摘要

高光谱遥感以其“图谱合一”的独特优势，在资源勘探、环境监测与精准农业等领域构建了不可替代的感知维度。然而，其数百个连续窄波段所蕴含的巨量信息并非孤立存在，而是被一种深刻的内在结构——谱间相关性——紧密编织在一起。本文旨在突破传统将谱间相关性简单视为冗余的认知藩篱，提出一条全新的分析主线：将谱间相关性视作高光谱数据的“物理基因”与“信息骨架”，其既是光谱维压缩与降维的物理根源，更是地物精细辨识与亚像素信息提取的关键钥匙。 文章从辐射传输的物理本源出发，系统解构了谱间相关性的形成机理与数理表征，深入剖析了其在数据压缩、超分辨率重建、目标探测等核心任务中的双刃剑效应。在此基础上，本文评述了从线性解相关到非线性流形学习，再到基于深度学习与自监督模型的谱间结构建模技术演进。笔者特别强调了物理模型与数据驱动方法的深度融合，是突破当前高光谱智能处理瓶颈的必由之路。通过贯穿全文的思辨性评述，本文力图构建一个从物理机理到工程实践，再到前沿预判的完整认知框架，为高光谱数据的深度理解与智能应用提供新的视角。

关键词：高光谱遥感；谱间相关性；光谱解混；降维；深度学习；物理引导神经网络；光谱超分辨率

1. 引言：超越冗余——谱间相关性作为信息骨架

自20世纪80年代成像光谱技术诞生以来，高光谱遥感便以其纳米级的光谱分辨率，将地物辨识能力从空间形态拓展至理化属性层面。一个典型的高光谱图像（Hyperspectral Image, HSI）在0.4至2.5微米的电磁波谱范围内，可获取上百个连续窄波段的光谱响应，形成一条近乎连续的地物光谱曲线。这种海量数据的涌入，在开启精细感知大门的同时，也带来了“维度灾难”的严峻挑战。早期研究者和工程师们很快发现，相邻波段之间并非彼此独立，而是呈现出极高的相似性。例如，在AVIRIS传感器获取的224个波段中，相邻波段的相关系数常常高达0.95以上^[1]。这一现象，即谱间相关性，最初被普遍视为一种需要被消除的冗余，是数据压缩与降维算法的物理依据。

然而，本文的核心论点在于：这种将谱间相关性简单等同于冗余的观点是片面且有害的。 笔者认为，谱间相关性是高光谱数据最本质的物理基因，它并非偶然的副产品，而是地物固有光谱特性、大气辐射传输过程与传感器响应函数三者深度耦合的必然结果。它如同一把双刃剑：一方面，其带来的高冗余度为存储、传输和处理带来了巨大负担；另一方面，这种内在的低秩结构恰恰是地物分类、光谱解混、异常检测等信息挖掘任务的物理基石。正是由于不同物质具有独特且连续的光谱吸收特征，才使得我们能够通过分析谱间相关性的细微差异，实现从“是什么”到“含多少”的质变。

本文旨在重新审视谱间相关性的角色，将其从一个被动的、待处理的问题，提升为一个主动的、可被利用的核心信息骨架。我们将沿着一条贯穿全文的逻辑主线展开：首先从物理机理上追溯其本源，继而建立其数理表征，然后系统评述围绕这一特性所发展的工程技术，最终探讨在人工智能时代，如何通过物理模型与深度学习的协同，实现对谱间相关性更深层次的“觉醒”与利用。这一过程不仅是技术的演进，更是认知范式的跃迁。

2. 物理本源：谱间相关性的形成机理

谱间相关性并非数学上的巧合，其根源深植于电磁波与地物相互作用的物理过程之中。理解这一本源，是避免将高光谱数据处理沦为纯粹数字游戏的关键。笔者认为，任何脱离物理机理的谱间相关性建模，都如同在流沙上筑塔，其泛化能力与可解释性将受到根本性制约。

2.1 地物光谱的连续性本质

在分子和原子尺度上，电磁辐射与物质的相互作用主要表现为电子跃迁和分子振动。对于固态地物，这些能级跃迁并非发生在单一、离散的波长上，而是由于晶格振动、分子间相互作用等因素，被展宽为具有一定宽度的吸收特征。例如，叶绿素在可见光区域的强吸收带（中心约0.45μm和0.65μm）以及水分在近红外和短波红外区域的多个吸收谷（如0.97μm, 1.2μm, 1.45μm, 1.94μm），都是典型的宽谱段吸收特征。这意味着，一个吸收特征会在数十甚至上百个连续的纳米波段上产生响应。因此，高光谱传感器在这些连续波段上记录到的反射率值，本身就是对同一物理化学过程在不同波长处的采样，其内在的连续性直接导致了高相关性。根据美国地质调查局（USGS）光谱库和约翰霍普金斯大学（JHU）光谱库的测量数据，绝大多数矿物的光谱曲线在局部窗口内都呈现出平滑且高度自相关的特性^[2]。

