{
  "id": "hyperspectral-imaging",
  "title": "高光谱成像",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "高光谱成像在众多间隔紧密的波段记录具有空间分辨率的光谱，用于表征材料、物理状态与过程。",
  "category": "technology",
  "subcategory": "engineering",
  "type": "concept",
  "aliases": [
    "成像光谱技术",
    "高光谱影像技术"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/hyperspectral-imaging/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/hyperspectral-imaging/",
      "json": "https://aiwiki.page/en/hyperspectral-imaging.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "高光谱成像将成像与光谱学相结合：它并非仅记录少数几个宽波段的颜色通道，而是测量场景中每个采样位置的光谱。由此获得的数据集包含两个空间维度和一个光谱维度，通常表示为三维的“数据立方体”。仪器一般采集数十至数百个间隔紧密的波段，这些波段往往覆盖一段近乎连续的光谱区间。这些测量能够揭示普通照片无法呈现的成分或物理状态差异。\n\n这项技术之所以重要，是因为材料与电磁辐射的相互作用随波长而变化。因此，矿物、植被、水、人造产品和生物组织都可能呈现具有鉴别价值的光谱特征。高光谱成像广泛应用于遥感、工业检测、实验室科学、文物保护和生物医学研究。对高光谱成像数据的解读不仅依赖于识别光谱模式，还需要理解光照、大气效应、仪器响应、空间混合以及不确定性。"
    },
    {
      "heading": "光谱信息与高光谱数据立方体",
      "text": "高光谱数据集通常记作 \\(D(x,y,\\lambda)\\)，其中 \\(x\\) 和 \\(y\\) 表示空间位置，\\(\\lambda\\) 表示波长。某一波长处的切片是一幅单色图像；某一像素沿波长维度排列的一系列数值则构成一条光谱。实际测量值并不是数学意义上精确波长处的值。每个波段都通过具有有限宽度的光谱响应函数对辐射进行积分。因此，仅凭记录的波段数量，无法确定仪器所获取的独立光谱信息有多少。\n\n高光谱成像与多光谱成像的区别源于惯例，而非某个通用的数值阈值。多光谱系统通常测量少量彼此分离、相对较宽的波段，这些波段是为特定任务选定的。高光谱系统通常在某一光谱区间内进行更密集的采样，从而能够分析吸收特征的形状、位置和深度。例如，陆地卫星计划中的宽波段系统广泛用于土地覆盖和植被监测，而成像光谱仪则能够分辨出与特定矿物或生物化学组分有关的更多特征。高光谱并不一定意味着更高的空间分辨率，也不意味着记录的每个波段都有用。\n\n光谱特征由多种物理机制产生。电子跃迁形成了许多可见光和近红外吸收特征，包括与色素及含铁矿物有关的特征。分子振动及其泛频会在短波红外和更长波长的红外区域产生特征。植被在可见光区具有与叶绿素有关的强烈吸收，反射率向近红外区过渡时显著上升，并在更长波长处呈现与水有关的吸收。许多含羟基矿物具有可用于鉴别的短波红外特征。特征的位置和形状能够提供信息，但其表现也会随粒径、表面粗糙度、含水量和材料混合情况而变化。\n\n必须区分实际测量的量与最终希望获取的属性。探测器通常响应的是入射辐亮度，而不是直接响应化学物质浓度、物种身份或表面反射率。因此，光谱特征并非一成不变的条形码：照明、几何关系、环境和仪器特性都会对其产生影响。有些高光谱系统测量反射的太阳光或人工光源照明；另一些则测量热辐射、荧光或透过样品的光。适用的物理模型取决于这种测量几何关系。例如，在热红外成像中，发射辐亮度由温度和随波长变化的发射率共同决定，因此，其成分反演与反射光光谱的解读有所不同。"
    },
    {
      "heading": "数据采集架构与光学设计",
