2、高光谱数据获取：星载与机载传感器、地面光谱仪、公开数据集介绍
做高光谱图像分析，第一步就是搞到数据。这听起来简单，但实际坑不少。我刚开始接触这个领域时，以为随便找个数据集就能跑实验，结果发现不同传感器拍出来的东西，光谱分辨率、空间分辨率、信噪比天差地别。你想想看，用同一套算法处理AVIRIS和Hyperion的数据，效果能一样吗？
所以这一章，咱们就聊聊数据从哪来、怎么来、有哪些坑要避开。我会结合自己踩过的雷，给你讲清楚。
2.1 星载传感器：从太空看地球
星载传感器，说白了就是装在卫星上的高光谱相机。它们在天上飞，覆盖范围大，适合做区域级甚至全球级的监测。
我个人习惯把星载传感器分成两类：一类是“老牌劲旅”，比如Hyperion；另一类是“后起之秀”，比如中国的珠海一号（OHS）和德国的EnMAP。咱们一个一个说。
2.1.1 典型星载传感器对比
| 传感器名称 | 搭载平台 | 光谱范围 (nm) | 波段数 | 空间分辨率 (m) | 幅宽 (km) |
|---|---|---|---|---|---|
| Hyperion | EO-1 | 400-2500 | 220 | 30 | 7.5 |
| CHRIS | PROBA-1 | 400-1050 | 18-62 | 17-34 | 14 |
| OHS (珠海一号) | 高光谱卫星星座 | 400-1000 | 32 | 10 | 150 |
| EnMAP | EnMAP 卫星 | 420-2450 | 228 | 30 | 30 |
| PRISMA | PRISMA 卫星 | 400-2500 | 239 | 30 | 30 |
核心要点：星载传感器的空间分辨率普遍在10-30米级别。这意味着一个像素里可能混合了多种地物。做分类时，混合像元问题是绕不开的坎。
我记得有一次用Hyperion数据做城市地物分类，结果植被和阴影老是分不开。后来发现是大气校正没做好，导致近红外波段反射率偏低。嗯，这里要注意：星载数据必须做大气校正，否则光谱曲线会严重失真。
2.1.2 星载数据的优缺点
- 优点：覆盖范围大，重访周期短（几天到几周），适合大尺度动态监测。
- 缺点：空间分辨率较低，容易受云层影响，数据预处理流程复杂。
我的建议：如果你做的是城市或精细农业研究，星载数据可能不够用。这时候可以考虑机载传感器或者无人机高光谱。
2.2 机载传感器：低空飞行的“显微镜”
机载传感器装在飞机或无人机上。飞得低，看得细。空间分辨率可以达到亚米级。说白了，就是给地面做“CT扫描”。
我参与过一个项目，用机载高光谱数据做矿区环境监测。飞行高度500米，空间分辨率0.5米。你能想象吗？连矿堆里的不同矿物颗粒都能区分出来。这种精细度，星载数据根本做不到。
2.2.1 典型机载传感器
| 传感器名称 | 光谱范围 (nm) | 波段数 | 典型空间分辨率 | 适用场景 |
|---|---|---|---|---|
| AVIRIS | 400-2500 | 224 | 4-20 m | 矿物填图、植被生态 |
| HyMap | 450-2500 | 126 | 3-10 m | 地质勘探、环境监测 |
| CASI | 380-1050 | 最多288 | 0.5-2 m | 海岸带、精细植被 |
| SASI | 950-2450 | 160 | 2-5 m | 矿物识别、热红外 |
避坑指南：我曾经用机载数据做拼接时，发现相邻航带的光谱曲线对不上。后来查了半天，原来是飞行姿态变化导致的BRDF效应。所以做机载数据预处理时，一定要做辐射定标和大气校正，最好还要做BRDF校正。
2.3 地面光谱仪：最“接地气”的数据
地面光谱仪，就是拿着仪器到野外去测。它不拍图像，只测一个点或一小块区域的光谱曲线。但别小看它，这是所有遥感数据的“真值”来源。
你想想看，卫星和飞机拍到的光谱，最终都要跟地面实测数据对比，才能验证精度。所以地面光谱仪是“定标”和“验证”的核心工具。
2.3.1 常用地面光谱仪
- ASD FieldSpec：全波段（350-2500 nm），便携式，野外标配。我当年背着它爬过山、下过田，确实皮实耐用。
- SVC HR-1024：也是全波段，1024个通道，精度高，但价格也高。
- Ocean Optics：可见光近红外波段，小巧便宜，适合实验室用。
关键操作：地面光谱测量必须做白板校正。每次测量前，先用标准白板采集参考光谱。否则，光照变化会直接毁掉你的数据。
我曾经犯过一个低级错误：在野外测了一整天，回来发现白板校正没做。结果所有光谱数据都不能用。嗯，从那以后，我每次出发前都会在仪器清单里加一条“白板带了没”。
2.4 公开数据集：站在巨人的肩膀上
自己做数据采集成本高、周期长。好在学术界和工业界共享了很多公开数据集。我个人建议初学者先从公开数据集入手，把算法跑通了，再考虑自己采集数据。
2.4.1 经典公开数据集
| 数据集名称 | 传感器 | 场景 | 大小 | 下载地址 |
|---|---|---|---|---|
| Indian Pines | AVIRIS | 农业区 | 145×145 | Purdue大学网站 |
| Pavia University | ROSIS | 城市 | 610×340 | Teledetection网站 |
| Salinas Valley | AVIRIS | 农业区 | 512×217 | NASA官网 |
| Houston 2013 | CASI | 城市 | 349×1905 | IEEE GRSS |
| WHU-Hi | 无人机高光谱 | 农业/城市 | 多种尺寸 | 武汉大学 |
我的建议：Indian Pines虽然经典，但数据量小，容易过拟合。我建议你用Houston或WHU-Hi数据集做实验，更接近真实场景。
2.5 知识体系总览
下面这张图，是我梳理的高光谱数据获取的整体框架。你可以把它当作一张“地图”，随时回来对照。
这张图把数据获取的三大来源和它们的关键特征串起来了。你可以看到，无论数据从哪来，最终都会汇聚到公开数据集这个“共享池”里。做研究时，多利用这些资源，能省不少力气。
总结一下：星载看宏观，机载看细节，地面做验证。三者结合，才能把高光谱遥感玩明白。公开数据集是入门利器，但真正做项目时，还是得自己采集数据。
好了，关于数据获取就聊这么多。下一章咱们会深入讲数据预处理，包括大气校正、几何校正、光谱平滑这些实操内容。到时候我会手把手带你写代码。
公众号:蓝海资料掘金营，微信deep3321