本文评述：经典的光谱解混理论，如线性混合模型，正是建立在地物光谱可表征为少数几种纯端元光谱线性组合这一假设之上。该模型的有效性，恰恰反证了单一地物光谱内部存在极强的谱间相关性，使得其可以被一个低维子空间所近似。然而，现实世界的非线性混合效应（如紧密混合、多次散射）会打破这种理想的线性低秩结构，引入更为复杂的高阶谱间相关性，这是当前研究的前沿与难点。

2.2 大气辐射传输的平滑效应

太阳辐射在到达地表和反射回传感器的路径中，必然穿越大气层。大气中的气体分子（主要是水汽、二氧化碳、臭氧等）和气溶胶粒子会对电磁波产生吸收与散射。大气吸收同样具有宽谱段特征，而气溶胶的米氏散射随波长变化相对平缓。这一系列大气过程，如同一个低通滤波器，对原始的地表反射光谱进行平滑和调制。由MODTRAN或6S等辐射传输模型模拟可知，大气透过率曲线在宏观上是连续变化的，其叠加在地表光谱之上，进一步增强了相邻波段间的相关性^[3]。特别是在水汽吸收带附近，多个波段可能同时受到强烈衰减，导致这些波段间的相关性结构发生畸变，形成独特的“相关块”。

笔者认为：大气校正的核心目标之一是剥离这种由大气引入的、与地表属性无关的“伪相关性”，恢复地物真实的谱间结构。然而，不精确的大气校正可能引入新的误差和伪影，破坏原始的谱间相关性。因此，如何在后续处理中，对大气校正残余误差所导致的相关性噪声进行鲁棒建模，是一个极具工程价值的研究课题。

2.3 传感器光谱响应函数的卷积作用

高光谱传感器的每个波段并非响应一个无限窄的单色光，而是对一定波长范围内的入射能量进行积分，这一范围由光谱响应函数（Spectral Response Function, SRF）定义。通常，SRF可以用高斯函数或类似形状来近似，其半峰全宽（FWHM）决定了传感器的光谱分辨率。这个积分过程在数学上等同于对真实地物光谱与SRF进行卷积。由于相邻波段的SRF通常存在一定程度的重叠，它们所测量的信号共享了部分光谱区间的能量，这必然导致测量值之间存在统计相关性。例如，EO-1 Hyperion传感器的波段间隔约为10nm，而其SRF的FWHM也接近10nm，相邻波段间的重叠区域显著^[4]。这种由传感器硬件决定的、确定性的相关性，是数据预处理（如光谱重采样、超分辨率重建）中必须精确建模的因素。

3. 数理图景：谱间相关性的度量与表征

将物理机理转化为可计算的数学模型，是连接理论与应用的桥梁。谱间相关性的数理表征，经历了从全局线性到局部非线性，从二阶统计到高阶统计的演进。不同的表征方式，揭示了数据不同侧面的内在结构。

3.1 全局线性表征：相关系数矩阵与协方差结构

最直接且最广泛使用的度量是皮尔逊相关系数，它衡量了两个波段间线性关系的强度和方向。对于一个具有B个波段的高光谱图像，可以计算出一个B×B的相关系数矩阵。该矩阵通常呈现出显著的块对角结构，即相邻的波段群组内部具有极高的正相关性，而相距较远的波段间相关性减弱甚至为负。例如，在可见光与近红外（VNIR）和短波红外（SWIR）区域之间，由于地物光谱响应机制的差异，常能观察到相关性的“断层”。基于此，协方差矩阵或相关矩阵的特征值分解成为主成分分析（PCA）的核心。PCA将原始数据投影到一个由特征向量张成的、方差最大化的新空间，这些特征向量（即主成分）是原始波段的线性组合，它们彼此不相关。研究表明，对于典型的AVIRIS数据，前10-20个主成分即可解释99%以上的光谱方差^[5]，这直观地量化了谱间相关性的强度。