      "text": "大多数高光谱仪器使用仅有两个空间维度的探测器来采集三维数据集，因此必须在空间、波长和时间维度上对信息进行分配、扫描或编码。在推扫式系统中，入射狭缝从场景中选取一条线。色散光学元件（通常是衍射光栅或棱镜）将来自这条线的光展开到探测器上。探测器的一个轴对应沿狭缝的位置，另一个轴对应波长。飞机、卫星、传送带或平移台的运动提供第二个空间维度。由于能够同时采集一整条空间线及其光谱，这种架构得到了广泛应用。\n\n摆扫式系统以较小的瞬时视场在场景中扫描，通过连续测量逐步构建图像。这种扫描方式有利于采用某些光学配置，但也引入了运动机构，并限制了对每个地面单元的观测时间。在凝视式或波长扫描式仪器中，系统先在一个波长区间内获取二维图像，再改变所选波长。这种方式可通过滤光轮、液晶可调谐滤光器和声光可调谐滤光器实现。它很适合相对静止的场景，但如果两次曝光之间发生运动，就可能因配准偏差而产生表观上的光谱差异。\n\n傅里叶变换光谱学提供了另一种途径。干涉仪测量干涉图，再通过计算从中还原光谱。成像系统可以扫描光程差，也可以在空间上对干涉信息进行编码。其性能取决于光谱区域、探测器噪声、光子背景以及采集方式；采用干涉测量并不意味着在所有条件下都具有灵敏度优势。快照式仪器尝试通过图像切分、微透镜阵列、滤光片马赛克阵列、计算机断层成像或编码孔径，在单次曝光中获取空间和光谱信息。这些设计减少了时间上的不一致性，但也需要在空间细节、光谱细节、视场和集光能力之间重新分配有限的探测器资源。\n\n光学设计必须控制像差，并保持采样的一致性。“谱线弯曲”（smile）指探测器某一列或某一波段所对应的波长随视场位置而变化的现象。“梯形畸变”（keystone）指随波长变化的空间位移。两者若不加校正，都可能使边界附近的材料光谱失真。杂散光可能填平吸收特征，而偏振敏感性则可能引入随场景而变化的误差。实验室系统还必须考虑照明均匀性、样品定位和工作距离。面向运动生产线设计的相机可能优先考虑速度和机械稳定性，而机载仪器则可能优先考虑辐射测量准确度、地理定位和较宽的波长覆盖范围。"
    },
    {
      "heading": "探测器、分辨率与测量性能",
      "text": "探测器技术决定了哪些波长能够被高效测量。硅电荷耦合器件和互补金属氧化物半导体阵列广泛用于可见光和近红外仪器，但在接近硅约为 \\(1.1\\,\\mu\\mathrm{m}\\) 的长波截止波长时，灵敏度会下降。铟镓砷阵列通常用于近红外波段，包括约 \\(0.9\\)–\\(1.7\\,\\mu\\mathrm{m}\\) 的范围，而扩展波段型号可覆盖更长的波长。碲镉汞及其他红外探测器技术则支持更长波长和特殊配置。半导体材料的选择、工作温度、读出电子学和光学系统共同决定了灵敏度与噪声水平。\n\n必须区分几种不同的分辨率。空间分辨率描述的是区分物体或场景变化的精细程度，单凭地面采样距离并不能完整表征空间分辨率。光谱采样间隔是相邻波段中心之间的间距，而光谱分辨率描述的是区分相近光谱特征的能力，通常用仪器响应的半高全宽来表征。辐射分辨率涉及信号强度的表示能力，但数字化位深高本身并不保证测量精度高。时间分辨率描述的是观测同一场景的频率，或获取完整数据立方体的速度。\n\n信噪比取决于探测到的光子数、暗电流、读出噪声、曝光时间及其他因素。对于仅受光子散粒噪声限制的理想测量，若探测到的光电子数为 \\(N\\)，则近似关系为\n\n\\[\\mathrm{SNR}\\approx\\sqrt{N}.\\]\n\n缩窄光谱波段通常会减少收集到的光子数，除非通过其他设计参数加以补偿。更小的像元、更短的曝光时间和较弱的照明也会带来类似的不利影响。因此，要同时提高空间、光谱和时间上的细节分辨能力，通常需要更大的集光面积、更强的照明、更好的探测器性能，或者接受更高的噪声。冷却可以降低某些探测器的热噪声，但会增加功耗、质量和系统复杂性。\n\n性能还取决于动态范围、探测器线性度、饱和特性和稳定性。同一场景中的明亮参考目标和暗吸收特征，可能需要差异很大的曝光量。位于大气强吸收区内的光谱波段，即使相邻波段表现良好，也可能几乎无法使用。固定图样噪声可能产生条纹，而缺陷像元可能造成虚假的窄带特征。因此，仪器性能表征包括空间响应和光谱响应、波长准确度、辐射响应、规定照明条件下的噪声，以及长期漂移。要进行有意义的比较，就必须说明这些工作条件：仅凭波段数量或信噪比的某一个标称数值，无法概括仪器的整体能力。"
