1. 高光谱遥感概论：什么是高光谱遥感、高光谱与多光谱的区别、高光谱遥感的发展历程
1.1 到底什么是高光谱遥感？
说实话，我第一次接触高光谱遥感时，也被这个名字唬住了。但说白了，它就是一种能“看”得特别细的遥感技术。
咱们平时用手机拍照，每个像素记录的是红、绿、蓝三个颜色值。多光谱卫星呢，能记录四五个波段，比如近红外、红、绿、蓝。但高光谱不一样——它能在每个像素上记录几十到几百个连续的窄波段。
我习惯这么跟新人解释：多光谱像是用几支粗笔在画，高光谱则是用一套精细的彩铅在描。每个波段宽度通常只有5-10纳米，覆盖从可见光到短波红外的范围。
核心定义：高光谱遥感（Hyperspectral Remote Sensing）是指利用成像光谱仪，在连续窄波段内同时获取地物空间图像和光谱信息的技术。每个像元都包含一条近乎连续的光谱曲线。
你想想看，有了这么精细的光谱信息，我们就能识别出不同物质的光谱“指纹”。比如，同样是植被，健康的松树和生病的松树，光谱曲线在红边位置就有明显差异。我在项目中遇到过，用高光谱数据区分不同品种的小麦，准确率能达到90%以上。
1.2 高光谱 vs 多光谱：到底差在哪？
很多初学者会问：多光谱也能分类，干嘛非要用高光谱？嗯，这里要注意，两者有本质区别。
| 对比维度 | 多光谱遥感 | 高光谱遥感 |
|---|---|---|
| 波段数量 | 4-10个 | 几十到几百个 |
| 波段宽度 | 50-100 nm | 5-10 nm |
| 光谱连续性 | 不连续，波段间有间隔 | 连续，几乎无间隔 |
| 信息维度 | 二维空间+少量光谱 | 二维空间+丰富光谱（三维数据立方体） |
| 典型应用 | 植被指数、土地利用分类 | 矿物识别、作物病虫害检测、水质参数反演 |
| 数据量 | 较小，MB级别 | 巨大，GB甚至TB级别 |
我举个例子你就明白了。多光谱的Landsat 8有11个波段，但波段之间有空隙。而高光谱的AVIRIS传感器有224个连续波段。为什么连续这么重要？因为很多地物的吸收特征只有10-20纳米宽，多光谱的宽波段根本捕捉不到。
我的经验：如果你只是想区分水体、植被、建筑，多光谱完全够用。但如果你要识别具体是哪种植被、矿物成分是什么、水体污染程度如何，那就得上高光谱。别杀鸡用牛刀，也别用菜刀去雕花。
还有一个关键点——数据维度灾难。高光谱波段多，但相邻波段相关性极高。我曾经处理过224波段的AVIRIS数据，直接扔进分类器，效果反而不好。为什么？因为波段太多，样本量不够，模型过拟合了。所以降维是必须的步骤。
1.3 高光谱遥感的发展历程
高光谱遥感不是凭空冒出来的。我把它分成三个阶段来讲。
第一阶段：萌芽期（1980年代以前）
最早的光谱分析其实来自实验室。地质学家用非成像光谱仪测量岩石样本，一条一条地扫。那时候还没有成像能力，说白了就是“只看不拍”。1983年，美国NASA的JPL实验室搞出了AIS-1（航空成像光谱仪），这才算真正有了成像光谱的概念。
第二阶段：快速发展期（1980-2000年）
这个阶段最著名的就是AVIRIS传感器。我记得1990年代，AVIRIS数据还是用磁带存储的，处理起来慢得让人抓狂。但就是靠着它，科学家们第一次在航空平台上获得了224个连续波段的高光谱图像。同期，加拿大也搞出了CASI传感器，欧洲有DAIS系统。
1999年，NASA发射了MODIS，虽然它只有36个波段，不算严格意义上的高光谱，但它证明了多波段遥感在宏观监测上的价值。真正意义上的星载高光谱传感器，是2000年欧空局发射的PROBA-1卫星上的CHRIS传感器，有62个波段。
第三阶段：成熟应用期（2000年至今）
进入21世纪，高光谱遥感开始从科研走向应用。2001年，NASA的Hyperion传感器搭载在EO-1卫星上，这是第一个星载高光谱传感器，220个波段。虽然信噪比不太理想，但意义重大。
最近十年，国内也发力了。2018年，高分五号卫星搭载了可见短波红外高光谱相机，60个波段。2021年，珠海一号高光谱卫星星座组网，10颗卫星每天都能覆盖全球。我个人觉得，高光谱遥感正在从“贵族技术”变成“平民工具”。
避坑指南：我曾经在项目里直接用了Hyperion的原始数据做分类，结果精度惨不忍睹。后来才发现，星载高光谱数据的大气校正、条带噪声去除、Smile效应校正，一步都不能省。别偷懒，预处理做不好，后面全是白费功夫。
1.4 高光谱数据的核心结构：数据立方体
理解高光谱数据，必须理解数据立方体这个概念。它有三个维度：x（空间行）、y（空间列）、λ（光谱波段）。
我习惯从三个角度去看这个立方体：
- 空间角度：每个波段都是一张灰度图像，反映地物在该波段的反射率
- 光谱角度：每个像元都是一条光谱曲线，反映地物的光谱特征
- 特征角度：整个立方体可以看作一个高维特征空间，每个像元是一个高维向量
你想想看，一个1000×1000像素、200波段的高光谱图像，数据量就是1000×1000×200×2字节（假设16位存储）≈ 400MB。这还只是一景。所以处理高光谱数据，计算资源是个硬门槛。
1.5 高光谱遥感能干什么？
我挑几个典型的应用方向说说，都是我在项目里实际碰过的。
- 地质矿产：识别矿物种类和丰度。比如，粘土矿物在2.2μm有特征吸收，碳酸盐在2.35μm。我用AVIRIS数据在 Nevada 地区成功圈定了蚀变带，后来验证确实有矿化点。
- 精准农业：监测作物氮含量、叶绿素浓度、水分胁迫。我记得有一次帮农场做小麦病虫害监测，高光谱数据在病害显症前7天就发现了异常，比肉眼观察早了一周。
- 环境监测：水质参数反演，比如叶绿素a、悬浮物、CDOM。城市水体污染识别也是强项。
- 军事国防：伪装目标识别。你想想看，绿色油漆和真实植被的光谱曲线，在高光谱下差别很明显。
我的建议：刚入门的朋友，别急着啃复杂的算法。先学会怎么看光谱曲线，怎么理解吸收特征的位置和深度。这是高光谱遥感的基本功。我当年花了整整一个月，每天对着USGS光谱库看曲线，后来做项目时一眼就能看出问题。
好了，这一章就到这里。高光谱遥感的核心就是一句话：用精细的光谱信息，解决“是什么”和“有多少”的问题。下一章我们会深入数据获取环节，聊聊传感器是怎么工作的。
公众号:蓝海资料掘金营，微信deep3321