本文评述：PCA及其变体（如最大噪声分数变换MNF）的成功，在于它们抓住了谱间相关性的二阶统计特征。然而，这种全局线性变换的局限性也十分明显：它假设数据位于一个全局的线性子空间中。当地物类别多样、非线性混合效应显著时，数据在高维空间中呈现为多个局部子空间的并集或一个非线性流形。此时，强行使用全局线性方法会导致子空间维度过高或信息丢失。

3.2 局部非线性表征：流形学习与图嵌入

为了突破线性假设的束缚，一系列流形学习算法被引入高光谱数据分析。这些方法的核心思想是：高光谱数据虽然处于高维空间中，但其内在维度可能很低，且数据点分布在一个低维的非线性流形上。谱间相关性在此处体现为数据点在光谱空间中的局部几何结构。例如，局部线性嵌入（LLE）假设每个光谱样本可由其近邻样本线性重构，并保持这种重构权重在低维空间中不变^[6]。拉普拉斯特征映射（LE）则通过构建样本间的相似度图，在降维过程中惩罚那些在原始空间中相近而在低维空间中远离的点。这些方法通过定义局部邻域内的关系，隐式地捕捉了复杂、非线性的谱间相关性。

笔者认为：流形学习为理解谱间相关性提供了更细腻的视角，即相关性并非全局统一的，而是具有“局部性”和“数据依赖性”。一个植被像元与其邻近的植被像元在光谱上高度相关，构成了流形上的一个局部邻域；而一个矿物像元则可能属于另一个完全不同的局部结构。这种认知直接催生了基于图的高光谱分析框架，将整个图像建模为一个图，像元为节点，像元间的光谱相似度（即一种谱间相关性度量）为边权重，从而将谱间相关性显式地编码进数据结构中。

3.3 信息论视角：互信息与熵

线性相关系数只能捕捉线性关系，而互信息（Mutual Information, MI）则能度量两个变量之间任意形式的依赖关系，包括非线性关系。两个波段间的互信息越大，表示它们共享的信息越多，即一个波段包含另一个波段的不确定性越小。通过计算所有波段对的互信息，可以构建一个互信息矩阵，它比相关系数矩阵更能揭示波段间复杂的内在联系。此外，光谱信息熵可以衡量整个数据集或单个波段的信息丰富度。具有高谱间相关性的波段组，其联合熵远小于各波段独立熵之和，这个差值即为冗余度。利用基于互信息的波段选择算法，如mRMR（最小冗余最大相关），旨在选出一组与目标变量（如地物类别）高度相关而彼此间互信息最小的波段子集^[7]，这是对谱间相关性进行主动管理和利用的典型范例。

4. 工程重塑：利用谱间相关性的经典与前沿技术

对谱间相关性的深刻理解，最终要落实到具体的工程任务中。本章将系统梳理那些以谱间相关性为核心物理依据或设计出发点的关键技术，并对其演进逻辑进行评述。

4.1 光谱维压缩：从KL变换到压缩感知

高光谱数据压缩是谱间相关性最直接的应用领域。经典的基于预测、变换和矢量量化的压缩方法，其效率均源于对谱间冗余的消除。例如，基于小波变换的三维SPIHT算法，通过对光谱维进行一维小波变换来解相关，再结合空间维的二维小波变换，实现了极高的压缩比^[8]。近年来，压缩感知（Compressed Sensing, CS）理论的引入，为高光谱压缩带来了新范式。CS理论指出，如果一个信号在某个变换域是稀疏的，则可以用远低于奈奎斯特采样率的频率进行随机采样，并精确重建。高光谱数据强大的谱间相关性，保证了其在如PCA、DCT或小波基下具有高度稀疏性，这构成了应用CS的物理前提。笔者团队在相关研究中发现，通过设计符合光谱特性的稀疏基和测量矩阵，可以实现对高光谱数据的高效压缩采样与重建^[9]。

本文评述：传统压缩方法旨在“无损”或“近无损”地去除冗余，而压缩感知则是在采样阶段就主动利用稀疏性（相关性的另一种表现）来减少数据获取量。这为星载高光谱仪器的设计提供了新思路，即通过硬件实现压缩编码，从而降低对数据下行带宽的压力。然而，如何设计对复杂场景鲁棒的、自适应的测量矩阵，仍是工程化应用的挑战。