    },
    {
      "heading": "校准、大气校正与几何处理",
      "text": "校准用于建立记录的数字值与物理测量值之间的关系。辐射校准通常结合经校准的光源或反射率标准，对暗响应、探测器增益、非线性和空间不均匀性进行测量。光谱校准利用具有已知光谱特征的光源，确定波段中心和响应宽度。这些程序必须考虑工作温度和仪器漂移。实验室校准提供基准，但在实际部署期间，可能还需要现场检查和机载参考源来维持准确度。\n\n在受控条件下进行反射率成像时，一种常见的归一化方法使用样品测量值 \\(I\\)、暗场测量值 \\(D\\) 和参考测量值 \\(W\\)：\n\n\\[\\hat{\\rho}(\\lambda)= \\frac{I(\\lambda)-D(\\lambda)} {W(\\lambda)-D(\\lambda)} \\,\\rho_{\\mathrm{ref}}(\\lambda),\\]\n\n其中，\\(\\rho_{\\mathrm{ref}}\\) 为参考物经校准的反射率。该表达式假定样品与参考物的照明条件和测量几何条件具有足够的可比性，且探测器响应已得到适当校正。它不会自动消除阴影、镜面反射、表面朝向差异或不同曝光之间的照明变化。参考板本身的反射率也可能具有方向性，并且可能受到污染或发生性能退化。\n\n航空和卫星测量需要考虑大气影响。一个简化的太阳反射辐亮度模型为\n\n\\[L_{\\mathrm{sensor}}(\\lambda)= L_{\\mathrm{path}}(\\lambda)+ T_{\\uparrow}(\\lambda) \\frac{E_{\\mathrm{surface}}(\\lambda)\\rho(\\lambda)}{\\pi}.\\]\n\n其中，\\(L_{\\mathrm{path}}\\) 为大气路径辐亮度，\\(T_{\\uparrow}\\) 为大气上行透过率，\\(E_{\\mathrm{surface}}\\) 为到达地表的辐照度。该表达式假设地表近似为朗伯表面，并省略了若干相互作用。更完整的辐射传输计算会考虑气体吸收、气溶胶散射、多次散射以及相邻区域之间的辐射交换。水汽在空间和时间上的变化很大，因此对其进行估计尤为重要。在强吸收区间内，地表信息可能过少，无法进行可靠反演。\n\n几何处理将测量值对应到空间位置，并使各光谱波段对齐。航空系统通常将全球定位系统与惯性导航系统、仪器几何模型和地形模型结合使用。正射校正用于纠正与平台姿态和地形有关的畸变。波段间配准在物体边界处尤为关键，因为微小的位移就可能将来自不同材料的各波长测量值拼合成人工光谱。重采样还会改变噪声的相关性，并可能使狭窄物体变得平滑。因此，质量评估需要同时跟踪几何和辐射方面的测量不确定度，而不能将校正后的数据立方体视为场景的精确再现。"
    },
    {
      "heading": "光谱分析、分类与材料解混",
      "text": "分析首先要明确任务：识别材料、估算浓度、绘制地表覆盖类别分布图、检测异常，或反演物理参数。预处理可以包括剔除缺陷波段、校正条带、平滑光谱、对亮度进行归一化，或计算导数。每一种变换都会改变可用的信息。求导可以突出微弱的吸收结构，但也会放大噪声；归一化可以抑制光照变化的影响，却会丢失绝对亮度信息。连续统去除以估计的背景光谱形状为基准来表示吸收特征，有助于比较特征的深度和宽度，但结果取决于如何定义这一背景。\n\n光谱匹配将实测光谱与实验室、野外或已知影像区域获取的参考光谱进行比较。一种常用的度量是光谱角：\n\n\\[\\theta= \\cos^{-1}\\left( \\frac{\\mathbf{s}^{\\mathsf T}\\mathbf{r}} {\\|\\mathbf{s}\\|\\,\\|\\mathbf{r}\\|} \\right),\\]\n\n其中，\\(\\mathbf{s}\\) 为实测光谱向量，\\(\\mathbf{r}\\) 为参考光谱向量。