とされてきました。 これらの課題に対処するため、本論文で提案されるBiSpectral Mambaベースのフレームワークは、マルチスケール畳み込み特徴抽出、スペクトル注意機構、双方向状態空間モデリング、および量子にインスパイアされた学習を統合した革新的なアプローチです。まずマルチスケールCNNバックボーンが複数の解像度にわたる特徴融合を通じて階層的な空間スペクトル表現を抽出します。その後、スペクトル注意機構が情報価値の高いバンドを強調しながら、冗長でノイズを含むチャネルを抑制します。 精製された特徴は、BiSpectral Mambaモジュールで処理されます。このモジュールはハイパースペクトラル特徴マップを連続トークンとしてモデル化することで、前方向と後ろ方向の両方向における長距離依存関係をキャプチャします。加えて、クラス重み付け最適化と特徴融合戦略が組み込まれており、訓練の安定性向上とクラス不均衡の緩和を実現しています。 UAVHSI-Cropデータセットでの実験評価により、提案フレームワークの有効性が実証され、総合精度84.83％を達成しました。結果から、畳み込み、注意ベース、および状態空間モデリングコンポーネントの統合により、作物分類のための堅牢な空間スペクトル特徴学習が可能となることが示されました。本フレームワークは、作物病害検出、収量予測、土壌水分推定を含むより広い農業・リモートセンシング応用への可能性も示唆しており、ハイパースペクトラル画像分析における構造化状態空間および量子インスパイアド・アーキテクチャの有効性を強調しています。