4.2 光谱超分辨率：从多光谱到高光谱的智能映射

光谱超分辨率（Spectral Super-Resolution, SSR）旨在从宽波段的多光谱图像（MSI）重建出窄波段的高光谱图像，这是一个极具挑战性的病态逆问题。其唯一可依赖的物理先验，正是高光谱数据强大的谱间相关性。早期方法基于稀疏表示或字典学习，假设一个高光谱像元的光谱可由一个过完备光谱字典中的少量原子线性组合而成，而对应的多光谱像元则是这些原子的光谱响应下采样版本^[10]。通过学习MSI与HSI之间的联合字典，可以将这种谱间结构从HSI迁移至MSI。例如，Arad等人构建的NTIRE光谱重建挑战赛数据集，极大地推动了该领域的发展^[11]。

当前，基于深度卷积神经网络（CNN）的方法已成为主流。这些网络通过学习大量MSI-HSI图像对，隐式地捕捉从宽波段到窄波段的复杂非线性映射关系，其本质是学习一个能生成具有正确谱间相关性光谱的模型。笔者注意到，近年来兴起的基于Transformer的模型，如MST++和Restormer，通过其强大的自注意力机制，能够显式地建模光谱波段间的长程依赖关系，在重建精度上取得了突破性进展^[12]。

4.3 目标探测与异常检测：在相关背景中寻找“失配”

高光谱目标探测的核心思想是，利用目标和背景在谱间相关性结构上的差异，将目标从复杂的背景中分离出来。经典的匹配滤波（MF）和自适应余弦估计（ACE）等探测器，本质上是在抑制背景光谱相关性的同时，增强与目标光谱匹配的信号。背景的谱间相关性通过其协方差矩阵来刻画，该矩阵的逆起到了白化滤波器的作用，可以压制那些符合背景相关结构的信号成分。异常检测则更进一步，无需先验目标光谱，而是寻找那些“与众不同”的像元，即其光谱向量与局部或全局背景的谱间相关模型显著不符的像元。Reed-Xiaoli（RX）探测器是该领域的基石，它计算待测像元与背景均值之间的马氏距离，而马氏距离正是通过背景协方差矩阵（即背景谱间相关性）进行加权的欧氏距离^[13]。

笔者认为：这类方法的性能瓶颈在于对背景谱间相关性估计的准确性。在异质性强的复杂场景中，使用全局协方差矩阵会模糊局部背景的精细结构，导致探测率下降、虚警率升高。因此，发展能够自适应估计局部、甚至多模态背景相关结构的方法，如基于聚类或图模型的局部RX探测器，是提升探测性能的关键方向。

5. 前沿觉醒：深度学习与物理模型的共舞

深度学习，特别是深层生成模型和自监督学习，正在从根本上改变我们建模和利用谱间相关性的方式。这不再仅仅是设计一个算法去适应相关性，而是让模型从数据中“觉醒”，自主地发现并利用那些人类难以显式编程的、复杂的高阶谱间结构。

5.1 光谱-空间联合的深度特征提取

早期的CNN模型，如1D-CNN，直接沿光谱维进行一维卷积，这等价于学习局部的谱间相关性模式。随后的3D-CNN将卷积核扩展至空间-光谱三维，能够同时捕捉局部空间纹理和局部谱间相关特征，极大地提升了分类精度^[14]。然而，这些模型本质上仍是局部的。为了捕获长程的谱间依赖，注意力机制被引入。光谱注意力模块能够动态地为不同波段分配权重，使得网络可以关注到那些对当前任务最重要、最具判别力的波段组合，这实际上是一种任务驱动的、自适应的谱间相关性挖掘。

5.2 自监督学习与光谱掩码建模

受自然语言处理中掩码语言模型（如BERT）和计算机视觉中掩码图像建模（如MAE）的启发，光谱掩码建模（Spectral Masked Modeling, SMM）成为高光谱自监督学习的前沿。其核心思想是，随机掩蔽输入光谱中的一部分波段，然后训练一个模型根据未掩蔽的波段去重建被掩蔽的波段。这个看似简单的任务，迫使模型必须深刻地理解并利用光谱内部的谱间相关性，才能完成精确重建。通过这种预训练，模型能够学习到强大的、与具体任务无关的光谱表示，然后可被微调用于下游的分类、探测等任务^[15]。

本文评述：SMM方法的美妙之处在于，它将谱间相关性这一物理属性，巧妙地转化为了一个自监督学习的训练信号。模型无需任何人工标注，仅从数据本身就能学习到光谱的内在结构。笔者认为，这代表了高光谱智能处理的一个范式转变：从依赖昂贵的人工标签，转向利用海量无标签数据中蕴含的物理规律。未来的竞争将在于谁能设计出更精巧的掩码策略和重建目标，以捕获更本质的谱间物理结构。