光谱角侧重于光谱形状，对简单的正比例缩放不敏感。但对于大气的加性贡献，或其他会改变光谱形状的变化，它并不具有不变性。相比之下，匹配滤波及相关统计检测方法着重于相对于估计的背景变异来突出目标的光谱特征。它们的表现取决于目标模型、背景统计特性，以及易混淆材料的普遍程度。\n\n一个像元中往往包含不止一种材料。光谱解混旨在估计这些组分及其贡献。常用的线性模型为：\n\n\\[\\mathbf{y}=\\mathbf{M}\\mathbf{a}+\\boldsymbol{\\epsilon}, \\qquad a_i\\geq 0,\\qquad \\sum_i a_i=1,\\]\n\n其中，\\(\\mathbf{M}\\) 的各列为端元光谱，\\(\\mathbf{a}\\) 包含各端元的丰度，\\(\\boldsymbol{\\epsilon}\\) 表示噪声和模型误差。对于同一像元内空间上彼此分离的材料，线性混合通常是一种有效的近似。矿物的紧密混合、植被内部的多次散射，以及半透明材料则可能需要使用非线性模型。即使采用线性模型，端元的变异性以及纯像元的缺失也会使解释更加复杂；估算出的丰度并不必然等同于化学质量分数。\n\n机器学习方法包括支持向量机、随机森林，以及融合光谱与空间信息的人工神经网络。包括主成分分析在内的降维方法，可以压缩相关波段的信息，并提高数值稳定性。统计模型还可以预测含水量或组分浓度等连续属性。验证至关重要：将相邻像元随机划分到训练集和测试集中，可能会因相邻观测之间存在相关性而得到过于乐观的准确率。使用来自独立地点、日期、仪器或生产批次的数据进行测试，能够为模型的迁移能力提供更有力的证据。域适应可以应对某些分布偏移，但不能替代具有代表性的测量和独立评估。"
    },
    {
      "heading": "历史发展与观测平台",
      "text": "高光谱成像由实验室光谱学、光学成像和航空遥感发展而来。早期的多光谱扫描仪确立了在可见光色彩之外观测地表景观的实用价值，而探测器阵列、色散光学器件、数字存储和信号处理技术的进步，则使密集光谱采样成为现实。20世纪70至80年代的航空实验表明，利用光谱可以在相当大的区域内识别矿物并表征植被。美国国家航空航天局（NASA）喷气推进实验室的研究在这一发展过程中发挥了核心作用。亚历山大·F. H. 戈茨是推动成像光谱技术成为地球观测方法的重要人物。\n\n机载成像光谱仪是机载可见光／红外成像光谱仪（AVIRIS）的前身，后者于1987年开始采集科学数据。AVIRIS通过224个连续光谱通道测量从可见光到短波红外的光谱，覆盖范围约为 \\(0.4\\) 至 \\(2.5\\,\\mu\\mathrm{m}\\)。以飞机为平台的运行方式，使其能够开展有针对性的观测任务、反复进行校准，并在一定程度上由飞行高度决定的空间尺度上进行观测。它成为地质学、生态学、大气研究以及光谱分析方法开发的重要研究仪器。后续的机载仪器进一步提升了灵敏度、覆盖能力和运行灵活性。\n\n星载成像光谱技术将观测扩展到更大区域，也使数据采集更具系统性。NASA于2000年发射的地球观测一号（Earth Observing-1）卫星搭载了Hyperion成像光谱仪，可采集220个光谱通道的数据，覆盖范围约为 \\(0.4\\)–\\(2.5\\,\\mu\\mathrm{m}\\)，标称地面采样间距为30米。其狭窄的成像幅宽和性能局限限制了部分应用，但也证明了在轨高光谱测量的价值。意大利的PRISMA任务于2019年发射升空，随后德国的EnMAP任务于2022年发射升空。NASA的地球表面矿物尘源调查仪（EMIT）于2022年安装在国际空间站上，用于绘制与大气中尘埃性质相关的地表矿物组成分布图。\n\n如今，高光谱成像平台涵盖显微镜、手持仪器、传送带系统、无人机、有人驾驶飞机和卫星。各类平台在覆盖范围、观测可达性、重访频率、稳定性和成本之间各有取舍。小型飞行器能够对单个田块开展相当精细的观测，但受到载荷、续航能力和光照条件的限制。卫星可提供大范围覆盖，却必须应对云层、大气效应、轨道几何条件和有限的数据下传容量。实验室仪器能够提供受控条件，但未必能再现野外环境的变异性。因此，比较不同平台时，需要关注测量几何条件和尺度，而不能假定在某一平台上建立的模型可以原封不动地迁移到另一平台。"
