この研究は、Sentinel-2を基にした土地利用と土地被覆（LULC）分類の課題に対処するための新しい手法、マルチタスクGLocal OBIA-Mamba（MSOM）を提案しています。Sentinel-2のデータは、空間の不均一性やコンテキスト情報の欠如、署名の曖昧さといったデータの課題により分類が困難です。本手法では、重複した計算を削減しながら詳細を保持するために、オブジェクトベースの画像解析（OBIA）モデルを設計し、スーパーピクセルをMambaトークンとして利用します。また、ローカルとグローバルの情報を共同でモデル化するために、グローバル-ローカル二重ブランチのCNN-Mambaアーキテクチャを採用しています。さらに、ローカルの精度とグローバルな一貫性をバランスさせるために二重損失関数を利用したマルチタスク最適化フレームワークを設計しました。このアプローチはカナダアルバータ州のSentinel-2画像でテストされ、他の最先端の手法と比較して高い分類精度と詳細を実現したことが示されています。