5.3 物理引导的神经网络

纯数据驱动模型的可解释性和物理一致性常常受到质疑。物理引导神经网络（Physics-Guided Neural Networks, PGNN）旨在将已知的物理定律（如辐射传输模型）作为约束或先验，融入网络的设计或损失函数中。例如，在光谱超分辨率任务中，可以在损失函数中加入一项，惩罚那些重建出的光谱曲线不符合典型地物光谱连续性（即谱间相关性的一种物理表现）的结果。或者，可以设计一个网络分支，专门用于预测大气参数，并将其输入到一个可微分的辐射传输模拟器中，从而将物理模型与深度学习端到端地结合起来^[16]。

笔者认为：PGNN是弥合“知其然”与“知其所以然”之间鸿沟的关键桥梁。它既利用了深度学习强大的表示学习能力，又通过物理约束保证了结果的合理性和泛化能力。对于谱间相关性而言，这意味着我们不再只是让网络去拟合一个统计模式，而是引导它去发现符合物理机理的模式。这将是未来实现鲁棒、可解释的高光谱智能应用的必由之路。

6. 笔者思辨：谱间相关性的未来研究路线图

站在当前的技术节点，笔者尝试对未来围绕谱间相关性的研究进行前瞻性预判，并提出一条可能的技术演进路线图。

6.1 从“数据相关”到“物理因果”：引入因果推断

当前几乎所有的方法，无论是统计的还是深度学习的，所捕捉的谱间相关性本质上都是一种统计关联。然而，统计关联不等于因果。一个波段的反射率变化，究竟是由地物成分变化这个“因”引起的，还是仅仅因为与另一个受光照影响的波段存在关联？笔者认为，将因果推断框架引入高光谱分析，是迈向真正智能感知的关键一步。通过构建光谱变量之间的因果图，我们可以识别并利用那些稳定的、具有物理机制的因果关系，从而设计出对光照、大气等环境变化具有更强不变性的特征和模型。例如，利用干预（do-calculus）的思想，我们可以探究如果人为改变某个吸收波段的深度，会对分类或定量反演结果产生何种影响，从而发现最具因果效力的光谱特征。

6.2 跨传感器谱间相关性的迁移学习

不同高光谱传感器具有不同的光谱范围和波段设置，其谱间相关性结构也各不相同。如何将一个在源传感器（如AVIRIS）数据上训练好的模型，快速、有效地迁移到目标传感器（如EnMAP或PRISMA）上，是一个巨大的工程挑战。这本质上是一个跨域的谱间相关性对齐问题。未来的研究需要发展能够解耦传感器特定相关性与地物固有光谱特性的方法。领域自适应和领域泛化技术将是核心工具，其目标是学习一种“传感器无关”的光谱表示，这种表示只编码地物的物理化学属性，而与具体的采样方式（波段设置、SRF）无关^[17]。

6.3 面向在轨处理的轻量化谱间模型

随着星载高光谱数据量的爆炸式增长，在轨实时处理的需求日益迫切。然而，星上计算资源、功耗和存储空间都极为有限。因此，设计轻量化、高效率的谱间相关性利用模型至关重要。这包括研究基于谱间相关性的新型压缩感知硬件、设计用于光谱降维和特征提取的超轻量级网络（如使用神经架构搜索NAS自动发现最优结构），以及开发能在轨进行光谱解混和目标探测的低功耗算法。笔者认为，未来的星上智能处理系统，将是一个软硬件深度协同设计的系统，谱间相关性将被直接编码进芯片的计算架构中。

7. 结论

谱间相关性是高光谱数据的灵魂，它既是挑战，更是机遇。本文通过一条贯穿始终的分析主线，论证了谱间相关性远非简单的数据冗余，而是连接地物物理属性、传感器成像机制与智能信息提取的核心纽带。我们从其形成的物理本源出发，梳理了从线性到非线性、从统计到信息的多种数理表征，并系统评述了在其驱动下的数据压缩、超分辨率重建、目标探测等关键技术的演进逻辑。在深度学习时代，我们正在见证一场从被动适应到主动利用，再到模型自主“觉醒”的范式变革。光谱掩码建模、物理引导网络等前沿技术，预示着未来我们将能够更深刻、更精准地挖掘谱间相关性中蕴藏的物理密码。最终，通过引入因果推断、跨传感器迁移学习等新视角，我们有望构建出更加鲁棒、智能且物理一致的高光谱感知系统，让这曲“谱间共舞”在数字地球的舞台上绽放出更耀眼的光芒。