    },
    {
      "heading": "地球、环境与农业应用",
      "text": "地质填图是高光谱成像应用最成熟的领域之一，因为许多矿物都具有可用于鉴别的吸收特征。短波红外观测可以区分黏土、云母等不同类群的含羟基矿物，并识别与碳酸盐有关的特征。可见光和近红外测量则能提供含铁物质的信息。这些能力有助于绘制蚀变带、出露岩石单元、矿山废弃物及地表风化状况的分布图。解译时必须考虑植被、土壤覆盖、粒径和矿物混合物的影响。高光谱影像通常只能表征光学观测可及的表面，不能直接对深部矿体成像，也不能据此确定是否存在具有经济开采价值的矿床。\n\n植被研究利用与色素、叶片结构、含水量和冠层组织结构有关的光谱信息。“红边”是指从红光波段的强吸收向近红外波段的高反射率快速过渡的区域，它对多种植被属性都很敏感，但并非任何单一状况的特异性指标。冠层光谱还取决于叶片角度、阴影比例、土壤背景和观测几何。在农业和林业中，这些测量为作物状况、物种组成、扰动和植被功能性状等研究提供支持。对养分状况或病害相关变化的估算需要经过严谨验证，因为观测信号可能是间接的，而且可能受到干旱、生长阶段或管理历史等因素的干扰。\n\n水域应用主要针对光学活性物质和浅水环境。光谱测量有助于估算叶绿素相关属性、悬浮物和有色溶解性有机物；在光线能够充分穿透的水域，还可用于绘制水下植被或水底类型分布图。离水辐亮度往往只占机载或星载仪器接收辐亮度的一小部分，因此大气校正的要求很高。太阳耀光、波浪、水深、水底反射率以及邻近陆地的邻接效应，还会引入更多不确定性。针对某个湖泊或沿海区域标定的方法，在光学组分不同的其他水域未必能取得同样好的效果。\n\n大气应用利用气体的窄带吸收特征。具备适当光谱覆盖范围和灵敏度的成像光谱仪，可以绘制甲烷和二氧化碳等气体的浓度增强分布，包括某些集中排放源产生的羽流。反演通常估算的是气柱总量的增量，而不是直接测量排放速率。将羽流影像转换为源排放通量，需要风场信息、输送假设，以及对背景浓度的处理。探测阈值会随地表亮度、仪器分辨率、羽流几何形态和观测条件而变化。环境应用也越来越多地将高光谱信息与激光雷达、雷达和实地测量相结合：光谱成分、三维结构和微波散射提供的是相互补充的证据，而非可以相互替代的观测结果。"
    },
    {
      "heading": "工业检测、文化遗产与生物医学研究",
      "text": "工业系统利用高光谱测量，在保留材料空间分布的同时进行检测。在传送带上，当产品经过照明受控的区域时，推扫式相机可以采集其光谱。随后，分类算法可识别指定材料，并触发分选设备。在塑料回收中，近红外光谱有助于区分多种聚合物，但颜料、填料、表面污染、多层结构和深色材料可能增加识别难度。自动分选机的性能不仅取决于光谱分类，还受到物体分离程度、传送带速度、时序控制、执行机构的动作特性，以及误接收或误剔除所带来的成本等因素的影响。\n\n食品和农产品检测涵盖针对水分、成分变化、碰伤、表面缺陷及异物的研究和商业应用。反射、透射和交互作用测量几何配置的有效探测深度不同，对各类特征的敏感性也不同。光谱与实验室检测结果之间的相关性可以用于建立有用的预测模型，但这并不意味着仪器能够直接测量所涉及的每一种成分。采样设计十分重要，因为品种、季节、储存条件和产品温度可能同时影响光谱及作为参照的性质。在制药和材料制造领域，相关应用则用于检查涂层均匀性、组分分布和产品一致性。\n\n在文化遗产研究中，高光谱成像可以在无需取样的情况下绘制颜料分布图、显现部分被遮蔽的文字，并区分改动或修复区域。近红外观测可能揭示某些颜料层下的底稿，而光谱差异则有助于区分外观相似的材料。能否成功探测取决于整个层状结构的吸收和散射特性：如果上覆层在测量波段内不透明，就可能无法探测到下方的内容。研究中常将高光谱成像结果与显微观察、X射线荧光分析或其他分析方法结合使用。由于不同颜料及其混合物可能具有相似的反射光谱，因此，有互补证据支持时，材料鉴定才更为可靠。\n\n生物医学研究通过考察组织的反射、荧光和透射特性，获取与发色团、氧合状态、散射及组织结构有关的信息。高光谱显微成像还可以分离多个标记物相互重叠的信号。在宏观组织成像中，血红蛋白吸收和随波长变化的散射是影响信号的重要因素，而运动、表面几何形状、镜面反射和照明变化则会使分析更加复杂。已有研究探索了其在手术可视化、病理学和组织状态评估中的应用。但这些研究并不意味着高光谱成像已成为一种普遍确立的诊断方法：其性能及临床应用地位取决于具体仪器和预期用途。可靠的评估需要适当的参照标准和独立的患者队列，并明确区分技术可行性与已经证实的临床获益。"
    },
    {
      "heading": "数据管理、可重复性与尚未解决的局限",
      "text": "即使不考虑重复观测，高光谱测量也可能产生庞大的数据集。一幅包含 \\(1{,}000\\times1{,}000\\) 个空间采样点和200个波段、每个样本以16位存储的图像，在不计元数据、定标信息或处理产品的情况下，就约占400兆字节。工业连续采集和区域航空调查产生的数据量可能大得多。压缩、选择性保留波段、机载处理和高吞吐量存储可以减轻运行负担，但必须评估有损方法对微弱吸收特征和定量反演的影响。高效处理越来越多地采用并行计算和图形处理器。\n\n可用的数据档案需要保存的不只是像素值。必要的元数据包括波段中心波长、光谱响应信息、辐射量单位、采集时间、观测几何、定标历史、质量标志和处理级别。原始数字量化值、经定标的辐亮度、估算的地表反射率和派生的材料分布图是不同的产品，不应视为可以互换。当仪器的波段响应、空间点扩散函数、观测几何和噪声特性不同时，跨仪器比较就会面临困难。将两条光谱重采样到同一波长网格上，并不一定使它们在物理上等价。可溯源的定标和有记录可查的处理流程是确保可重复性的关键。\n\n仅凭光谱能够唯一确定的信息存在根本性限制。不同的混合物可能产生相似的测量结果，而某些重要组分在可用波长范围内的光谱特征微弱，或与其他组分的特征重叠。阴影和低反射率表面可能无法提供足够的光子，从而难以可靠区分。大气与地表的反演问题可能相互耦合，而在热辐射测量中，温度与发射率也相互耦合。空间分辨率带来了另一项限制：某种材料即使具有鲜明的光谱特征，也可能因其在像素内所占比例过小而无法被探测到。对于那些根本未能穿过大气、未被光学系统收集，或无法从噪声中分辨出来的信息，增加波段数量也无法将其恢复。\n\n一项重要的研究挑战是建立在原始采集条件之外仍然可靠的模型。公共基准数据集有助于比较算法，但在少数场景中取得的结果并不足以证明其具有广泛的实际应用性能。对于数据驱动方法，跨地理区域、季节、光照条件和仪器类型开展独立测试尤为重要。与其他传感器的数据融合、融入物理知识的学习方法、显式不确定性估计以及参考数据集的改进，分别着眼于这一问题的不同方面。紧凑型快照相机和计算重建技术带来了更多可能性，但必须区分重建出的光谱细节与直接测得的信息：当重建所依据的假设不成立时，一个视觉上看似合理的数据立方体仍可能在材料信息上存在错误。"
    }
  ],
  "links": [
    "spectroscopy",
    "remote-sensing",
    "landsat-program",
    "temperature",
    "semiconductor",
    "signal-to-noise-ratio",
    "calibration",
    "radiative-transfer",
    "global-positioning-system",
    "measurement-uncertainty",
    "machine-learning",
    "artificial-neural-network",
    "principal-component-analysis",
    "domain-adaptation",
    "signal-processing",
    "forestry",
    "carbon-dioxide",
    "lidar",
    "radar",
    "polymer",
    "cultural-heritage",
    "parallel-computing",
    "graphics-processing-unit"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}