主要参考文献

1. Green, R. O., et al. "Imaging spectroscopy and the Airborne Visible/Infrared Imaging Spectrometer (AVIRIS)." Remote Sensing of Environment, 1998, 65(3): 227-248. 【经典传感器文献，阐述了AVIRIS的224波段设计及数据特性】
2. Kokaly, R. F., et al. "USGS Spectral Library Version 7." U.S. Geological Survey Data Series, 2017, 1035: 61. 【USGS光谱库，提供了数千种矿物、土壤、植被的光谱，预处理包括光谱平滑与重采样至标准波长】
3. Berk, A., et al. "MODTRAN6: a major upgrade of the MODTRAN radiative transfer code." Proceedings of SPIE, 2014, 9088: 90880H. 【大气辐射传输模型，用于模拟大气对光谱的平滑与吸收效应】
4. Pearlman, J. S., et al. "Hyperion, a space-based imaging spectrometer." IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(6): 1160-1173. 【EO-1 Hyperion传感器介绍，详细说明了其光谱响应函数与波段重叠特性】
5. Rodarmel, C., & Shan, J. "Principal component analysis for hyperspectral image classification." Surveying and Land Information Science, 2002, 62(2): 115-122. 【PCA在高光谱降维中的经典应用，量化了前几个主成分的方差解释力】
6. Roweis, S. T., & Saul, L. K. "Nonlinear dimensionality reduction by locally linear embedding." Science, 2000, 290(5500): 2323-2326. 【LLE经典论文，奠定了流形学习在高维数据分析中的基础】
7. Peng, H., Long, F., & Ding, C. "Feature selection based on mutual information: criteria of max-dependency, max-relevance, and min-redundancy." IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(8): 1226-1238. 【mRMR波段选择方法，利用互信息量化并管理谱间冗余】
8. Tang, X., & Pearlman, W. A. "Three-dimensional wavelet-based compression of hyperspectral images." Hyperspectral Data Compression, 2006: 273-308. 【3D-SPIHT压缩算法，有效利用谱间小波变换进行解相关】
9. Bioucas-Dias, J. M., & Figueiredo, M. A. T. "A new TwIST: two-step iterative shrinkage/thresholding algorithms for image restoration." IEEE Transactions on Image Processing, 2007, 16(12): 2992-3004. 【压缩感知重建算法，其在高光谱中的应用依赖于谱间稀疏性】
10. Arad, B., & Ben-Shahar, O. "Sparse recovery of hyperspectral signal from natural RGB images." European Conference on Computer Vision (ECCV), 2016: 19-34. 【基于稀疏表示的光谱超分辨率重建，利用光谱字典捕捉谱间相关性】
11. Arad, B., et al. "NTIRE 2022 spectral recovery challenge and data set." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, 2022. 【NTIRE光谱重建挑战赛数据集，预处理包括图像配准、辐射定标和坏波段去除】
12. Cai, Y., et al. "MST++: Multi-stage spectral-wise transformer for efficient spectral reconstruction." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, 2022. 【基于Transformer的光谱超分模型，利用自注意力建模长程谱间依赖】
13. Reed, I. S., & Yu, X. "Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution." IEEE Transactions on Acoustics, Speech, and Signal Processing, 1990, 38(10): 1760-1770. 【RX异常检测经典算法，基于背景协方差矩阵（谱间相关性）进行异常判定】
14. Li, Y., Zhang, H., & Shen, Q. "Spectral–spatial classification of hyperspectral imagery with 3D convolutional neural network." Remote Sensing, 2017, 9(1): 67. 【3D-CNN用于高光谱分类，同时提取空间-光谱特征，隐式建模局部谱间相关】
15. He, K., et al. "Masked autoencoders are scalable vision learners." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2022: 16000-16009. 【MAE自监督学习框架，其光谱掩码建模变体是当前高光谱自监督学习的前沿】
16. Reichstein, M., et al. "Deep learning and process understanding for data-driven Earth system science." Nature, 2019, 566(7743): 195-204. 【物理引导深度学习综述，为PGNN在高光谱中的应用提供了理论框架】
17. Hong, D., et al. "More diverse means better: Multimodal deep learning meets remote-sensing imagery classification." IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(5): 4340-4354. 【跨模态/跨传感器学习，涉及不同传感器间光谱特征的迁移与对齐】